Comprendre la technologie de reconnaissance faciale dans les enquêtes médico-légales modernes
La technologie de reconnaissance faciale est devenue l'un des outils les plus transformateurs de l'analyse des lieux de crime judiciaire au cours de la dernière décennie. Cette technologie biométrique sophistiquée permet aux organismes d'application de la loi d'identifier les suspects, les victimes et les témoins avec une rapidité et une efficacité sans précédent, ce qui modifie fondamentalement la façon dont les enquêtes criminelles sont menées.
Selon le Gouvernement américain, plus des deux tiers des services de police utilisent la technologie de reconnaissance faciale à certaines conditions, bien que les applications varient considérablement d'un contrôle d'accès aux installations à des enquêtes criminelles actives. Au moins 3 750 organismes d'application de la loi des États et des collectivités locales et 20 organismes fédéraux déclarent utiliser la technologie de reconnaissance faciale, et beaucoup prévoient d'étendre leur déploiement dans les années à venir.
Malgré sa prévalence croissante, la technologie de reconnaissance faciale dans les contextes médico-légaux demeure controversée. L'intersection de l'intelligence artificielle, de l'identification biométrique et de la justice pénale soulève des questions complexes sur l'exactitude, l'équité, la vie privée et les libertés civiles.
La science derrière les systèmes de reconnaissance faciale
Comment fonctionnent les algorithmes de reconnaissance faciale
La technologie de reconnaissance faciale fonctionne par un processus sophistiqué en plusieurs étapes qui convertit les visages humains en données numériques qui peuvent être analysées, comparées et appariées. Le système commence par détecter un visage dans une image ou une image, le distinguant de l'arrière-plan et d'autres objets. Une fois qu'un visage est détecté, l'algorithme identifie des points de repère faciales clés, des points spécifiques sur le visage tels que les coins des yeux, la pointe du nez, les bords de la bouche et les contours de la mâchoire.
Ces caractéristiques faciales sont ensuite mesurées et analysées pour créer une représentation numérique unique, souvent appelée signature ou modèle faciale. L'algorithme calcule les distances entre les différents repères facials, analyse la géométrie des structures faciales et capture des caractéristiques distinctives qui différencient une personne d'une autre. Cette représentation mathématique permet aux ordinateurs de « reconnaître » et de comparer les visages.
La dernière étape consiste à comparer ce modèle facial à une base de données de visages connus. Le système génère un score ou un niveau de confiance de similitude indiquant à quel point l'image de la sonde (le visage inconnu analysé) correspond aux images de référence de la base de données. Lorsqu'une correspondance potentielle est identifiée, le système renvoie généralement une liste de candidats classés plutôt qu'une seule identification définitive.
Évolution de la reconnaissance faciale en sciences judiciaires
Le parcours de l'IA en science légale a commencé à la fin du XXe siècle, principalement en ce qui concerne l'automatisation des tâches de reconnaissance des motifs. L'introduction du Système automatisé d'identification des empreintes digitales (AFIS) dans les années 1980 a marqué un moment crucial, démontrant que l'identification biométrique pouvait être automatisée avec succès.
Dès la première tentative de reconnaissance faciale des mugshots, les techniques de reconstruction 3D ont été exploitées pour faire face à certains des problèmes typiques des cas médico-légaux, en essayant d'établir l'identité des individus inconnus contre un ensemble de données de référence. Ces systèmes précoces ont eu du mal à faire face aux variations de l'éclairage, de la pose, des expressions faciales et de la qualité de l'image.
Les systèmes modernes de reconnaissance faciale tirent parti des réseaux d'apprentissage profond et de neurones, ce qui représente un saut quantique dans la capacité. Ces algorithmes avancés peuvent apprendre à identifier les visages à partir de ensembles de données massives, à s'adapter aux variations de l'apparence, au vieillissement, aux occlusions partielles et aux conditions environnementales difficiles.
Infrastructure de base de données et dépôts d'images
Selon l'ACLU, la base de données sur la reconnaissance faciale du FBI comprend des centaines de millions de photos, dont beaucoup sont tirées des registres de permis de conduire. Ces bases de données proviennent de multiples sources, notamment des dépôts de photos de photos de photos de permis de conduire, des images de passeports et, de plus en plus, des images extraites des médias sociaux et des sites Web publics.
Des outils comme Clearview AI, Amazon Rekognition et Oosto permettent d'accéder à plus de 50 milliards d'images identifiées extraites de sites Web publics, de dossiers de DMV, de postes frontaliers, etc. Cette échelle massive permet aux forces de l'ordre de jeter un large filet lorsqu'elles cherchent des correspondances potentielles, mais elle soulève également des préoccupations importantes en matière de protection de la vie privée au sujet de la collecte et de l'utilisation de données biométriques sans consentement explicite.
La composition et la qualité de ces bases de données ont une incidence considérable sur le rendement des systèmes.Les ensembles de données de formation qui manquent de diversité ou contiennent des représentations biaisées peuvent conduire à des algorithmes qui fonctionnent mal sur les groupes démographiques sous-représentés, un défi qui est apparu comme l'une des préoccupations les plus graves concernant la technologie de reconnaissance faciale dans l'application de la loi.
Applications de la reconnaissance faciale dans l'analyse des scènes de crime médico-légal
Identification du suspect et enquête
La reconnaissance faciale dans les contextes médico-légaux est principalement utilisée pour identifier les suspects à partir de preuves de lieux de crime. Lorsque des caméras de surveillance capturent des images ou des vidéos de personnes qui commettent des crimes, les systèmes de reconnaissance faciale peuvent rapidement rechercher des bases de données pour générer des pistes.
Les organismes d'application de la loi utilisent la technologie pour analyser les images des caméras de sécurité dans les magasins de détail, les banques, les systèmes de transport en commun et d'autres endroits où des crimes se produisent. La rapidité de la reconnaissance faciale automatisée permet aux enquêteurs de traiter des heures de vidéo et de comparer des milliers de visages dans une fraction du temps que l'examen manuel exigerait.
Cependant, il est crucial de comprendre que la plupart des organismes d'application de la loi traitent les résultats de la reconnaissance faciale comme des pistes d'enquête plutôt que comme des identifications définitives. La politique de la NYPD prévoit que la reconnaissance faciale peut être utilisée pour identifier les personnes susceptibles d'être intéressées, mais exige des preuves corroborantes avant que des mesures soient prises, en indiquant que le processus de reconnaissance faciale ne permet pas en soi d'établir un motif probable d'arrestation ou de mandat de perquisition.
Cas d'identification des victimes et de personnes disparues
Au-delà de l'identification des suspects, la technologie de reconnaissance faciale sert des fins humanitaires dans les enquêtes médico-légales. Lorsque les victimes ne peuvent pas être identifiées par des moyens traditionnels, comme dans les incidents de masse, les catastrophes naturelles ou les cas impliquant des restes gravement décomposés, la reconnaissance faciale peut aider à établir l'identité en comparant des images postmortem ou des visages reconstruits avec des bases de données de personnes disparues.
La technologie de reconnaissance faciale a été utile dans les cas de personnes disparues et d ' identification des victimes de catastrophes naturelles et de accidents, ce qui peut permettre de fermer les familles et de mener des enquêtes sur les décès, ainsi que d ' identifier les victimes de la traite des êtres humains ou d ' autres crimes lorsque les victimes ne peuvent pas ou ne veulent pas s ' identifier.
Dans les enquêtes sur les personnes disparues, la reconnaissance faciale permet aux services de police de comparer les images de personnes non identifiées à celles de bases de données sur les personnes disparues, ce qui pourrait relier des cas entre les juridictions et les périodes de temps.
Surveillance Analyse des pieds et reconnaissance des motifs
Les environnements urbains modernes sont saturés de caméras de surveillance, générant d'énormes volumes de vidéocassettes quotidiennes. L'examen manuel de ces images pour identifier les personnes concernées prendrait beaucoup de temps. La technologie de reconnaissance faciale permet aux enquêteurs de rechercher efficacement à travers de vastes archives de vidéosurveillance pour localiser des personnes spécifiques ou identifier des modèles de mouvement et d'association.
Les systèmes de reconnaissance faciale peuvent analyser de grands volumes de séquences de surveillance pour identifier les profils et les liens entre les personnes qui participent à des activités criminelles, ce qui peut aider à découvrir les réseaux criminels et à identifier les récidivistes.
Cette capacité s'étend au-delà des enquêtes individuelles.Les organismes d'application de la loi utilisent la reconnaissance faciale pour identifier les tendances dans les activités criminelles, suivre les délinquants connus et surveiller les secteurs où la criminalité est élevée.
Emplacement des témoins et priorité des entrevues
En analysant les images de surveillance depuis le moment et le lieu d'un incident, les enquêteurs peuvent identifier des personnes qui ont pu observer des événements pertinents, ce qui peut être particulièrement utile dans les cas où les témoins hésitent à se présenter ou ne se rendent pas compte qu'ils possèdent des renseignements importants.
La technologie peut également aider à établir un ordre de priorité pour les témoins potentiels à interroger en identifiant les personnes qui étaient à proximité d'événements clés ou qui apparaissent à plusieurs reprises dans des séquences de temps et d'endroits pertinents.
Intégration avec d'autres technologies judiciaires
Des études récentes évaluent le potentiel des outils d'intelligence artificielle contemporains en tant que systèmes d'aide à la décision dans l'analyse d'images médico-légales, en examinant comment ces outils peuvent augmenter et améliorer le travail des experts en médecine légale.
Par exemple, la reconnaissance faciale peut être combinée à l'analyse de la démarche, qui identifie les individus en fonction de leurs habitudes de marche, ou à d'autres identificateurs biométriques tels que des tatouages, des cicatrices ou des caractéristiques physiques distinctives.
Les systèmes avancés intègrent également des techniques de reconstruction faciale 3D pour relever les défis posés par les poses non frontales ou les occlusions partielles. La communauté de recherche a proposé d'utiliser la reconstruction 3D pour la reconnaissance faciale à partir de vidéos et d'images de sonde acquises dans des environnements non perturbés afin de fournir plus d'information sur les visages individuels par la génération de vues multiples ou la correction de la pose dans les données de sonde.
Avantages et avantages de la reconnaissance faciale dans les enquêtes judiciaires
Vitesse et efficacité du traitement des preuves
L'un des avantages les plus importants de la technologie de reconnaissance faciale dans les contextes médico-légaux est l'augmentation spectaculaire de la vitesse de traitement par rapport aux méthodes manuelles. La principale différence par rapport à la revue traditionnelle des caméras de surveillance est que les détections de visage et les allumettes sont maintenant effectuées automatiquement par la technologie spécifique de l'IA, ce qui peut prendre des jours ou des semaines d'analyses humaines pour accomplir — en examinant des heures de surveillance et en comparant les visages aux bases de données — peut être complété par des systèmes automatisés en quelques minutes ou en quelques heures.
Cette efficacité permet aux enquêteurs de poursuivre plus rapidement les pistes, de prévenir d'autres crimes ou d'appréhender les suspects avant qu'ils ne fuient. Dans les enquêtes à long terme, comme les enlèvements ou les menaces continues à la sécurité publique, la rapidité de la reconnaissance faciale peut être d'une importance cruciale.
Capacités de comparaison de l'échelle et de la base de données
Les outils d'IA excellent dans le traitement rapide de gros ensembles de données et d'identifier des modèles subtils qui pourraient échapper aux analystes humains tout en réduisant potentiellement les erreurs de procédure. Les chercheurs humains ne peuvent pas comparer une seule image de sonde à des millions d'images de référence, mais les systèmes de reconnaissance faciale effectuent de telles comparaisons de façon régulière.
La technologie peut effectuer simultanément des recherches dans plusieurs bases de données, permettant de repérer des correspondances dans les casiers judiciaires, les bases de données sur les personnes disparues et d'autres dépôts en une seule opération.
Cohérence et objectivité dans le dépistage initial
Les algorithmes de reconnaissance faciale appliquent des critères cohérents lorsqu'on compare des visages, contrairement aux observateurs humains dont la performance peut varier selon la fatigue, les biais cognitifs ou les jugements subjectifs. La technologie ne connaît pas les mêmes limites que les examinateurs humains qui peuvent lutter contre l'identification croisée ou être influencés par des informations contextuelles sur des cas.
Lorsqu'elle est correctement mise en œuvre comme outil d'enquête plutôt qu'une méthode d'identification définitive, la reconnaissance faciale peut fournir un dépistage initial objectif que les enquêteurs humains peuvent ensuite vérifier et corroborer par des preuves supplémentaires.Cette division du travail – les machines qui manipulent le dépistage initial en grand nombre et les humains qui appliquent le jugement critique aux pistes prometteuses – peut optimiser les ressources d'enquête.
Capacités d'enquête améliorées
La technologie de reconnaissance faciale permet d'effectuer des enquêtes qui étaient auparavant peu pratiques ou impossibles. Les enquêteurs peuvent maintenant identifier des personnes inconnues à partir de séquences historiques, suivre les mouvements à travers plusieurs endroits et périodes, et identifier les associés et les modèles d'association. Ces capacités peuvent aider à résoudre les cas de froid en appliquant la technologie moderne à de vieilles preuves et peuvent révéler des réseaux criminels et des modèles que l'enquête manuelle pourrait manquer.
La technologie permet également aux enquêteurs de travailler avec des preuves partielles ou dégradées qui pourraient être inutilisables pour l'identification humaine. Bien que la précision diminue avec la mauvaise qualité de l'image, les systèmes de reconnaissance faciale peuvent parfois générer des pistes utiles même à partir de matériaux de source difficiles, fournissant des points de départ pour les enquêtes qui pourraient autrement s'arrêter.
Défis et limites critiques
Questions d'exactitude et dépendance de la qualité de l'image
Bien que la technologie de reconnaissance faciale soit souvent promue comme étant très précise, la précision a été testée principalement dans des environnements avec des images de haute qualité. Il est possible que les algorithmes fonctionnent moins bien dans des images de faible qualité telles que celles souvent utilisées par les services de détection et de répression.
Les recherches révèlent que les taux de faux positifs atteignent un sommet près de la qualité de l'image de base, tandis que les faux négatifs augmentent à mesure que la dégradation s'intensifie, surtout avec un flou et une faible résolution.
La performance de la technologie de reconnaissance faciale se dégrade dans de mauvaises conditions d'image, notamment avec un flou, une variation et une résolution réduite, et cette dégradation n'est pas répartie uniformément entre les groupes démographiques.
L'exactitude de l'algorithme à elle seule n'est pas suffisante : nous devons également évaluer l'exactitude de l'utilisation réelle dans la pratique, y compris la façon dont les utilisateurs humains pré-procédent et manipulent les données. Il y a un cas documenté où un policier a copié des traits faciaux à partir d'images haute résolution et les a collées sur une photo suspecte de mauvaise qualité à l'aide de logiciels informatiques avant de procéder à une recherche de base de données.
Taux de biais démographiques et d'erreurs disparates
Les programmes de reconnaissance faciale utilisés par les organismes d'application de la loi pour identifier les suspects de crime sont beaucoup plus susceptibles d'être trompés sur les images faciales représentant des tons plus foncés de la peau et des femmes que sur les images faciales représentant des hommes caucasiens.
L'ampleur de ces disparités est frappante. Le taux d'erreur chez les hommes à peau claire est de 0,8 %, comparativement à 34,7 % chez les femmes à peau foncée, selon une étude de 2018 intitulée « Gender Shades ». Un rapport de l'Institut national des normes et technologies (NIST) de 2019, qui a testé 189 algorithmes de reconnaissance faciale de 99 développeurs, a révélé que les visages afro-américains et asiatiques étaient entre 10 et 100 fois plus susceptibles d'être mal identifiés que les visages blancs masculins.
Les taux d'erreur sont constamment plus élevés chez les femmes et les Noirs, les femmes noires étant les plus touchées, ce qui signifie que la technologie est plus susceptible de produire des correspondances fausses, pouvant conduire à des enquêtes ou à des arrestations injustifiées, pour les membres de groupes démographiques qui ont déjà des contacts disproportionnés avec le système de justice pénale.
Les sources de ce biais sont multiples. La représentation disproportionnelle des hommes blancs dans les images de formation produit des algorithmes biaisés parce que les Noirs sont surreprésentés dans les bases de données de mugshot et d'autres dépôts d'images couramment utilisés par la police. Les experts attribuent ces constatations en grande partie à la transmission inconsciente des ingénieurs de « biais de soi-même » en algorithmes.
Arrestations et erreurs d ' identification
Les conséquences des erreurs de reconnaissance faciale vont au-delà des préoccupations abstraites concernant l'exactitude, qui causent de réels dommages aux personnes réelles. Robert Williams, résident du Michigan, a été arrêté pour un crime qu'il n'a pas commis parce qu'un système de reconnaissance faciale a incorrectement suggéré qu'il était le suspect vu dans les images de caméras de sécurité.
La police arrête des personnes sur la base de faux allumettes, comme Nijeer Parks, un Noir qui a été arrêté et détenu à tort dans le New Jersey pendant dix jours parce que la police a fait confiance aux résultats de la reconnaissance faciale, sans compter les preuves évidentes exonérantes.Ces cas illustrent comment la dépendance excessive à l'égard des résultats de la reconnaissance faciale, combinée à des préjugés de confirmation et à une corroboration insuffisante, peut conduire à de graves erreurs judiciaires.
Ces erreurs ont des conséquences réelles, l'enquête et l'arrestation d'un nombre inconnu de personnes innocentes et la privation de la légalité de beaucoup d'autres. L'étendue complète des enquêtes et des arrestations injustifiées découlant d'erreurs de reconnaissance faciale demeure inconnue, car de nombreuses juridictions n'exigent pas la divulgation de l'utilisation de la reconnaissance faciale dans les enquêtes.
Manque de normalisation et de validation scientifique
La reconnaissance automatique des visages n'est pas normalisée et la validation doit être utilisée devant les tribunaux. Sa fiabilité au tribunal souffre encore de l'absence de normalisation méthodologique et de validation empirique, notamment lors de l'utilisation de systèmes automatiques.
Comme on l'utilise actuellement dans les enquêtes criminelles, la reconnaissance faciale est probablement une source peu fiable de preuves d'identité. La technologie varie considérablement selon les fournisseurs et les implémentations, avec différents algorithmes produisant des résultats différents sur les mêmes images.
L'algorithme et les étapes humaines dans une recherche de reconnaissance faciale peuvent chacune aggraver les erreurs de l'autre. Puisque les visages contiennent intrinsèquement des informations biaisantes telles que les caractéristiques démographiques, les expressions et les comportements supposés, il peut être impossible d'éliminer le risque de biais et d'erreur.
Sur-reliance humaine et partialité de confirmation
Une enquête menée auprès des médias a révélé que certains agents de la force publique considèrent les résultats de la technologie de reconnaissance faciale comme des pistes définitives plutôt que des pistes d'enquête, par exemple, en faisant référence à un match non vérifié comme étant « 100 % ».
Lorsque les enquêteurs reçoivent une correspondance de reconnaissance faciale, le biais de confirmation peut les amener à interpréter des preuves ambiguës comme appuyant la concordance plutôt que d'évaluer de façon critique si l'identification est correcte. Cette tendance psychologique, combinée à la pression temporelle et aux contraintes de ressources, peut entraîner une vérification insuffisante des pistes de reconnaissance faciale.
Les chercheurs ne comprennent peut-être pas entièrement que ces scores reflètent la confiance algorithmique plutôt que la probabilité réelle d'une identification correcte, et que les scores de confiance peuvent être trompeurs, surtout lorsque les systèmes fonctionnent en dehors de leurs paramètres de performance validés.
Préoccupations en matière de protection de la vie privée et conséquences pour les libertés civiles
Surveillance de masse et capacités de suivi
L'utilisation généralisée de la technologie de reconnaissance faciale soulève de sérieuses questions sur la vie privée. La technologie permet une surveillance en temps réel à grande échelle. Si elle est liée à des caméras publiques, la reconnaissance faciale peut suivre les mouvements d'une personne dans une ville à leur insu ou sans leur consentement.
Dans un tel monde, les gouvernements pourraient utiliser la surveillance faciale pour nous suivre précisément au moment de notre sortie de la maison, d'assister à une manifestation ou de prendre le transport en commun au bureau du médecin.Cette capacité de surveillance menace les libertés fondamentales, y compris la liberté d'association, la liberté de circulation et la liberté d'expression, car les individus peuvent se faire censeur ou éviter certaines activités s'ils savent qu'ils sont suivis.
La reconnaissance faciale est généralement utilisée par la police à la suite d'un crime, mais les libertés civiles et les préoccupations en matière de vie privée sont renforcées par l'idée que la technologie pourrait être utilisée pour scanner les visages en temps réel, avec des données de géolocalisation attachées. La reconnaissance faciale en temps réel représente une menace qualitativement différente de l'analyse rétrospective des images, car elle permet une surveillance et un suivi continus des individus qui se déplacent dans les espaces publics.
Questions liées à l'expansion de la base de données et au consentement
Les bases de données qui alimentent les systèmes de reconnaissance faciale se sont considérablement développées, souvent sans le consentement explicite des personnes dont les images sont incluses. Les photos de permis de conduire, les images de passeport et les photos radiées des plateformes de médias sociaux peuplent des bases de données que les personnes ne savent pas peut-être pas exister ou réaliser sont utilisées à des fins d'application de la loi.
La plupart des personnes dont les images figurent dans les bases de données de reconnaissance faciale n'ont jamais consenti à leur utilisation à des fins d'application de la loi. La collecte et l'utilisation de données biométriques sans consentement éclairé sont en conflit avec les principes d'autonomie corporelle et d'autodétermination informationnelle qui sous-tendent le droit à la vie privée dans les sociétés démocratiques.
Le Royaume-Uni utilise la reconnaissance faciale en direct dans les espaces publics en vertu des directives de police et de protection de la vie privée, tandis que les pays nordiques comme la Finlande, les Pays-Bas et la Suède l'utilisent principalement pour l'identification rétrospective. La Suède prévoit d'étendre les bases de données biométriques et de recouper les suspects avec les données de migration à partir de 2025.
Effets du refroidissement sur la libre expression et l'assemblée
Dans les mauvaises mains et sans restrictions légales, ces informations peuvent être utilisées pour la surveillance invasive, pouvant refroidir la liberté d'expression et décourager les manifestations publiques. Lorsque des personnes savent ou soupçonnent qu'elles peuvent être identifiées et suivies par reconnaissance faciale lors de rassemblements publics, elles peuvent choisir de ne pas exercer leur droit de manifester, de participer à des rassemblements politiques ou de participer à d'autres formes d'expression publique.
Cet effet effrayant est particulièrement préoccupant dans le contexte de la dissidence politique et des mouvements sociaux. La connaissance que la reconnaissance faciale peut être utilisée pour identifier les manifestants peut dissuader la participation à des manifestations, même lorsque ces manifestations sont tout à fait légales. Cela menace le fonctionnement de la société démocratique, qui dépend de la capacité des citoyens à exprimer librement la dissidence et à s'organiser collectivement sans crainte de surveillance et de représailles du gouvernement.
Une fois qu'une infrastructure de reconnaissance faciale est en place, elle peut être réaffectée à des fins qui ne sont pas justifiées par sa nature initiale. Un système mis en place pour identifier les criminels violents pourrait être réorienté pour suivre les dissidents politiques, surveiller les minorités religieuses ou surveiller les communautés marginalisées.
Impact disproportionné sur les collectivités marginalisées
Les répercussions de la reconnaissance faciale sur la vie privée ne sont pas réparties de façon égale entre les différentes sociétés. Les communautés qui subissent déjà des activités de police et de surveillance disproportionnées sont confrontées à des charges supplémentaires dues au déploiement de la reconnaissance faciale.
Les préjugés peuvent conduire à une enquête injustifiée de la part de la police sur la base de critères raciaux et de critères de genre, ce qui signifie que la technologie de reconnaissance faciale non seulement ne fournit pas une protection égale, mais aggrave activement les inégalités existantes dans le système de justice pénale.
La combinaison des biais démographiques dans les algorithmes de reconnaissance faciale et des modèles existants de services de police discriminatoires crée une boucle de rétroaction. Les algorithmes biaisés produisent plus de faux correspondances pour certains groupes démographiques, ce qui entraîne davantage de contacts d'enquête, ce qui peut générer plus de entrées de base de données, ce qui peut perpétuer et amplifier les biais dans le système.
Considérations éthiques et implications philosophiques
Égalité devant la loi et principes démocratiques libéraux
L'utilisation de technologies de reconnaissance faciale biaisées par les forces de l'ordre est incompatible avec l'exigence libérale classique selon laquelle le gouvernement traite tous les citoyens de façon égale devant la loi.
Ce défi philosophique va au-delà des questions techniques sur la performance des algorithmes. Même si la technologie de reconnaissance faciale pouvait être parfaitement précise pour tous les groupes démographiques – un objectif qui pourrait être inaccessible – son déploiement pour la surveillance de masse soulèverait encore de profondes questions sur la relation appropriée entre les citoyens et l'État dans une société libre.
En définissant les technologies de reconnaissance faciale comme intelligence artificielle, nous mettons en évidence l'objectivité de la prise de décision assistée par la machine, ce qui donne une fausse impression que les résultats produits par ces technologies sont exempts d'erreurs que nos yeux ou nos esprits font souvent. Cependant, l'IA n'est pas entièrement objective; c'est un ensemble de codes écrits par les humains, et donc il suit les règles que les humains y mettent.
Transparence et responsabilisation : défis
La reconnaissance faciale a été utilisée comme cause probable pour procéder à des arrestations malgré des assurances contraires.Les preuves obtenues grâce à des perquisitions de reconnaissance faciale sont déjà utilisées dans les affaires pénales, et l'accusé a été privé de la possibilité de contester cette décision.
De nombreuses juridictions n'exigent pas que les services de détection et de répression divulguent lorsque la reconnaissance faciale a été utilisée dans une enquête, ce qui empêche les défendeurs de contester la fiabilité des preuves ou d'identifier les sources potentielles d'erreurs.
Cette opacité est en contradiction avec les principes de justice pénale qui exigent que les accusés aient la possibilité de faire face à des preuves et de contester des preuves contre eux. Lorsque les méthodes utilisées pour identifier les suspects sont cachées derrière des algorithmes propriétaires et des techniques d'enquête non divulguées, un défi significatif devient impossible.
L'automatisation de la discrimination
La reconnaissance faciale automatise la discrimination. En codant les biais existants dans les systèmes algorithmiques et en déployant ces systèmes à l'échelle, la technologie de reconnaissance faciale peut systématiser et amplifier les modèles discriminatoires qui pourraient autrement être contestés ou atténués par le jugement et la surveillance humains.
L'utilisation de la technologie de reconnaissance faciale dépend de la discrétion humaine, car elle est déployée et utilisée par les humains, ce qui introduit un potentiel de biais humain supplémentaire. Cela signifie que même si les algorithmes pouvaient être rendus parfaitement neutres, la façon dont les humains choisissent de déployer et d'agir sur les résultats de la reconnaissance faciale continuerait d'introduire un biais dans le système.
Le défi éthique est aggravé par le placage d'objectivité qui entoure la prise de décision algorithmique. Lorsqu'un système informatique produit un résultat, il peut être perçu comme plus objectif ou plus fiable que le jugement humain, même si le système est en fait moins précis ou plus biaisé. Ce « biais d'automation » peut conduire à un examen insuffisant des résultats de la reconnaissance faciale et à une dépendance excessive à l'égard de technologies déficientes.
Cadres réglementaires et développements juridiques
Réglementations d'État et locales aux États-Unis
Au début de 2025, 15 États — Washington, Oregon, Montana, Utah, Colorado, Minnesota, Illinois, Alabama, Virginie, Maryland, New Jersey, Massachusetts, New Hampshire, Vermont et Maine — avaient adopté une législation concernant la reconnaissance faciale dans les services de police, qui varie considérablement selon leurs approches et leur rigueur.
Certains États, comme le Montana et l'Utah, exigent un mandat pour que la police utilise la reconnaissance faciale, tandis que d'autres, comme le New Jersey, disent que les accusés doivent être informés de son utilisation dans les enquêtes.
Au moins sept autres États envisagent des lois pour clarifier comment et quand la technologie peut être utilisée — des législateurs de Géorgie, d'Hawaii, du Kentucky, du Massachusetts, du Minnesota, du New Hampshire et de Virginie occidentale ont introduit une législation.
Plus d'une douzaine de grandes villes ont interdit la technologie, y compris Minneapolis, Boston, et San Francisco. Ces interdictions municipales représentent une approche plus restrictive, reflétant les déterminations que les risques de reconnaissance faciale l'emportent sur ses avantages pour l'application de la loi locale.
Approches réglementaires internationales
L'Union européenne a reconnu ces risques par une législation globale, qui interdit presque complètement la reconnaissance faciale en temps réel par les autorités de police, ce qui représente l'une des approches réglementaires les plus restrictives au monde, reflétant l'accent mis par l'Union européenne sur le droit à la vie privée et la prudence à l'égard des technologies de surveillance.
Au début de 2025, 15 États avaient adopté des lois réglementant l'utilisation de la technologie de reconnaissance faciale dans les services de police, et les tribunaux commencent à exiger la divulgation lorsque la reconnaissance faciale est utilisée.
Certains pays ont adopté des approches différentes fondées sur leurs traditions juridiques, leurs normes en matière de protection de la vie privée et leur évaluation des risques et des avantages de la technologie.Certains pays autorisent la reconnaissance faciale avec des mesures de protection, d'autres la limitent à des cas d'utilisation spécifiques, et d'autres encore ont interdit certaines applications entièrement.
Appels à la Moratoria et à l'Action fédérale
Les organisations de défense des libertés civiles soutiennent que les problèmes documentés de la technologie avec exactitude, partialité et atteinte à la vie privée justifient une pause dans le déploiement jusqu'à ce que ces questions puissent être traitées adéquatement.
Bien qu'il soit important que les services de police aient la possibilité d'expérimenter de nouvelles technologies, l'IA ne devrait pas aider à prendre des décisions dans les affaires criminelles tant que la technologie n'en aura pas amélioré l'exactitude. Il devrait y avoir un moratoire sur la mise en oeuvre à grande échelle pour analyser les données issues d'études pilotes afin d'évaluer les résultats des services de police.
Les partisans des moratoires soutiennent qu'une fois que l'infrastructure de reconnaissance faciale est largement déployée, il devient politiquement et pratiquement difficile de reculer, même si de graves problèmes surgissent. Ils soutiennent que l'établissement de normes de protection et de validation appropriées avant un déploiement généralisé est préférable à essayer de réglementer une technologie déjà engagée.
Normes de preuve et contrôle judiciaire
Les normes d'admissibilité des preuves scientifiques des tribunaux constituent un cadre précieux pour évaluer la validité de ces outils. À mesure que la technologie de reconnaissance faciale se rapproche de l'utilisation des preuves, elle doit satisfaire aux mêmes normes scientifiques que les tribunaux s'appliquent aux autres méthodes de criminalistique, ce qui signifie démontrer la fiabilité, la validité, les taux d'erreur connus et l'acceptation générale au sein de la communauté scientifique pertinente.
Actuellement, la technologie de reconnaissance faciale ne respecte pas souvent ces normes. L'absence de normalisation entre les systèmes, l'absence d'études de validation exhaustives dans des conditions réelles et les problèmes documentés de partialité et d'exactitude soulèvent des questions sur la question de savoir si les preuves de reconnaissance faciale devraient être recevables devant les tribunaux.
Certains tribunaux ont commencé à exiger la divulgation lorsque la reconnaissance faciale a été utilisée pour générer des pistes d'enquête, même si les résultats de la technologie ne sont pas présentés directement comme des éléments de preuve, ce qui représente une étape importante vers la transparence et la reddition de comptes, permettant aux défendeurs d'enquêter sur les sources potentielles d'erreurs et de contester les identifications qui pourraient avoir été influencées par des correspondances de reconnaissance faciale erronées.
Voies vers l'amélioration et l'utilisation responsable
Améliorations techniques pour réduire les risques de partialité
Les chercheurs en informatique, qui sont maintenant de plus en plus conscients des biais démographiques dans la technologie de reconnaissance faciale, commencent à élaborer des programmes conçus spécifiquement pour éliminer ces biais. Des programmes comme « DebFace » apprennent à contrôler la race, le sexe et l'âge afin de mieux distinguer et identifier les traits du visage dans ces données démographiques.
L'utilisation de divers ensembles de formation peut aider à réduire les biais dans la performance technologique de la reconnaissance faciale. Les algorithmes apprennent à comparer les images par la formation avec un ensemble de photos.
La recherche montre que le logiciel est beaucoup mieux pour identifier les membres de la course du programmeur. Diversifier les équipes qui développent des algorithmes de reconnaissance faciale peut aider à identifier et à corriger les biais qui pourraient autrement passer inaperçus par des équipes de développement homogènes.
Les recherches futures devraient porter sur le perfectionnement des algorithmes de reconnaissance faciale pour atténuer ces biais et sur l'élaboration de lignes directrices claires pour l'utilisation appropriée de la technologie de reconnaissance faciale dans les contextes d'enquête.
Mesures de sauvegarde opérationnelles et pratiques exemplaires
Même avec des algorithmes améliorés, les garanties opérationnelles sont essentielles pour prévenir les abus et minimiser les dommages. Pour les dirigeants de police, des minimums de scores de similitude uniformes doivent être appliqués aux matches. Après que le logiciel de reconnaissance faciale génère une gamme de suspects potentiels, il classe les candidats en fonction des scores de similitude.
En plus des agents qui guident les agents qui utilisent cette technologie, la police et les procureurs devraient également divulguer qu'ils ont utilisé la reconnaissance faciale automatisée lorsqu'ils demandent un mandat. Les exigences en matière de formation et de divulgation aident à assurer que la reconnaissance faciale est utilisée de façon appropriée et que ses limites sont comprises par tous les participants au processus de justice pénale.
Les chercheurs devraient chercher des preuves indépendantes pour confirmer les résultats des matches avant de prendre des mesures fondées sur les résultats de la reconnaissance faciale. Cette approche reconnaît les limites de la technologie tout en lui permettant de produire des pistes.
Les organismes d'application de la loi devraient tenir des registres détaillés sur le moment et la façon d'utiliser la reconnaissance faciale, y compris les algorithmes utilisés, les cotes de confiance obtenues et les mesures d'enquête subséquentes, qui permettent de surveiller, de contrôler la qualité et de rendre compte.
Essais indépendants et validation
La Loi sur la responsabilité algorithmique et la Loi sur la justice en matière d'algorithmes judiciaires de 2019 visent à aider à ce processus en exigeant des entreprises d'évaluer leurs algorithmes pour des résultats biaisés. Le NIST peut mettre sur pied un comité consultatif qui examine des rapports semblables à ceux que les revues universitaires utilisent pour la rédaction et les examinateurs externes pour vérifier de nouvelles recherches.
La validation indépendante est essentielle parce que les fournisseurs ont des incitations financières pour présenter leurs produits sous la lumière la plus favorable. Les tests tiers dans des conditions réalistes, avec des populations de tests diverses et la qualité d'image représentative des applications médico-légales réelles, peuvent fournir des évaluations plus fiables de la performance du système que les demandes de précision fournies par le fournisseur.
Les études de validation devraient examiner non seulement la précision globale, mais aussi les performances des groupes démographiques, dans diverses conditions de qualité de l'image et dans des contextes opérationnels qui reflètent l'utilisation réelle. Les taux d'erreur devraient être clairement documentés et communiqués aux utilisateurs, et les systèmes qui présentent des biais inacceptables ou des problèmes de précision ne devraient pas être déployés à des fins d'application de la loi.
Transparence et surveillance publique
La surveillance efficace exige une transparence quant au moment, à la façon et aux raisons de l'utilisation de la reconnaissance faciale. Étant donné qu'un nombre croissant de services de police partout au pays se tournent vers une technologie de reconnaissance faciale non réglementée, non testée et déficiente pour identifier les suspects, il est essentiel que les défenseurs comprennent la technologie, ses limites et comment contester son utilisation dans leurs cas.
Les organismes chargés de l'application des lois devraient être tenus de publier régulièrement des rapports détaillant leur utilisation de la reconnaissance faciale, y compris le nombre de recherches effectuées, les fins auxquelles la technologie a été utilisée, le nombre de correspondances produites et les résultats des enquêtes menées sur la base des pistes de reconnaissance faciale.
Les décisions concernant la mise en place et la mise en oeuvre de la technologie de reconnaissance faciale devraient comprendre des délibérations publiques et des commentaires de la part des communautés touchées, et non pas seulement des fournisseurs de services d'application de la loi et de technologie.
Limitation de la portée et de l'objet
Certains pays ont choisi de limiter la reconnaissance faciale à des cas d'utilisation précis jugés acceptables pour les compromis risques-avantages. De nouveaux règlements adoptés à Detroit en 2019 limitent l'utilisation de la reconnaissance faciale aux photographies encore liées à des crimes violents et à des invasions domestiques.Cette approche vise à préserver les avantages de la technologie pour les enquêtes sérieuses tout en limitant son utilisation pour des infractions mineures ou une surveillance générale.
Interdire la reconnaissance faciale en temps réel tout en permettant une analyse rétrospective des séquences représente une autre approche pour limiter la portée. La surveillance en temps réel présente des risques et des risques de violence plus élevés que l'analyse des séquences après qu'un crime a eu lieu.
Les systèmes de reconnaissance faciale déployés à des fins spécifiques, comme l'identification des suspects dans les crimes violents, ne devraient pas être réutilisés pour des utilisations sans rapport avec les besoins sans délibération publique et autorisation appropriée.
Orientations futures et technologies émergentes
Progrès dans l'intelligence artificielle et l'apprentissage automatique
La technologie de reconnaissance faciale continue d'évoluer rapidement à mesure que progressent les techniques d'intelligence artificielle et d'apprentissage automatique. Les approches d'apprentissage profond ont considérablement amélioré la précision de la reconnaissance par rapport aux méthodes antérieures, et la recherche continue vise à améliorer encore le rendement, particulièrement dans des conditions difficiles et dans diverses populations.
Les chercheurs développent des algorithmes qui peuvent mieux gérer les occlusions partielles, les poses extrêmes, le vieillissement et d'autres facteurs qui dégradent la performance actuelle du système. Les techniques telles que les réseaux antagonistes générateurs (RAG) peuvent synthétiser les données de formation pour corriger les déséquilibres de l'ensemble des données, ce qui peut réduire les biais démographiques.
Toutefois, les améliorations techniques ne peuvent à elles seules relever tous les défis de la reconnaissance faciale, même une reconnaissance faciale parfaitement précise soulèverait encore de graves préoccupations en matière de protection de la vie privée et de libertés civiles, et non seulement la question de savoir si la technologie peut être mieux adaptée, mais aussi si et comment elle doit être déployée dans des sociétés démocratiques engagées dans les droits et libertés individuels.
Intégration avec les systèmes biométriques multimodales
Future forensic systems are likely to integrate facial recognition with other biometric modalities to improve accuracy and reliability. Combining facial recognition with gait analysis, voice recognition, or other identifying characteristics can provide corroborating evidence and reduce reliance on any single identification method.
Les approches multimodales peuvent également aider à corriger certaines limites de la reconnaissance faciale. Lorsque les images faciales sont de mauvaise qualité ou que les visages sont partiellement obscurcis, d'autres indicateurs biométriques peuvent encore être disponibles.
L'intégration de la reconnaissance faciale à d'autres sources de données – données de localisation, analyse des réseaux sociaux, modèles comportementaux – crée de puissantes capacités d'enquête mais aussi un potentiel de surveillance sans précédent.
L'IA et l'interpretation explicables
Les systèmes actuels de reconnaissance faciale fonctionnent souvent comme des « boîtes noires », produisant des résultats sans expliquer comment ils sont arrivés à leurs conclusions. Cette opacité rend difficile l'identification des erreurs, la compréhension des biais ou la contestation des résultats dans les procédures judiciaires.
Pour les applications médico-légales, l'explication pourrait aider les examinateurs humains à comprendre pourquoi un système a produit une correspondance particulière, à identifier les sources potentielles d'erreurs et à prendre des décisions plus éclairées quant à la question de savoir s'il faut poursuivre les enquêtes.
Cependant, le développement de systèmes de reconnaissance faciale véritablement explicables demeure un défi technique important. Les réseaux neuronaux profonds qui alimentent la reconnaissance faciale moderne sont intrinsèquement complexes et les explications simplifiées peuvent ne pas refléter avec précision le fonctionnement réel des systèmes.
Technologies de préservation de la vie privée
Les chercheurs explorent des approches de la reconnaissance faciale qui pourraient permettre certaines applications bénéfiques tout en limitant les risques de surveillance. Les techniques comme le chiffrement homomorphe permettent des calculs sur des données chiffrées, ce qui peut permettre des recherches de reconnaissance faciale sans exposer de données biométriques brutes.
Le traitement sur les appareils, où la reconnaissance faciale se fait localement sur un appareil plutôt que dans des bases de données centralisées, pourrait réduire les risques pour la vie privée de certaines applications.
Toutefois, ces approches de protection de la vie privée ont des limites et peuvent ne pas convenir à toutes les applications médico-légales. La tension fondamentale entre la capacité d'identification et la protection de la vie privée ne peut être entièrement résolue par des moyens techniques seuls.
Techniques et contre-mesures de l'Adversariat
Des exemples d'adversaires – des perturbations soigneusement conçues aux images qui font échouer ou produire des résultats erronés – démontrent des vulnérabilités dans les systèmes actuels. Les techniques d'adversaires physiques, comme le maquillage ou les accessoires spécialement conçus, peuvent tromper la reconnaissance faciale tout en apparaissant relativement normales aux observateurs humains.
Ces techniques contradictoires soulèvent des questions complexes pour les applications médico-légales, d'une part, elles représentent des vulnérabilités potentielles que les criminels pourraient exploiter en matière de sécurité, d'autre part, elles offrent aux individus des moyens potentiels de protéger leur vie privée contre la surveillance non désirée.
Pour les enquêteurs médico-légaux, la connaissance des techniques contradictoires est importante pour comprendre les limites de la reconnaissance faciale et le potentiel d'évasion délibérée. Les systèmes robustes contre les attaques contradictoires seront plus fiables à des fins médico-légales, mais une robustesse parfaite peut être inaccessible.
Équilibrer l'innovation, la sécurité et les droits
La nécessité d'une politique fondée sur des données probantes
Malgré un déploiement généralisé, des études empiriques rigoureuses démontrant que la reconnaissance faciale réduit la criminalité ou améliore les résultats en matière de sécurité publique font défaut. Des données opérationnelles limitées et mixtes laissent supposer des gains possibles en efficacité des enquêtes et en sécurité publique dans les contextes de crimes graves, bien que la base de données demeure mince.
Les décisions stratégiques concernant la reconnaissance faciale devraient être fondées sur des éléments de preuve concernant son efficacité réelle, et non seulement sur des capacités théoriques ou des demandes de fournisseurs. Des études contrôlées comparant les résultats des enquêtes avec et sans reconnaissance faciale, tenant compte des coûts et des préjudices ainsi que des avantages, fourniraient une base plus solide pour les décisions stratégiques.
L'absence de preuves solides de l'efficacité, conjuguée à des dommages documentés, y compris des arrestations injustifiées et des atteintes à la vie privée, laisse entendre qu'il faut faire preuve de prudence.
Délibération démocratique et voix communautaire
Les décisions concernant le déploiement de la reconnaissance faciale ne doivent pas être prises uniquement par les services de détection et de répression et les fournisseurs de technologie, mais sont fondamentalement des questions politiques concernant le type de société dans laquelle nous voulons vivre, les relations entre les citoyens et l'État et l'équilibre entre la sécurité et la liberté.
Les collectivités les plus touchées par la reconnaissance faciale, y compris les communautés de couleur qui connaissent à la fois des taux de surveillance plus élevés et des taux d'erreur plus élevés à partir d'algorithmes biaisés, devraient avoir une voix significative dans les décisions concernant le déploiement et la façon dont la technologie est déployée.
L'éducation du public sur la technologie de reconnaissance faciale, ses capacités, ses limites et ses implications est nécessaire pour une délibération démocratique éclairée. Beaucoup de gens ignorent à quel point la reconnaissance faciale est déjà déployée ou comment elle les affecte.
Coopération internationale et développement normatif
La technologie de reconnaissance faciale et les défis qu'elle pose sont de portée mondiale. La coopération internationale sur les normes, les meilleures pratiques et les normes peut contribuer à assurer que la technologie est développée et déployée de façon responsable au-delà des frontières.
Toutefois, différentes sociétés peuvent tirer des conclusions différentes sur les utilisations acceptables de la reconnaissance faciale en fonction de leurs valeurs, de leurs traditions juridiques et de leurs systèmes politiques, ce qui est approprié dans un contexte ne se trouve pas nécessairement dans un autre.
L'élaboration de normes internationales sur la reconnaissance faciale en est encore à ses débuts. À mesure que la technologie continuera d'évoluer et de se répandre, un dialogue continu sur les utilisations appropriées, les garanties nécessaires et les droits fondamentaux sera essentiel pour prévenir une dystopie mondiale de surveillance tout en préservant les intérêts légitimes de sécurité.
La voie à suivre
Même dans les conditions les plus difficiles et pour les sous-groupes les plus touchés, la précision de la technologie de reconnaissance faciale demeure nettement plus élevée que celle de nombreuses méthodes médico-légales traditionnelles, ce qui laisse entendre que, si la technologie de reconnaissance faciale est validée et réglementée de façon appropriée, elle devrait être considérée comme un outil d'enquête utile.
Tant que les préjugés ne seront pas éliminés, les programmes technologiques de reconnaissance faciale ne devront pas seulement être adaptés pour les combattre, les organismes d'application de la loi devraient être conscients des algorithmes et des ensembles de données actuellement biaisés dans les programmes d'IA et être disposés à exiger des tests qui permettraient de déceler de tels biais avant que des erreurs sur le terrain ne conduisent à des violations du principe de traiter tous les individus de la même façon devant la loi.
Au lieu de chercher un certain nombre de magie, les décideurs devraient se concentrer sur la façon dont toute utilisation de la reconnaissance faciale peut étendre les services de police discriminatoires, accroître massivement le pouvoir du gouvernement et menacer les droits fondamentaux.
La voie à suivre exige de multiples efforts parallèles : poursuite de la recherche technique pour améliorer l'exactitude et réduire les préjugés; élaboration et application de cadres réglementaires solides; mécanismes de transparence et de responsabilisation; validation et essais indépendants; engagement communautaire et délibération démocratique; vigilance continue contre les comportements et les abus de mission.
En fin de compte, la technologie de reconnaissance faciale dans l'analyse des lieux de crime médico-légal représente à la fois des possibilités et des risques. Elle offre des capacités qui peuvent aider les fonctions légitimes d'application de la loi, mais elle menace également la vie privée, les libertés civiles et l'égalité de manière que les sociétés démocratiques ne puissent pas ignorer.
Conclusion : Technologie, justice et valeurs démocratiques
La technologie de reconnaissance faciale est profondément ancrée dans l'analyse des lieux de crime et les opérations de détection et de répression dans le monde entier. Sa capacité à identifier rapidement les personnes à partir d'images, à rechercher de vastes bases de données et à traiter d'énormes volumes de vidéos de surveillance représente un progrès important dans la capacité d'enquête.
Cependant, le déploiement de la reconnaissance faciale dans l'application de la loi pose également de sérieux défis qui ne peuvent être ignorés ou minimisés. Les problèmes documentés avec exactitude, en particulier dans les conditions réelles communes dans les applications médico-légales, soulèvent des questions de fiabilité.Les préjugés démographiques qui produisent des taux d'erreur beaucoup plus élevés pour les femmes et les personnes de couleur viole les principes fondamentaux de l'égalité de traitement et a conduit à des arrestations et des enquêtes injustifiées.
Le déploiement rapide de la technologie a souvent dépassé l'élaboration de cadres réglementaires, de normes de validation et de mécanismes de surveillance appropriés.De nombreuses administrations utilisent la reconnaissance faciale avec une transparence minimale, la responsabilité ou la participation du public. Les algorithmes propriétaires fonctionnent comme des boîtes noires, ce qui rend difficile l'identification des erreurs ou des résultats de contestation.
Pour aller de l'avant, il faut reconnaître le potentiel de la technologie et ses problèmes.Les améliorations techniques pour réduire les biais et accroître la précision sont importantes mais insuffisantes.Des cadres réglementaires solides qui établissent des règles claires sur le moment, la façon et les fins d'utilisation de la reconnaissance faciale sont essentielles.
Plus important encore, les décisions concernant le déploiement de la reconnaissance faciale devraient être prises démocratiquement, avec la participation significative des communautés touchées et du public, non seulement des fournisseurs de services d'application de la loi et de technologie, mais aussi des choix fondamentaux concernant le type de société dans laquelle nous voulons vivre.
À mesure que la technologie de reconnaissance faciale continuera d'évoluer et que son utilisation s'élargira, il faudra faire preuve de vigilance pour prévenir les abus et protéger les droits.Les choix que nous faisons maintenant sur la façon de gouverner cette technologie puissante auront des conséquences durables sur la justice pénale, les libertés civiles et la gouvernance démocratique.
Pour plus d'information sur la technologie de reconnaissance faciale et ses implications, visitez la page de reconnaissance faciale de la Fondation Frontière électronique[, les ressources de l'ACLU sur la reconnaissance faciale[, le National Institute of Standards and Technology's Face Recognition Vendor Test[, Georgetown Law's Center on Privacy & Technology[ et Brookings Institution analysis on face facility regulation.