Documentação do Facematch AI
1. Modelo de Inteligência Artificial Facematch da All.ID
Facematch é um modelo de inteligência artificial **proprietário** desenvolvido e treinado por Certta. Ele serve como o motor principal para a rede biométrica descentralizada da All.ID, projetada para verificar a identidade por meio de similaridade facial anonimizada análise e uma rede descentralizada de votação de similaridade.
O modelo opera como um extrator de características de alto desempenho que converte imagens faciais em representações matemáticas. Diferentemente das comparações tradicionais que dependem de dados brutos de pixels, o Facematch utiliza deep learning para entender as características únicas de um rosto, garantindo desempenho robusto mesmo sob condições variadas de iluminação ou qualidade de imagem.
2. Palavras-chave
Para garantir clareza quanto à operação técnica do modelo, a terminologia a seguir é definida:
Sujeitos: Indivíduos únicos existentes nos conjuntos de dados da rede que tiveram suas imagens capturadas várias vezes para fins de treinamento e teste.
Limiar (T): Um limite numérico usado para determinar probabilisticamente se duas imagens pertencem à mesma pessoa. Se a distância calculada entre os embeddings for menor que T, isso é considerado uma correspondência. Esse valor é dinâmico e ajustável para equilibrar Falsos Positivos (FAR) e Falsos Negativos (FRR).
FAR (Taxa de Aceitação Falsa): A probabilidade de o sistema identificar incorretamente dois sujeitos diferentes como a mesma pessoa.
FRR (Taxa de Rejeição Falsa): A probabilidade de o sistema identificar incorretamente duas imagens do mesmo sujeito como pessoas diferentes.
Embedding: Um numérico de alta dimensionalidade vetor (especificamente, uma matriz de 128 números de ponto flutuante nesta arquitetura) que representa as características abstratas de um rosto extraídas pelo CNN. Após a geração, o embedding é ofuscado usando uma matriz de rotação ortogonal única e privada por peer na rede, e então multiplicado por uma semente universal. Ele transforma dados visuais em coordenadas matemáticas onde rostos semelhantes são posicionados próximos juntos no espaço vetorial. Uma vez que a imagem é convertida nesse array numérico, a imagem facial original não pode ser reconstruída, garantindo anonimato total e privacidade de dados (conformidade com GDPR/LGPD).
Hash: No contexto da rede Facematch, o termo "Hash" é usado de forma intercambiável com Embedding vetorial. Diferentemente dos hashes criptográficos padrão que randomizam dados, este "biometric hash" funciona como um identificador único e anonimizado que preserva a similaridade estrutural, permitindo que o sistema calcule distâncias matemáticas entre identidades sem expor a imagem original.
3. Pilha tecnológica
O Facematch utiliza uma Rede Neural Convolucional (CNN) arquitetura otimizada para extração de características de alta dimensionalidade.
Embeddings e Anonimização: O modelo processa imagens de selfie pré-processadas (entrada) e gera um vetor de 128 dimensões (embedding/hash). Após o embedding ser gerado, ele é ofuscado ao aplicar uma matriz de rotação ortogonal única e privada para cada peer na rede, e o resultado é então multiplicado por uma semente universal. Juntas, essa pipeline atua como uma "compressão com perdas" irreversível. Uma vez que a imagem é convertida nesse array numérico, a imagem facial original não pode ser reconstruída, garantindo anonimato total e privacidade de dados (conformidade com GDPR/LGPD).
Comparação Descentralizada: Esses embeddings anonimizados são os dados transmitidos pela rede biométrica.
Votação de Similaridade: A rede compara o embedding recebido com os hashes armazenados. Com base na distância calculada (similaridade) em relação ao Limiar (T), o sistema aciona mecanismos de votação para validar a identidade.
4. Conjuntos de Dados de Treinamento
O modelo Facematch é treinado em conjuntos de dados proprietários construídos a partir dos bancos de dados de produção da Certta, complementados por conjuntos de dados curados projetados para garantir um balanceamento demográfico rigoroso. Essa abordagem garante que os dados representem ambientes reais de produção, ao mesmo tempo em que mitiga de forma eficaz o viés estatístico por meio de distribuição controlada, e não de condições sintéticas de laboratório.
Volume: Aproximadamente 1,5 milhão de sujeitos, com múltiplas imagens por sujeito.
Distribuição Demográfica: O conjunto de dados é curado para minimizar vieses, refletindo uma população diversa:
Gênero: 55,5% Masculino, 45,5% Feminino.
Etnia: 35% latino-hispânico, 25% caucasiano, 25% de ascendência africana, 13,5% asiático, 1,5% indiano.
Robustez: As imagens passam por aumento de dados (desfoque, reflexão de iluminação, máscaras, ruído) para garantir que o modelo seja resiliente a câmeras de baixa qualidade e a fatores ambientais.
Metodologia de Treinamento: A rede emprega uma abordagem de triplet loss, aprendendo a minimizar a distância entre duas imagens do mesmo sujeito enquanto maximiza a distância em relação a uma terceira imagem de um sujeito diferente.
5. Métricas
As métricas de desempenho a seguir se referem ao Facematch v0.46.4 modelo (comparação Selfie-to-Selfie do melhor modelo).
FAR
FRR
1 / 30.791
0,01 (1%)
1 / 163,537
0,02 (2%)
1 / 457,361
0,03 (3%)
1 / 1,043,130
0,04 (4%)
1 / 2.004.075
0,05 (5%)
1 / 14.377.060
0,1 (10%)
Tabela 1: Desempenho de FAR vs. FRR
6. FAQ (Perguntas Frequentes)
1. Como correspondências e não correspondências são definidas entre um par de imagens?
Uma correspondência é declarada quando a distância matemática entre os embeddings gerados pelo modelo Facematch é menor do que um específico Limiar (T). Por outro lado, se a distância exceder T, trata-se de uma não correspondência (indivíduos diferentes). O Limiar é otimizado dinamicamente para alcançar o menor FAR possível para um FRR máximo definido. Veja a Tabela 1 na seção Métricas.
2. Há diferenças nas métricas para comparações 1:1 e 1:N?
As métricas fundamentais de precisão (Verdadeiros Positivos e Falsos Negativos) não mudam entre as abordagens 1:1 e 1:N. No entanto, o volume de comparações difere significativamente:
1:1 (Verificação): Compara um sujeito com uma identidade específica reivindicada. O número de comparações negativas é igual ao número de sujeitos.
1:N (Identificação): Compara um sujeito com todo o banco de dados. O número de comparações negativas se aproxima do quadrado do número de sujeitos. Consequentemente, embora a precisão permaneça estável, a contagem absoluta de Falsos Positivos pode aumentar exponencialmente devido ao grande volume de comparações em conjuntos de dados grandes.
3. Qual é o tempo total de resposta para uma inferência do modelo Facematch?
Anonimização (processamento de IA): ~600ms – 900ms.
Rosto encontrado na rede: ~1,5 segundos no total. Comparação:
Rosto verificado externamente (Serpro): ~3,2 segundos no total.
4. Como funciona a anonimização de dados?
A anonimização de dados no Facematch é alcançada por meio de um processo de extração de características e vetorização, transformando efetivamente características biométricas em uma abstração matemática. O processo segue uma pipeline rigorosa:
Entrada: A imagem bruta da selfie é pré-processada (recortada e alinhada).
Inferência: A imagem passa pela nossa Rede Neural Convolucional Profunda (DCNN), arquitetura proprietária e hiperparâmetros utilizados.
Saída: Em vez de classificar a imagem, a rede retorna os valores da camada totalmente conectada final, resultando em um vetor de 128 dimensões (também conhecido como um embedding ou às vezes referido como “hash” internamente).
Ofuscação: Após o embedding ser gerado, ele é ofuscado usando uma matriz de rotação ortogonal única e privada por peer na rede, e então multiplicado por uma semente universal.
O sistema usa uma CNN para transformar uma imagem 2D (rosto) em um embedding 1D. Por meio de camadas de convolução (aplicando filtros de matriz) e pooling (pooling Máximo ou Médio para reduzir dimensões), a imagem é comprimida em um vetor. Esse processo é matematicamente irreversível; o embedding não pode ser usado para reconstruir a fotografia original, tornando-o ideal para proteger dados biométricos sensíveis.
5. Como um novo cliente se junta como um nó na rede?
Este é um processo exclusivo por convite para clientes com bancos de dados superiores a 20 milhões de rostos.
Integração: Integre por meio da API oficial.
Hospedagem: Escolha entre hospedagem on-premise ou em nuvem.
Criação de Hash: Converta o banco de dados de imagens em embeddings anonimizados (ou hashes).
Higienização: Os novos embeddings (ou hashes) são cruzados na rede para remover possíveis Falsos Positivos. Se não forem encontrados, bureaus externos são usados para validação.
Entrar em operação: O nó entra em operação.
Atualizado