Technologische innovatie

De gezichtsherkenningsoftware van NTechlab herkent iedereen

NTechlab is pas een jaar oud. Maar in dat jaar wist het team wel Google en de Universiteit van Peking te verslaan tijdens de MegaFace Benchmark, een internationaal kampioenschap gezichtsherkennen, en werd de FindFace app gelanceerd, waarmee gebruikers profielen op vk.com kunnen doorzoeken op basis van een foto. NTechlab heeft 20 werknemers, 300 klanten, 30 succesvol afgeronde tests en een cloudoplossing. De oprichter van het lab, Artem Kukharenko, vertelde ons hoe ze hun doelen sneller weten te bereiken dan hun concurrenten en een product hebben gecreëerd dat nu al een commercieel succes is.

Artem

Voor het NTechlab team is ‘zoeken naar een speld in een hooiberg’ meer dan een gezegde. Binnen een seconde kan een persoon worden gevonden in een database met een miljard foto’s. “We hebben als eerste ontdekt hoe we om moeten gaan met grote fotodatabases,” vertelt Artem Kukharenko. “Daardoor kunnen we verschillende problemen in de wereld oplossen, zoals het realtime traceren van een crimineel, of het herkennen van een vaste klant op bewakingscamera’s.”

Het algoritme is niet alleen uitstekend in staat om fotodatabases te doorzoeken, maar is daar bovendien bijzonder nauwkeurig in. Het geheim zit hem in diep leren en de neurale netwerkarchitectuur. Het lab merkt op dat nauwkeurigheid op verschillende manieren wordt gemeten. Zo ligt de nauwkeurigheid lager voor grote databases: het is veel moeilijker om een persoon te vinden in een groep van een miljoen, dan in een groep van honderd. Tijdens het MegaFace Benchmark kampioenschap behaalde NTechlab een nauwkeurigheid van 73% in een database van een miljoen foto’s, en 95% in een database van 10.000 foto’s. Als twee afbeeldingen met elkaar moeten worden vergeleken werkt het systeem in 99% van de gevallen perfect.

Het neurale netwerk vormt het hart en brein van het systeem. De moeilijkste taken voor een kunstmatige intelligentie zijn de dingen die voor het menselijke brein juist het makkelijkst zijn. Wij kunnen bijvoorbeeld makkelijk een gezicht in een grote groep mensen terugvinden of het ras van een hond herkennen. Deze beslissingen nemen we op basis van miljoenen factoren en ervaringen uit het verleden. Neurale netwerken maken gebruik van hetzelfde model. Het ‘zenuwstelsel’ ontvangt allerlei verschillende signalen. Op basis van die signalen komt het systeem tot een bepaalde conclusie. Als er een foute conclusie wordt getrokken, wordt de formule die de input beoordeelt aangepast. Door van fouten te leren wordt de nauwkeurigheid verbeterd.

Verrassend genoeg werkt ons brein op dezelfde manier als een machine wanneer we een bekend gezicht zien. Het systeem ontvangt de originele afbeelding, bijvoorbeeld een foto van een willekeurige voorbijganger die in FindFace wordt geüpload. Eerst wordt het gezicht op de afbeelding meteen herkend. Volgens Artem Kukharenko is gezichtsherkenning de stap die het meest van de hardware eist in het hele proces, hoe gek dat ook klinkt. Op het moment sleutelt het team aan het algoritme om met minder hardware betere resultaten te bereiken.

De tweede fase van herkenning bestaat uit het opbouwen van een zogenaamde feature vector op basis van een getraind neuraal netwerk. Een feature vector bestaat uit 80 cijfers die informatie over het gezicht bevatten. De getallen zijn bijna gelijk als het om dezelfde persoon gaat en wijken juist af bij twee verschillende personen. Het zoeksysteem is gebaseerd op deze verschillen. In deze fase moet het systeem ontdekken welke informatie gelijk blijft wanneer een persoon bijvoorbeeld een bril gaat dragen, een baard laat groeien of een paar jaar ouder is geworden tussen de twee foto’s.

De laatste stap bestaat uit het zoeken van dit ‘gezicht’ in de fotodatabase. Om de onderzoeken en berekeningen uit te voeren die nodig waren om een zoekalgoritme te ontwerpen, had het team van ontwikkelaars van NTechlab efficiënte werkstations nodig. De keuze viel op Intel® Core™ i7 processors. Hiermee wist NTechlab een instrument te creëren dat in staat is om grote hoeveelheden gegevens efficiënt te doorzoeken. Als de database tien keer groter wordt, is de zoektijd namelijk niet tien, maar slechts anderhalf keer langer.

Het systeem kan op allerlei verschillende manieren worden gebruikt, van leuke datingapps tot nationale veiligheidssystemen. De producten van NTechlab blinken uit op het gebied van bewaking. De bestaande systemen zijn prima in staat om twee afbeeldingen te vergelijken, zoals wanneer de foto op je paspoort wordt vergeleken met de foto in de database van de luchthaven. Dat is echter niet voldoende om bijvoorbeeld de veiligheid in een stad te kunnen waarborgen. De oplossing van NTechlab kan informatie van duizenden bewakingscamera’s in realtime verwerken om criminelen zelfs in de grootste metropolen terug te vinden.

Winkelketens zouden het systeem kunnen gebruiken om kortingskaarten te vervangen. Winkeliers kunnen op basis van een foto simpelweg de gezichtskenmerken van hun klanten opslaan. De eerstvolgende keer dat de klant terugkeert, zal de bewakingscamera zijn gezicht herkennen. Dit biedt extra gebruiksgemak en klanten hoeven niet meer hun volledige naam en telefoonnummer achter te laten.

De entertainmentsector maakt gebruik van systemen waarmee bezoekers fotodatabases kunnen doorzoeken. Bezoekers kunnen selfies nemen en naar een bot versturen, die vervolgens alle foto’s verzamelt van die bezoeker. Het systeem is ideaal voor festivals, bruiloften en andere evenementen. Volgens Artem is het systeem al succesvol ingezet tijdens het Alfa Future People Festival en in een pretpark in Australië.

7а

NTechlab is niet van plan om het na de eerste successen rustig aan te doen en heeft inmiddels al een clouddienst voor gezichtsherkenning gelanceerd. Bedrijven kunnen een fotodatabase naar het systeem uploaden om deze te doorzoeken en om diensten op te baseren. Binnenkort zal een software development kit worden gelanceerd voor externe ontwikkelaars en enkele maanden daarna zal gezichtsherkenning voor bewakingssystemen in fabrieken worden geïntroduceerd.

Op het moment werkt het lab aan het optimaliseren van het algoritme en het verbeteren van de nauwkeurigheid. Het doel is om ook emoties op foto’s te herkennen en een module te ontwikkelen waarmee de machine een onderscheid kan maken tussen een echt persoon en zijn of haar foto. Kunstmatige intelligentie is sterk afhankelijk van continue ontwikkeling.

Dit artikel delen

Gerelateerde onderwerpen

Technologische innovatie

Lees dit hierna