Si tienes la suerte de tener una entrada para un evento en el Madison Square Garden de Nueva York (por ejemplo, un partido de las Finales de la NBA), un aspecto de tu visita será que te escaneen la cara mediante un sistema de reconocimiento facial.
Los grandes espacios para eventos utilizan cada vez más la tecnología. Algunos, como el Madison Square Garden, lo utilizan con fines de vigilancia y otros, como el Citizens Bank Park en Filadelfia, para ofrecer a los visitantes la entrada opcional sin entradas.
La adopción de la tecnología de reconocimiento facial está aumentando y se está volviendo más frecuente en la vida cotidiana, desde los autobuses públicos hasta los edificios públicos. La Administración de Seguridad del Transporte ha implementado la última tecnología de reconocimiento facial en los puntos de control de seguridad de varios aeropuertos. La agencia dice que el nuevo sistema se utilizará en ciudades de todo Estados Unidos que albergarán partidos de fútbol en la Copa del Mundo de 2026.
El uso cada vez mayor del reconocimiento facial ha generado preocupaciones sobre la precisión y el sesgo. Pero en mi investigación sobre la tecnología de reconocimiento facial en el Vision Lab de la Universidad de Dayton, descubrí que los modelos avanzados de aprendizaje profundo han hecho que los sistemas de reconocimiento facial sean más precisos y confiables. Los modelos de IA, entrenados en cientos de millones de imágenes faciales, tienen una precisión de más del 99% en entornos controlados, como teléfonos móviles, aeropuertos y puntos de control fronterizos.
Conceptos básicos del reconocimiento facial
El reconocimiento facial implica tres pasos: localizar un rostro dentro de una imagen o video, crear una huella facial que catalogue las características destacadas (incluida la forma del rostro y puntos de referencia como ojos, nariz y boca) y capturar la textura de la piel. Luego compara la huella facial con la de una base de datos, que puede estar dentro de un teléfono inteligente o en un banco u hospital, para verificar la identidad de la persona o otorgarle acceso.
En el mundo físico, estos sistemas son más rápidos y sencillos que exigir que las personas muestren una identificación. En el mundo online, son más fáciles que introducir un nombre de usuario y contraseña. El reconocimiento facial también reduce significativamente la posibilidad de falsificación o fraude en comparación con los documentos de identidad o las contraseñas.
Las mejoras en la tecnología provienen de varios proyectos de investigación. FaceNet, un modelo de aprendizaje profundo desarrollado por Google, ha mejorado el reconocimiento de rostros parcialmente cubiertos u ocultos en imágenes. DeepFace, el emblemático sistema de reconocimiento facial de IA desarrollado por Facebook AI Research, logra el mismo alto nivel de verificación que muestran los humanos.
NeoFace, un algoritmo basado en inteligencia artificial de alta precisión desarrollado por NEC, se incorpora a Mobile Fortifi, un sistema móvil de reconocimiento facial utilizado por el Servicio de Inmigración y Control de Aduanas de EE. UU. para identificar personas.
Reducción de falsos positivos y negativos
Las condiciones del mundo real, como una iluminación deficiente, ángulos de visión difíciles, expresiones faciales extremas, ocultación con máscaras faciales o gafas de sol y una calidad de imagen deficiente, aún pueden obstaculizar el rendimiento y provocar una identificación falsa. Los falsos positivos y los falsos negativos son los dos errores principales. Los falsos positivos se producen cuando una persona coincide erróneamente con otra persona en la base de datos. Los falsos negativos se dan cuando un individuo no se encuentra en la base de datos, aunque sí exista una fotografía de él.
Los falsos positivos son más críticos en aplicaciones de seguridad y protección. Pueden dar lugar a acusaciones falsas, discriminación o detención. En 2025, una mujer de 50 años en Tennessee fue arrestada y encarcelada durante seis meses debido a un sistema de reconocimiento facial de inteligencia artificial que la vinculó erróneamente con una investigación de fraude bancario en Dakota del Norte. Los falsos negativos pueden llevar a las autoridades a negar servicios a personas que califican para recibirlos.
La precisión puede verse afectada si los modelos se entrenan con datos que no reflejan la demografía del mundo real. Un estudio de 2025 encontró que los sistemas entrenados en bases de datos públicas que carecen de personas con tonos de piel más oscuros conducen a una menor precisión de reconocimiento. Este tipo de sesgo involuntario en los datos de capacitación puede llevar a la identificación errónea de mujeres, personas de color y jóvenes y mayores. Un informe encontró que los sistemas de reconocimiento facial utilizados por 42 agencias gubernamentales de EE. UU. identifican erróneamente los rostros de los estadounidenses de origen africano y asiático entre 10 y 100 veces más a menudo que los de los blancos, lo que en algunos casos conduce a arrestos injustos.
La precisión también se deteriora cuando las personas usan mucho maquillaje y en niños pequeños y ancianos, ya que sus rasgos cambian más rápidamente que los adultos de otras edades. Equilibrar los conjuntos de datos mediante la recopilación de imágenes más representativas por edad, género y origen étnico y actualizar las bases de datos con frecuencia puede mejorar la precisión y producir resultados más justos.
Ajustar las imágenes antes de enviarlas para su comparación (por ejemplo, cambiar el nivel de brillo) también puede mejorar la precisión. Las personas entrecierran los ojos cuando están en la oscuridad o bajo una luz muy brillante. El software de procesamiento avanzado puede imitar este rasgo humano para mejorar la capacidad de un sistema de reconocimiento facial para extraer rasgos faciales de una imagen.
La tecnología de reconocimiento facial está mejorando a la hora de identificar a las personas cuando su rostro está parcialmente oscurecido. B. Hayes/NIST Cara completa a partir de datos parciales
Los humanos son buenos para identificar a una persona incluso si parte de su rostro está cubierto por gafas de sol o una mascarilla. El cerebro concede más importancia a los detalles expuestos. Si los programas de reconocimiento facial pudieran aprender a hacer lo mismo, se reducirían los falsos positivos y los falsos negativos, incluso cuando las cámaras capturan solo una parte de una cara.
La dinámica facial también puede ayudar. Puede resultar difícil para alguien reconocer inmediatamente a un amigo de la secundaria al que no ha visto en años, pero si un viejo amigo sonríe, ese cambio de expresión puede mejorar instantáneamente la memoria.
Los investigadores están desarrollando un método de reconocimiento facial para esto, conocido como creación de patrones volumétricos. Capta los sutiles movimientos de los músculos faciales, así como el parpadeo de los párpados, en sucesivos fotogramas de vídeo. Realiza un seguimiento de cómo los puntos de referencia faciales cambian con el tiempo, así como del contexto en el que se ve el rostro, lo que puede mejorar la precisión del reconocimiento.
Los investigadores también están creando sistemas tridimensionales más precisos con IA que pueden comprender la geometría precisa de la cara, incluidas características como los contornos de la órbita de los ojos, la nariz y el mentón. Este trabajo podría conducir a técnicas anti-suplantación de identidad que impidan que los sistemas de reconocimiento facial caigan en caras falsas generadas por computadoras y sus operadores humanos.
Menos identidades equivocadas
Dejando a un lado los problemas de privacidad y ciberseguridad y las persistentes cuestiones de sesgo, una cosa está clara: la tecnología de reconocimiento facial está mejorando. Y eso promete menos errores y menos consecuencias graves que los acompañen.
0 Comentarios