Δοκιμή live facial recognition στα σιδηροδρομικούς σταθμούς του Λονδίνου: 500.000 σαρώσεις, μηδενικές συλλήψεις και ένα false positive

Τεχνική βάση του live facial recognition

Το live facial recognition (LFR) λειτουργεί ως pipeline που λαμβάνει εικόνες σε πραγματικό χρόνο από κάμερες, εξάγει embeddings μέσω ενός βαθύ νευρωνικού δικτύου και τα συγκρίνει με προκαταχωρημένους διανύσματα από μια watchlist. Η σύγκριση βασίζεται σε μέτρηση similarity (συνήθως cosine similarity) και déclenche ένα alert όταν το score překračει ένα προκαθορισμένο threshold. Η αρχιτεκτονική περιλαμβάνει stages όπως pre‑processing (alignment, illumination normalization), feature extraction (backbone network) και matching engine (approximate nearest‑neighbor search). Η απόδοση του συστήματος μετράται σε false positive rate (FPR) και false negative rate (FNR), που είναι inversely related με το threshold.

Αποτελέσματα της δοκιμής: σαρώσεις, false positive, κόστος

Κατά τη διάρκεια των 18 διανομών (February–Juli 2026) το σύστημακούσε 500.000 πρόσωπα, με συνολικό κόστος £320.786 (ενοικίαση εξοπλισμού + προσωπικό αστυνομίας) και περίπου 100 ώρες αστυνομικού χρόνου. Το μόνο alert που προκλήθηκε ήταν false positive – λανθασμένη ταυτοποίηση – που δεν οδήγησε σε σύλληψη. Αν υποθέσουμε ότι το watchlist περιείχε N στόχους, το empirically measured FPR ήταν 1 / 500.000 ≈ 2×10⁻⁶. Η χαμηλή FPR είναι θετική από τεχνική πλευρά, αλλά η μηδενική true positive rate (TPR) στην πράξη δείχνει ότι το watchlist δεν ταιριάζει με το πραγματικό ρίσκο στο μεταφορικό περιβάλλον.

Προσωπικό δεδομένων και νόμιμότητα

Το LFR επεξεργάζεται special category personal data (biometric data) υπό το UK GDPR και το Law Enforcement Directive. Για να είναι αναλογικό (proportionality) το processing πρέπει να ικανοποιεί τον τριπλό τεστ: Suitability, Necessity και Balancing. Η ελευθεροποίηση του watchlist (δημιουργία, ενημέρωση, διαχείριση) είναι κρίσιμη: mauvaise qualité ή υπερβολική επέκταση μπορεί να αυξάνει το FPR χωρίς να βελτιώνει τη TPR. Επιπλέον, το σύστημα δεν conserverε εικόνες ατόμων που δεν είναι στη watchlist, πράγμα που περιορίζει τη reuse των δεδομένων αλλά δεν αφαιρεί το risk of mission creep.

Συμπεράσματα για μελλοντικές διατάξεις

Η δοκιμή δείχνει ότι η τεχνική ακρίβεια του LFR μπορεί να είναι ικανοποιητική, αλλά η πρακτική αποτελεσματικότητα εξαρτάται από την ποιότητα και τη σχετικότητα της watchlist. Για μελλοντικές διατάξεις είναι απαραίτητο:

• Ορισμός σαφών κριteriών για προσθήκη και αφαίρεση στόχων στη watchlist, με ελέγχους ποιότητας δεδομένων.
• Εφαρμογή μη‑ακύρωσης (sunsetting) και περιορισμού χρόνου κράτησης biometric templates.
• Εγκατάσταση ανεξάρτητου μηχανισμού oversight (π.χ. ελεγκτικού σώματος) που θα μετράει και θα δημοσιεύει FPR, FNR και αριθμό genuine arrests.
• Διαφάνεια προς το κοινό μέσω δημοσίευσης Metrics (throughput, latency, cost per scan) και εκτέλεση DPIA (Data Protection Impact Assessment) πριν από κάθε επέκταση. Μόνο με τέτοια μέτρα η χρήση LFR μπορεί να ισορροπεί μεταξύ της ανάγκης για ασφάλεια και της προστασίας του θεμελιώδικα δικαίου στην ιδιωτικότητα (privacy).