Makineler bugün yüzü bulur, tanır, eşleştirir ve üretir; bazı şirketler bir adım öteye geçip yüzden duygu, kişilik ya da uygunluk okuduğunu iddia eder. Bu modül teknolojinin nasıl çalıştığını, hangi işte gerçekten başarılı olduğunu ve yanlılığın kimi nasıl etkilediğini ölçümlerle okur; tenin, cinsiyetin ve yaşın hata oranlarını nasıl değiştirdiğini görünür kılar ve eski fizyonomi hatalarının yeni araçlarla nasıl yeniden doğduğunu gösterir.
Bilim merceği. Yüz hakkında ölçülmüş olan, ölçülemeyen ve hâlâ tartışılan — kanıt etiketiyle.
Bu modülün sonunda
- Yüz algılama, doğrulama, tanıma ve sınıflandırma işlerini birbirinden ayırır ve her birinin hata türlerini açıklar.
- Yüz tanımada demografik yanlılığı gösteren çalışmaları ve raporları yöntemleriyle değerlendirir.
- Duygu tanıma ve yüzden özellik tahmini iddialarını bilimsel zeminleriyle karşılaştırır.
- Bir yüz analizi aracına hangi sorunun sorulabileceğini, hangisinin sorulamayacağını gerekçeleriyle ayırır.
Dersler
- M50-D01Yüz algılama ve tanıma teknolojisinin temeliProgramda
Bir görüntüde yüz bulmayı, iki görüntünün aynı kişiye ait olduğunu doğrulamayı ve bir kişiyi büyük bir veri tabanında aramayı ayırır ve her işte yanlış eşleşme ile kaçırılan eşleşmenin farklı sonuçlarını açıklar.
- M50-D02Eigenfaces'ten derin öğrenmeyeProgramda
Turk ve Pentland 1991 özyüz (eigenfaces) yaklaşımının yüzü temel bileşenlerle nasıl temsil ettiğini açıklar ve bu yaklaşımı büyük veriyle eğitilen derin öğrenme yöntemleriyle karşılaştırır.
- M50-D03Yüz tanımada yanlılıkProgramda
Buolamwini ve Gebru 2018 Gender Shades çalışmasının ticari cinsiyet sınıflandırma sistemlerindeki hata farklarını ten tonu ve cinsiyet kesişiminde nasıl ortaya koyduğunu açıklar ve eğitim verisinin bileşiminin bu farklardaki payını değerlendirir.
- M50-D04Demografik farklar raporuProgramda
NIST 2019 demografik etkiler raporunun birçok yüz tanıma algoritmasını hangi düzenekle sınadığını açıklar ve algoritmalar arasında büyük farklar bulunmasının «yüz tanıma yanlıdır» genellemesini nasıl incelttiğini değerlendirir.
- M50-D05Yanlış tanıma ve gözaltı vakalarıProgramda
Yüz tanıma eşleşmesine dayanarak yanlış kişinin gözaltına alındığı, kamuoyuna yansımış vakaların ortak örüntüsünü çıkarır ve bir aday eşleşmenin kanıt yerine konmasının neden hataya açık olduğunu açıklar.
- M50-D06Duygu tanıma yapay zekâsı ve bilimsel zeminiProgramda
Yüz hareketinden duygu çıkardığını söyleyen sistemlerin dayandığı ifade ile duygu arasındaki birebir eşleşme varsayımını tartışır ve aynı ifadenin bağlama göre farklı anlamlar taşıdığını gösteren bulguları açıklar.
- M50-D07Yapay zekâ fizyonomisi: yeni LombrosoProgramda
Yüz görüntüsünden suçluluk, yönelim, kişilik ya da güvenilirlik tahmin ettiğini iddia eden sistemleri on dokuzuncu yüzyıl fizyonomisi ve Lombroso ile karşılaştırır ve iki dönemde tekrar eden yöntem hatalarını sıralar.
- M50-D08İşe alımda yüz analiziProgramda
Video mülakatta yüz ve ifade analizinden aday puanı üreten araçların vaadini, ölçtüğü şeyin işle ilgisini ve engelli, farklı yüzlü ya da başka kültürden adaylar için doğurduğu riskleri değerlendirir.
- M50-D09Deepfake ve yüz güvenliğiProgramda
Yüz değiştirme ve ses benzetme teknolojilerinin dolandırıcılık, rızasız görüntü ve siyasi yanıltma için kullanım biçimlerini sıralar ve bir görüntünün kaynağını doğrulamak için kullanılabilecek pratik adımları gösterir.
- M50-D10Üretilmiş yüzler ve güvenProgramda
Nightingale ve Farid 2022 çalışmasında yapay olarak üretilmiş yüzlerin gerçek yüzlerden ayırt edilmesinin güç olduğunu ve onlardan daha güvenilir bulunduğunu açıklar ve bu bulgunun çevrim içi güven ve kimlik doğrulama için sonuçlarını tartışır.
- M50-D11Makineye yüz okutmak: hangi soru sorulabilirProgramda
Bir yüz analizi aracının iddiasını geçerlilik, hata oranı, demografik fark, rıza ve amaç ölçütleriyle sınayan bir kontrol listesi kurar ve kurgusal bir ürün tanıtımına uygular.