Forenzní antropologie

Automatické postupy identifikace osob

Vývoj automatických identifikačních systémů v posledních několika letech je dán 

  • kvalitou a dostupnosti záznamových zařízení (např. pokrytí bezpečnostními kamerami, kvalitní záznamová zařízení jako součást finančně dostupných mobilních zařízení, sdílení obrazových záznamů na sociálních sítích) 
  • zavedením umělé inteligence jako hlavního technického řešení výpočetních postupů pro vyjádření shody záznamů (numerických, obrazových, písemných apod.). 
Zatímco vyšší kvalita i kvantita dostupných obrazových záznamů dovoluje lépe podchytit variabilitu technických, biologických a behaviorálních faktorů, které mají vliv na určení totožnosti (osvětlení, rotace obličeje, výrazy obličeje), umělá inteligence v podobě strojového učení (machine learning), hlubokého učení (deep learning), neuronových sítí a konvolučních neuronových sítí umožňuje tyto překážky v identifikaci osob řešit integrálně. 

Metody hlubokého učení využívají hierarchicky uspořádané charakteristiky obrazu na různých úrovních rozlišení s velkým počtem vrstev (layers) reprezentujících data. Historicky navazují na tzv. shadow learning methods, které využívaly pouze jednu vrstvu dat. Za nejvýkonnější postupy umělé inteligence v automatické identifikaci osob jsou aktuálně považovány algoritmy využívající konvoluční neuronové sítě (convolutional neural networks – CNNs).

Vývoj identifikační metody pomocí metod hlubokého učení vyžaduje, aby referenční databáze byla rozdělena na trénovací a testovací dataset. Na trénovacím datasetu se systém o dané architektuře a nastavení naučí rozpoznávat osob (např. pomocí obličeje) a na testovacím datasetu je tento algoritmus validován. Čím vyšší je různorodost a objem trénovacího datasetu, tím citlivější je proces učení i výsledný algoritmus. 

POZITIVA SYSTÉMŮ S PRVKY UMĚLÉ INTELIGENCE


AUTOMATIZACE
  • nižší nároky na odbornost, praxi a zkušenosti
  • zvyšuje počet znalců, kteří se mohou k případu vyjádřit
RYCHLOST a OBJEM ZPRACOVANÝCH DAT
  • rychlá výpočetní rychlost zkracuje čekací lhůty na zhodnocení důkazů
  • zvyšuje množství důkazů, které mohou být zpracovány jedním znalcem
OBJEKTIVNÍ NUMERICKÝ PRINCIP
  • je předpokladem pro zlepšení přesnosti a spolehlivosti metodických postupů ve znaleckém zkoumání (tzv. vědecká podstata)
  • poskytuje numerické výstupy, které lze dále použít pro výpočet důkazní síly – pravděpodobnosti pravdivosti jedné hypotézy vůči alternativní hypotéze
  • snižuje vliv tzv. lidského faktoru (kognitivní zkreslení a zaujatost/předsudky)

NEGATIVA SYSTÉMŮ S PRVKY UMĚLÉ INTELIGENCE

  • snadná dostupnost technologie
  • regulační mechanismy stále v počátcích
  • zaujatost systémů - výstupy AI systémů mohou poskytovat zkreslené výsledky (např. vůči mužům, ženám nebo etnickým skupinám), toto zkreslení může občas pocházet z nevhodných tréninkových datových sad 
  • AI systémy jsou založeny na abstraktních, složitých a skrytých vnitřních mechanismech, což vytváří tzv. problém černé skříňky
Předchozí
Následující
Operace
Prohlédnout vše