Você já foi tratado injustamente? Como você se sentiu? Provavelmente não muito bom. A maioria das pessoas geralmente concorda que um mundo mais justo é um mundo melhor, e nossos pesquisadores de IA não poderiam concordar mais. É por isso que estamos aproveitando o poder da ciência para criar sistemas de IA mais justos e precisos.

Muitos de nossos avanços recentes em IA produziram recursos notáveis ​​para os computadores realizarem tarefas cada vez mais sofisticadas e importantes, como traduzir a fala em vários idiomas para estabelecer uma ponte entre as comunicações entre as culturas, melhorando interações complexas entre pessoas e máquinas, e reconhecer automaticamente o conteúdo do vídeo para auxiliar nas aplicações de segurança.

Muito do poder da IA ​​hoje vem do uso de aprendizado profundo baseado em dados para treinar modelos cada vez mais precisos usando quantidades crescentes de dados. Contudo, a força dessas técnicas também pode ser uma fraqueza. Os sistemas de IA aprendem o que são ensinados, e se não forem ensinados com conjuntos de dados robustos e diversos, a precisão e a justiça podem estar em risco. Por essa razão, IBM, junto com os desenvolvedores de IA e a comunidade de pesquisa, precisa ser cuidadoso sobre quais dados usamos para o treinamento. A IBM continua comprometida com o desenvolvimento de sistemas de IA para tornar o mundo mais justo.

O desafio no treinamento de IA se manifesta de forma muito aparente e profunda com a tecnologia de reconhecimento facial. Hoje, pode haver dificuldades em fazer sistemas de reconhecimento facial que atendam às expectativas de justiça. O cerne do problema não é com a tecnologia de IA em si, per se, mas com a forma como os sistemas de reconhecimento facial alimentados por IA são treinados. Para que os sistemas de reconhecimento facial funcionem conforme desejado - e os resultados se tornem cada vez mais precisos - os dados de treinamento devem ser diversos e oferecer uma ampla cobertura. Por exemplo, os conjuntos de dados de treinamento devem ser grandes e diferentes o suficiente para que a tecnologia aprenda todas as maneiras em que os rostos diferem para reconhecer com precisão essas diferenças em uma variedade de situações. As imagens devem refletir a distribuição de recursos nos rostos que vemos no mundo.

Como medimos e garantimos a diversidade de rostos humanos? Por um lado, estamos familiarizados com a diferença entre os rostos e a idade, Gênero sexual, e tom de pele, e como os diferentes rostos podem variar em algumas dessas dimensões. Muito do foco na tecnologia de reconhecimento facial tem sido o quão bem ela funciona dentro desses atributos. Mas, como estudos anteriores mostraram, esses atributos são apenas uma peça do quebra-cabeça e não são inteiramente adequados para caracterizar toda a diversidade de rostos humanos. Dimensões como simetria facial, contraste facial, a pose do rosto, o comprimento ou largura dos atributos do rosto (olhos, nariz, testa, etc.) também são importantes.

Hoje, A IBM Research está lançando um novo conjunto de dados grande e diversificado chamado Diversity in Faces (DiF) para avançar no estudo de justiça e precisão na tecnologia de reconhecimento facial. O primeiro de seu tipo disponível para a comunidade de pesquisa global, DiF fornece um conjunto de dados de anotações de 1 milhão de imagens faciais humanas. Usando imagens publicamente disponíveis do conjunto de dados YFCC-100M Creative Commons, nós anotamos os rostos usando 10 esquemas de codificação bem estabelecidos e independentes da literatura científica. [1-10] Os esquemas de codificação incluem principalmente medidas objetivas de rostos humanos, como características craniofaciais, bem como anotações mais subjetivas, tais como previsões de idade e sexo marcadas por humanos. Acreditamos ao extrair e liberar essas anotações de esquema de codificação facial em um grande conjunto de dados de 1 milhão de imagens de rostos, vamos acelerar o estudo da diversidade e cobertura de dados para sistemas de reconhecimento facial de IA para garantir sistemas de IA mais justos e precisos. O lançamento de hoje é simplesmente o primeiro passo.

Acreditamos que o conjunto de dados DiF e seus 10 esquemas de codificação oferecem um ponto de partida para pesquisadores de todo o mundo que estudam a tecnologia de reconhecimento facial. Os 10 métodos de codificação facial incluem craniofacial (por exemplo, comprimento da cabeça, comprimento do nariz, altura da testa), proporções faciais (simetria), atributos visuais (idade, Gênero sexual), e pose e resolução, entre outros. Esses esquemas são alguns dos mais fortes identificados pela literatura científica, construindo uma base sólida para o nosso conhecimento coletivo.

Nossa análise inicial mostrou que o conjunto de dados DiF fornece uma distribuição mais equilibrada e uma cobertura mais ampla de imagens faciais em comparação com os conjuntos de dados anteriores. Além disso, os insights obtidos a partir da análise estatística dos 10 esquemas de codificação iniciais no conjunto de dados DiF aumentaram nossa própria compreensão do que é importante para caracterizar rostos humanos e nos permitiu continuar pesquisas importantes sobre maneiras de melhorar a tecnologia de reconhecimento facial.

O conjunto de dados está disponível hoje para a comunidade de pesquisa global mediante solicitação. A IBM tem o orgulho de disponibilizar isso e nosso objetivo é ajudar a promover nossa pesquisa coletiva e contribuir para a criação de sistemas de IA que sejam mais justos.

Embora a IBM Research esteja comprometida com o estudo e investigação contínuos de sistemas de reconhecimento facial mais justos, não acreditamos que podemos fazer isso sozinhos. Com o lançamento de hoje, encorajamos outros a contribuírem para o crescente corpo de pesquisa e avançarem esta importante agenda científica.

Para solicitar acesso ao conjunto de dados DiF, visite nossa página da web. Para saber mais sobre DiF, leia nosso jornal, "Diversidade de rostos."

Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.