INFLUÊNCIA DO VIÉS RACIAL NO USO DE RECONHECIMENTO FACIAL APLICADO PARA CONTROLE DE ACESSO
Reconhecimento Facial; Aprendizado de Máquina; Inteligência Artificial; Controle de Acesso; Cibersegurança; Viés Racial; Racismo Algorítmico.
O viés racial tem sido uma questão persistente nas tecnologias de reconhecimento facial, especialmente em aplicações de controle de acesso. Este estudo tem como objetivo examinar a ampla adoção dessas tecnologias na era do aprendizado de máquina, destacando sua integração nos frameworks de segurança da informação, cibersegurança e privacidade de dados. Apesar de sua crescente prevalência, os conjuntos de dados e os algoritmos subjacentes frequentemente apresentam vieses significativos, impactando desproporcionalmente indivíduos de grupos raciais marginalizados. Por meio de uma revisão extensa da literatura, seguida de simulações laboratoriais e análises de dados, esta pesquisa investiga o impacto da composição dos conjuntos de dados no viés racial dos sistemas de reconhecimento facial. Modelos de aprendizado de máquina foram testados com conjuntos de dados equilibrados e não equilibrados em termos de diversidade racial, demonstrando que o viés pode ser significativamente reduzido quando são utilizados dados mais representativos da população real. Com base nesses resultados, este estudo identifica lacunas críticas e propõe 14 recomendações específicas para mitigar o viés racial nos sistemas de reconhecimento facial. Essas recomendações abrangem a diversificação dos conjuntos de dados de treinamento, o aprimoramento da transparência algorítmica e a incorporação de equipes multidisciplinares para garantir decisões éticas. Sua adoção pode gerar impactos positivos ao melhorar tanto a equidade quanto a precisão dessas tecnologias, abrindo caminho para aplicações mais confiáveis e inclusivas. Ao implementar as medidas propostas, os stakeholders poderão enfrentar preocupações éticas, reduzir resultados discriminatórios e aumentar a confiança pública na adoção do reconhecimento facial em contextos sensíveis de controle de acesso. Este trabalho fornece um roteiro para o avanço da equidade e da responsabilidade na inteligência artificial, promovendo impactos transformadores na área.