Définir un seuil de reconnaissance faciale sans deviner

Choisissez un seuil de reconnaissance faciale en déterminant quelle erreur vous coûte le plus cher, puis en mesurant vos propres scores de reconnaissance authentique et d'imposture. Le seuil de réussite n'est pas un paramètre de qualité que vous augmentez pour « plus de sécurité ». Il s'agit d'un compromis entre deux erreurs : accepter une personne qui n'est pas celle figurant sur la pièce d'identité et refuser une personne qui l'est.

La plupart des équipes ont besoin de deux seuils, et non d'un seul : un seuil d'acceptation automatique au-dessus duquel une correspondance est automatiquement acceptée, et un seuil de refus en dessous duquel elle est rejetée. L'intervalle entre ces deux seuils est transmis à un modérateur. La suite de cet article explique comment les paramétrer correctement.

Quel est le seuil de négociation réel ?

Un système de reconnaissance faciale compare deux images et attribue un score de similarité. Les paires authentiques (représentant la même personne) obtiennent généralement un score élevé ; les paires d'imposteurs, un score faible. Les deux groupes se chevauchent, et chaque seuil définit une limite à cette zone de chevauchement.

• Fixez un seuil de réussite plus élevé , et moins d'imposteurs réussiront à passer (un taux de fausses correspondances plus faible ), mais davantage de clients authentiques échoueront (un taux de non-correspondance erronée plus élevé ).

• Réglez-le plus bas , et inversement.

L’Institut national américain des normes et de la technologie (NIST) souligne le même point dans sa directive d’authentification SP 800-63B-4 (s’ouvre dans un nouvel onglet) : un seuil choisi « met généralement l’accent sur un niveau bas ». FMR Afin d'optimiser la sécurité, car les faux positifs peuvent souvent être corrigés en répétant la mesure, la norme SP 800-63A-4 (s’ouvre dans un nouvel onglet) (juillet 2025) fixe, pour la vérification d'identité à distance, des objectifs de performance : un taux de faux positifs de 1/10 000 ou moins et un taux de faux négatifs de 1/100 ou moins. Bien qu'il s'agisse de normes fédérales américaines et non de réglementations applicables aux marchés africains, elles illustrent clairement l'objectif d'un programme sérieux : les imposteurs doivent être beaucoup plus rares que les utilisateurs authentiques rejetés.

Pourquoi une simple note de passage ne suffit-elle pas ?

Car les scores proches de la ligne sont ceux où le chiffre est le moins révélateur.

Un selfie dont le score est légèrement inférieur au seuil de réussite pourrait provenir d'un imposteur ressemblant trait pour trait, ou d'un client authentique photographié dans de mauvaises conditions d'éclairage, sur une photo d'archive vieille de dix ans. Exiger une réponse par oui ou par non revient soit à refuser de vrais clients, soit à accepter des sosies.

Un système de notation par bandes permet de gérer l'ambiguïté avec honnêteté : les notes nettement supérieures à la note de passage sont acceptées, les notes bien inférieures sont refusées, et la note intermédiaire est attribuée à une personne capable d'examiner les deux photos. La correspondance des visages API (s’ouvre dans un nouvel onglet)dans Toden Cela fonctionne ainsi : son verdict est tripartite (match,reviewouno_match), jugée par rapport à la note de passage et au seuil d'examen propres à l'organisation, et ne prend délibérément aucun seuil par demande, de sorte que chaque verdict enregistré a été jugé selon la politique enregistrée.

Attachez la bande en haut

Une erreur de configuration est suffisamment fréquente pour être signalée. Une règle de révision formulée comme « niveau de confiance égal ou supérieur au seuil minimal, envoyer en révision » prend en compte tous les scores supérieurs au seuil minimal, y compris les correspondances parfaites. La bande doit être délimitée des deux côtés :

review when: facialConfidence >= floor AND facialConfidence < passMark

Si vous élaborez la bande comme une règle de décision, vérifiez-la par rapport à une correspondance forte connue avant de la publier.

Comment déterminez-vous les chiffres à partir de vos propres données ?

Les paramètres par défaut du fournisseur ne sont qu'un point de départ, pas une solution. Vos utilisateurs, leurs téléphones, l'âge des photos enregistrées et les conditions d'éclairage influencent tous la distribution des scores. Voici une méthode d'étalonnage pratique.

1. Commencez par les paramètres par défaut et collectez les données. Laissez tourner le système pendant quelques semaines avec une marge d'examen large, afin que davantage de cas limites soient soumis aux examinateurs que vous ne le souhaiterez au final.

2. Étiquetez les paires examinées. Demandez aux examinateurs de consigner un résultat clair pour chaque paire : même personne, personne différente ou photo inutilisable. Les photos inutilisables ne constituent pas une preuve d’identité ; elles ne doivent pas être prises en compte.

3. Tracez deux histogrammes : l’un représentant le nombre de paires étiquetées « même personne », l’autre le nombre de paires étiquetées « personnes différentes ». Vous pouvez ainsi visualiser vos propres zones de chevauchement.

4. Définissez le seuil de réussite du point de vue de l'imposteur. Choisissez le score au-dessus duquel les imposteurs identifiés sont quasiment inexistants. C'est à ce niveau que l'acceptation automatique est sans risque.

5. Définissez le niveau de départ du côté authentique. Choisissez le score en dessous duquel les paires authentiques sont extrêmement rares. En dessous, refusez ou demandez une nouvelle tentative.

6. Adaptez la taille du groupe à votre capacité de traitement. Si le nombre de cas traités dépasse les délais de votre équipe, réduisez-le et déterminez clairement le type d'erreur que vous acceptez en plus grand nombre.

7. Répétez l'opération. Revérifiez après avoir modifié les flux de capture, ajouté des marchés ou constaté un nouveau schéma de fraude.

Prenons un exemple : un organisme de crédit constate, parmi plusieurs centaines de paires de dossiers étiquetés, que les fraudeurs obtiennent rarement un score supérieur à 80 % et les clients légitimes rarement un score inférieur à 65 %. Il fixe le seuil de réussite près du haut de la distribution des fraudeurs et le seuil d’acceptation près du bas de celle des clients légitimes, puis soumet l’écart à un examen. Les chiffres présentés ici sont donnés à titre indicatif ; les vôtres proviendront de vos propres histogrammes.

Le seuil devrait-il différer selon la source de la photo ou selon le groupe ?

Par source photographique, privilégiez l'itinéraire plutôt que le retour. Un selfie comparé à une photo officielle, un portrait authentifié par puce électronique et une photo imprimée sur un document ne constituent pas des preuves d'égale valeur, et une comparaison avec une photo imprimée est moins probante si le document lui-même est falsifié. Toden les résultats indiquent quelle photo a été utilisée (facialMatchSource:gov_record,chipoudocument), et une règle de décision peut envoyer des correspondances document-photo à examiner quel que soit le score.

Par groupe démographique, non. NIST La norme SP 800-63A-4 indique que le système doit être configuré avec un seuil fixe, et non un seuil par groupe démographique, et que les performances de chaque groupe ne doivent pas être inférieures de plus de 25 % à celles de l'ensemble de la population. Si vos données d'analyse révèlent qu'un groupe présente des défaillances plus fréquentes, la solution consiste à améliorer la capture (éclairage, guidage, qualité de la caméra) ou à utiliser un modèle plus performant, et non à créer une ligne de production distincte.

Comment intégrer cela dans un flux de travail ?

Dans Toden Dans un flux de travail , il est possible de définir un seuil de réussite et une plage de révision. Cette plage correspond à une règle de décision.verification.facialConfidence, une note de 0 à 100, comprise entre la note minimale et la note de passage, qui correspond au résultat de l'évaluation ; le document de décision (s’ouvre dans un nouvel onglet) précise ce champ. Quelques remarques pratiques :

• N'incluez pas le score dans le message du candidat. Toden l'interface avec les candidatsreasonIl indique les éléments qui n'ont pas correspondu et la marche à suivre, sans attribuer de score ni de seuil. L'affichage de la barre permet à l'imposteur de savoir à quel point il était proche de la vérité.

• Consignez chaque modification. Lorsqu'un examinateur approuve une quasi-erreur, le résultat est conservé.checkStatus: failedetreasonCode: selfie_mismatchoutre l'approbation, qui est le document demandé par un auditeur.

• Testez le groupe avant la mise en production. Les identifiants de test en environnement de test incluent un scénario de non-concordance de selfie, vous permettant ainsi de vérifier que votre règle achemine correctement les correspondances erronées là où vous le souhaitez.

La règle de décision

Avant de modifier un curseur, rédigez votre politique en une phrase : « Nous acceptons automatiquement les demandes supérieures à X car les faux profils n’atteignent presque jamais ce niveau ; nous les refusons en dessous de Y car les clients authentiques n’atteignent presque jamais ce niveau ; toutes les demandes intermédiaires sont examinées par une personne sous Z heures. » Si vous ne pouvez pas encore renseigner X, Y et Z à partir de vos propres données, utilisez une large fourchette en attendant.