IBM publie des données pour faire avancer l’étude et l’équité de la reconnaissance faciale

IBM a publié mardi un nouvel ensemble de données varié destiné à faire progresser l’étude de l’équité et de la précision des technologies de reconnaissance faciale.

IBM Research a publié mardi un nouvel ensemble de données varié destiné à faire progresser l’étude de l’équité et de la précision des technologies de reconnaissance faciale. Les systèmes d’intelligence artificielle apprennent ce qui leur est enseigné. S’ils ne possèdent pas de jeux de données robustes et variés, la précision et l’équité pourraient être compromises. Pour que les systèmes de reconnaissance faciale fonctionnent comme prévu et que les résultats deviennent de plus en plus précis, les données doivent être diverses et offrir une couverture étendue. Les images doivent refléter la distribution des caractéristiques dans les visages que nous voyons dans le monde.

Diversity in Faces (DiF), disponible dès maintenant pour la communauté mondiale des chercheurs, fournit des annotations sur un million d’images faciales humaines. Le géant souhaite exploiter le pouvoir de la science pour créer des systèmes d’intelligence artificielle plus justes et plus précis.

Un grand nombre de nos récents progrès en matière d’intelligence artificielle ont donné aux ordinateurs des capacités remarquables pour accomplir des tâches de plus en plus sophistiquées et importantes, telles que la traduction de la parole dans différentes langues pour relier les communications entre les cultures, l’amélioration des interactions complexes entre les personnes et les machines, et la reconnaissance automatique du contenu vidéo pour améliorer la sécurité applications.

Cependant, la force de ces techniques peut aussi être une faiblesse. Les systèmes d’intelligence artificielle apprennent ce qui leur est enseigné. S’ils ne sont pas enseignés avec des ensembles de données robustes et divers, la précision et l’équité pourraient être compromises. Pour cette raison, IBM, ainsi que les développeurs d’IA et la communauté des chercheurs, doivent réfléchir aux données que nous utilisons pour la formation.

Aujourd’hui, il peut être difficile de concevoir des systèmes de reconnaissance faciale répondant aux attentes en matière d’équité. Le cœur du problème ne réside pas en soi dans la technologie d’intelligence artificielle, mais dans la manière dont les systèmes de reconnaissance faciale alimentés par l’IA sont formés. Pour que les systèmes de reconnaissance faciale fonctionnent comme prévu – et que les résultats deviennent de plus en plus précis – les données de formation doivent être diverses et offrir une couverture étendue. Source et suite Ici