با فراگیر شدن تکنولوژی تشخیص چهره، بزرگ‌ترین سؤالی که پیش می‌آید، توانایی چنین فناوری‌هایی در تشخیص چهره‌ی افراد با نژادهای مختلف است.
به گزارش انتخاب، شرکت‌های تکنولوژی به مرحله بعدی پیشرفت نگاه می‌کنند؛ پیشرفتی که با چهره‌ی انسان گره خورده است. اکنون اگر میل به صحبت کردن در قالب صورت یک حیوان داشته باشید، آیفون 10 به وسیله‌ی قابلیت تشخیص چهره این کار را برای شما انجام می‌دهد. قابلیت تشخیص چهره‌ی آیفون 10 به شما اجازه می‌دهد در کسری از ثانیه، قفل دستگاه خود را باز کنید. در شعبه‌ی هانگژو رستوران کی‌اف‌سی، می‌توانید پول ساندویچ مرغتان را با خندین به دوربین، پرداخت کنید و حداقل در یکی از چهار دپارتمان پلیس ایالات متحده آمریکا، از این تکنولوژی برای تشخیص چهره مظنونین استفاده می‌شود.
اما نکته‌ای که بعضی مواقع رخ می‌نماید، کامل نبودن این تکنولوژی است. آیفون 10 همیشه در تشخیص چهره خوب عمل نمی‌کند و پلیس ممکن است به دلیل کارکرد نادرست این فناوری، فردی را به‌اشتباه بازداشت کند. برای اینکه این نرم‌افزار همواره در تشخیص چهره موفق باشد، باید تمام اجزای الگوریتم به‌درستی کار کند. در وحله‌ی نخست، نرم‌افزار باید وجود چهره در عکس را تشخیص دهد. اگر قصد داشته باشید در میان عکسی از ازدحام مردم، چهره‌ی کودکی را تشخیص دهید، نرم‌افزار باید چهره‌ها را براساس سن مرتب‌سازی کند. در نهایت شما به الگوریتمی نیاز دارید که هر چهره را با عکسی دیگر در پایگاه داده مقایسه کند؛ احتمالاً با روشنایی متفاوت و زاویه‌های متغیر.
برای بهبود این الگوریتم‌ها، پژوهشگران باید از نظرسنجی‌ها و جمعیت‌شناسی دانشمندان استفاده کنند. هنگامی که به نرم‌افزار تشخیص چهره، در مورد نژاد، جنسیت و سن آموزش داده شود، برخی از وظایف به‌طرز مشخصی بهتر اجرا می‌شوند. انیل جین، پژوهشگر بیومتریک دانشگاه ایالتی میشیگان می‌گوید:
این نتیجه‌ای شگفت‌آور نیست. [واضح است که] اگر شما زیرشاخه‌های جمعیت را مدل‌سازی کنید، نتایج بهتری خواهید داشت.
نتایج بهتر همان چیزی است که باعث دستگیر نشدن اشتباه افراد توسط پلیس می‌شود.
رسیدن به این مورد چندان ساده نیست. داده‌های جمعیت‌شناختی ممکن است که به دقت الگوریتم‌ها کمک کند؛ اما استفاده از آن‌ها را پیچیده‌تر می‌کند.
نمونه‌ی اخیر این مورد را می‌توان در پژوهش دانشگاه‌ها یافت. پژوهشگران دانشگاه سورِی بریتانیا و جیانگنان چین برای بهبود عملکرد الگوریتمی تلاش می‌کنند که در اپلیکیشن‌های به‌خصوصی برای تشخیص چهره استفاده می‌شود. مبنای کارکرد این الگوریتم بر اساس مدل‌های سه‌بعدی است. توسط این الگوریتم، تصویر سلفی شما در کسری از ثانیه به مدل سه‌بعدی دیجیتال تبدیل می‌شود و شما می‌توانید زوایای مختلف صورتتان را در عکس‌های سلفی مشاهده کنید. آیفون 10 و اپلیکیشن اسنپ‌چت از همین مدل سه‌بعدی استفاده می‌کنند.
پژوهشگران چند سازوکار پایه‌ای برای الگوریتم تعریف کرده‌اند. آن‌ها برای تسریع این روند، میانگین چهره افراد را مشخص می‌کنند. برای نمونه، میانگین طول بینی، مردمک چشم و اندازه‌ی گونه را از طریق مدل سه‌بعدی اسکن می‌کردند. سپس برای تسریع روند محاسبه این فواصل، این مدل را به مدلی دوبعدی از سر و صورت مبدل می‌ساختند؛ با این کار روند زمان‌بری که در گذشته برای اسکن سر طی می‌شد، تا حد ممکن کاهش یافته است. پس از گردآوری اطلاعات بالا، آن‌ها فارغ از نژاد، جنسیت یا سن، اقدام به محاسبه‌ی میانگین چهره‌ها می‌کنند.
الگوی آن‌ها از ۹۴۲ چهره تشکیل می‌شود که توسط پژوهشگران چین و بریتانیا گردآوری شده بود. حال مسئله نژادها رخ می‌نماید و آن‌ها به‌جای آن‌که به یک‌باره اقدام به میانگین‌گیری تمام این چهره‌ها کنند، مدل‌ها را بر اساس نوع نژاد تفکیک کردند. در ادامه‌ی این روند، آن‌ها برای نژادهای خاور دور، سفیدپوست و سیاه‌پوست، اقدام به تعریف میانگین‌های اختصاصی کردند. با اینکه در بین مدل‌ها تنها ۱۰ چهره‌ی سیاه‌پوست، ۱۰۰ چهره سفیدپوست و ۸۰۰ چهره خاوری قرار داشت، نتیجه‌ی کار الگوریتم تشخیص چهره به‌طرز ملموسی دقیق‌تر شد.
ژنهوا فنگ، دانشمند علوم رایانه می‌گوید:
[این موضوع فقط به] نوع نژادها مربوط نبود. اگر شما مدل یک نوزاد را نیز داشتید، می‌توانستید چهره‌ی سه‌بعدی نوزاد را بهتر بسازید.[همین‌طور] اگر مدلی برای افراد کهنسال داشتید، می‌توانستید مدل سه‌بعدی بهتری از آن چهره بسازید.
بنابراین اگر صریحاً نرم‌افزار بیومتریک را درباره‌ی دسته‌های اجتماعی مختلفی برنامه‌ریزی کنید، نتیجه‌ی کار بسیار بهتر می‌شود. امروزه الگوریتم‌های رایج تشخیص چهره، از اسکن‌های دوبعدی استفاده می‌کنند؛ زیرا کار کردن با مدل‌های سه‌بعدی به‌مراتب دشوارتر است.
در بین معدود الگوریتم‌های اسکن سه‌بعدی چهره، مدل «شخص‌محور» رایج‌ترین آن‌ها است. در این مدل براساس اینکه افراد حاضر در عکس چه جنسیت و سنی دارند، نرم‌افزار شروع به تفکیک و دسته‌بندی می‌کند. محققان باور دارند که برای الگوریتم‌های یادگیری ماشینی دوبعدی که حضور یک فرد در دو عکس را تأیید می‌کنند، با از بین بردن مشخصه‌های ظاهری مانند رنگ پوست، نژاد، جنسیت و...، همچنان می‌توان به نتایج دقیقی دست پیدا کرد.
حال اگر در مورد نژاد به یک الگوریتم آموزش دهید، آیا آن را نژادپرست می‌کنید؟ پاسخ منفی است!
الوندرا نلسون، جامعه‌شناس دانشگاه کلمبیا است که درباره‌ی اصول اخلاقی تکنولوژی‌های جدید تحصیل کرده است. دانشمندان علوم اجتماعی برای چگونگی ساختار جوامع، همواره در حال طبقه‌بندی داده‌های جمعیت‌شناسی هستند. به‌عنوان مثال، جامعه‌شناسان اغلب رفتارهای جنسیتی یا نژادی را تحلیل می‌کنند. نلسون می‌گوید:
ما در جهانی زندگی می‌کنیم که از نژاد برای هر چیزی استفاده می‌شود.
با این حال، نلسون در ادامه به استفاده دانشمندان از نژاد به‌جای دیگر مشخصه‌ها اشاره می‌کند. به‌باور او، ممکن است متغیرهای دیگر با پتانسیل کمتر برای تبعیض یا تعصب، به‌همان اندازه تأثیرگذار باشند که شاخصه‌های جنسیتی و نژادی مؤثر هستند.
نلسون به محققان درباره‌ی تأثیر احتمالی کارهایشان گوشزد می‌کند؛ به‌ویژه آن‌دسته کارهایی که ممکن است توسط دولت‌ها و نهادهای قدرت‌مند مورد استفاده قرار گیرد. سال گذشته، اف‌بی‌آی فیلم‌های نظارتی را که برای رصد اعتراضات سیاه‌پوستان بالتیمور ثبت کرده بود، منتشر کرد؛ پلیس ایالتی این شهر از سال ۲۰۱۱ از تکنولوژی تشخیص چهره استفاده می‌کند.
نلسون به‌عنوان کلام آخر می‌گوید:
از آنجایی که این کار از لحاظ فنی پیچیده‌تر می‌شود، محققان [علاوه بر] جنبه فنی، باید به جنبه‌ی اخلاقی نیز بپردازند.
