Yapay Zekâ Destekli Yüz Tanıma Sistemleri Nedir? Teknolojiler, Doğruluk ve KVKK Rehberi

Yapay zekâ destekli yüz tanıma sistemleri, insan yüzüne ait belirli biyometrik özellikleri analiz ederek bir kişinin kimliğini doğrulamaya veya kayıtlı kişiler arasından kimlik eşleştirmesi yapmaya yönelik teknolojilerdir. Derin öğrenme ve bilgisayarlı görü algoritmalarından yararlanan bu sistemler; geçiş kontrol, kimlik doğrulama, yüksek güvenlikli alanlara erişim ve belirli güvenlik uygulamalarında kullanılmaktadır.

Geleneksel kartlı geçiş sistemlerinde kullanıcı kimliği fiziksel kart, PIN veya benzeri kimlik bilgileriyle doğrulanırken yüz tanıma teknolojileri kişinin yüzünden elde edilen özellikleri karşılaştırma amacıyla kullanır.

Ancak yüz tanıma sistemlerinin teknik başarısı yalnızca algoritmanın gelişmişliğine bağlı değildir. Kamera yerleşimi, aydınlatma, görüntü kalitesi, biyometrik eşleştirme eşikleri, canlılık kontrolü, veri güvenliği ve hukuki uygunluk birlikte değerlendirilmelidir.

Yüz tanıma teknolojisi, kişilerin benzersiz biçimde tanınmasına yönelik biyometrik veri işleme faaliyetleri içerebilir. Bu nedenle özellikle çalışan takibi, mağaza güvenliği ve kamusal alan gözetimi gibi uygulamalarda 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında dikkatli bir değerlendirme yapılması gerekir.

Yapay Zekâ Destekli Yüz Tanıma Sistemi Nedir?

Yapay zekâ destekli yüz tanıma sistemi, yüz görüntülerinden elde edilen ayırt edici özellikleri sayısal olarak temsil ederek kimlik doğrulama veya kimlik belirleme işlemleri gerçekleştiren donanım ve yazılım çözümüdür.

Uluslararası teknik terminolojide şu kavramlar kullanılır:

• Face Detection: Yüz algılama

• Face Recognition: Yüz tanıma

• Face Verification: Yüz doğrulama

• Face Identification: Yüz üzerinden kimlik belirleme

• Face Embedding: Yüz özelliklerinin sayısal temsili

• Face Matching: Yüz eşleştirme

• Presentation Attack Detection (PAD): Sahte sunum girişimlerinin tespiti

• Face Quality Assessment: Yüz görüntüsü kalitesinin değerlendirilmesi

Bu kavramların tamamı aynı anlama gelmez.

Örneğin bir güvenlik kamerasının görüntüde yüz bulunduğunu algılaması, o kişinin kimliğini belirleyebileceği anlamına gelmez.

Yapay Zekâ ile Yüz Tanıma Nasıl Çalışır?

Yüz tanıma sistemlerinde kullanılan algoritmalar farklılık gösterebilse de temel işlem aşamaları benzerdir.

1. Yüz Görüntüsünün Alınması

Sistem, kamera veya uygun görüntüleme cihazı aracılığıyla kişinin yüz görüntüsünü alır.

Bu aşamada görüntü çözünürlüğü, aydınlatma, yüz açısı ve hareket bulanıklığı önemlidir.

2. Yüz Algılama

Bilgisayarlı görü algoritması, görüntü içerisinde yüzün bulunduğu bölgeyi belirler.

Bir görüntüde birden fazla yüz bulunuyorsa sistem desteklediği kapasiteye göre bunları ayrı ayrı algılayabilir.

3. Yüz Hizalama ve Kalite Kontrolü

Bazı sistemlerde yüzün konumu ve açısı normalize edilir.

Gözler, burun ve diğer referans noktaları kullanılarak yüz görüntüsü analiz için uygun hâle getirilebilir.

Yetersiz kalitedeki görüntüler reddedilebilir veya yeniden görüntü alınması istenebilir.

4. Biyometrik Özellik Çıkarımı

Derin öğrenme modeli, yüz görüntüsünden sayısal bir özellik vektörü oluşturabilir.

Bu temsil genellikle face embedding olarak adlandırılır.

Yüz embedding verisi, doğrudan insan tarafından okunabilir bir fotoğraf olmasa da kişiyi benzersiz biçimde tanımak amacıyla kullanıldığında biyometrik veri niteliği taşıyabilir.

5. Biyometrik Eşleştirme

Oluşturulan özellik vektörü, referans biyometrik verilerle karşılaştırılır.

Sistem, kullanılan algoritmaya göre benzerlik skoru veya mesafe değeri hesaplayabilir.

6. Karar Oluşturma

Eşleştirme sonucu önceden tanımlanmış karar eşiğiyle karşılaştırılır.

Örneğin geçiş kontrol uygulamasında eşleşme kabul edilirse erişim kararı oluşturulabilir.

Ancak eşleştirme skoru, kişinin kimliğine ilişkin mutlak kesinlik ifade etmez.

1:1 Yüz Doğrulama ile 1:N Yüz Tanıma Arasındaki Fark

Yüz tanıma sistemlerinde en önemli teknik ayrımlardan biri doğrulama ile kimlik belirleme arasındaki farktır.

1:1 Face Verification — Yüz Doğrulama

1:1 yüz doğrulama işleminde kişi belirli bir kimlik iddiasında bulunur ve sistem yüz görüntüsünü o kimliğe ait kayıtla karşılaştırır.

Örneğin bir kullanıcı önce kartını okutur veya kullanıcı numarasını girer. Ardından yüz görüntüsü, yalnızca ilgili kullanıcının kayıtlı biyometrik verisiyle karşılaştırılır.

Bu işlem temel olarak şu soruyu yanıtlamaya çalışır:

“Bu kişi, iddia ettiği kişi mi?”

1:N Face Identification — Yüz Üzerinden Kimlik Belirleme

1:N sistemlerde alınan yüz görüntüsü, birden fazla kayıtlı biyometrik referansla karşılaştırılır.

Sistem, veritabanında olası eşleşme bulunup bulunmadığını değerlendirir.

Bu işlem şu soruya yanıt arar:

“Bu yüz, kayıtlı kişilerden hangisine ait olabilir?”

1:N eşleştirme, veritabanının büyüklüğüne ve eşik değerlerine bağlı olarak farklı yanlış eşleşme riskleri oluşturabilir.

Teknik Karşılaştırma

Bu iki yaklaşım aynı sistemde birlikte bulunabilir. Ancak her cihazın hem 1:1 hem de 1:N işlevini desteklediği varsayılmamalıdır.

Yüz Tanıma ile Yüz Algılama Arasındaki Fark

Yüz algılama, görüntü içerisinde bir insan yüzünün bulunup bulunmadığını belirlemeye yönelik işlemdir.

Yüz tanıma ise belirli bir yüzün kayıtlı biyometrik referanslarla karşılaştırılmasını içerir.

Örneğin bir mağaza kamerasının görüntüde beş yüz bulunduğunu algılaması, bu beş kişinin kimliğini bildiği anlamına gelmez.

Benzer şekilde yaş tahmini veya yüz ifadesi analizi de otomatik olarak kimlik tanıma işlemi değildir.

Ancak yüz görüntülerinin işlenmesi sırasında kişisel veri işleme yükümlülükleri yine ortaya çıkabilir.

Yapay Zekâ Yüz Tanıma Sistemlerinde Kullanılan Teknolojiler

Derin Öğrenme Algoritmaları

Modern yüz tanıma sistemlerinde derin sinir ağları, yüz görüntülerinden ayırt edici özellikler elde etmek için kullanılabilir.

Bu yöntemler farklı yüz açılarında ve görüntü koşullarında eşleştirme performansını geliştirebilir.

Ancak algoritma performansı kullanılan model, eğitim verileri ve uygulama koşullarına bağlıdır.

RGB Kamera Sistemleri

RGB kameralar görünür ışık spektrumunda renkli görüntü oluşturur.

Uygun görüntü kalitesinde yüz algılama ve eşleştirme için kullanılabilir.

Ancak yetersiz ışık, güçlü karşı ışık ve hareket bulanıklığı performansı etkileyebilir.

Kızılötesi (IR) Görüntüleme

Bazı yüz doğrulama terminalleri kızılötesi aydınlatma veya IR kamera kullanır.

Bu yaklaşım belirli aydınlatma koşullarında görüntü almayı kolaylaştırabilir.

Ancak IR kamera bulunması, cihazın sahte yüz saldırılarına karşı yeterli koruma sağladığını tek başına kanıtlamaz.

3D Derinlik Algılama

Bazı biyometrik terminaller, yüzün üç boyutlu geometrisine ilişkin veri elde etmek için derinlik sensörlerinden yararlanabilir.

Bu teknoloji belirli sahte sunum girişimlerinin ayırt edilmesine yardımcı olabilir.

Ancak 3D algılama da tek başına tüm saldırı türlerine karşı güvenlik garantisi değildir.

Edge AI İşleme

Edge AI sistemlerinde biyometrik analiz işlemleri doğrudan terminalde veya yerel cihazda gerçekleştirilebilir.

Bu mimari merkezi sunucuya bağımlılığı azaltabilir.

Ancak cihaz üzerindeki biyometrik verilerin güvenli saklanması, güncellenmesi ve silinmesi gerekir.

Sunucu Tabanlı Yüz Tanıma

Merkezi sistemlerde yüz görüntüleri veya özellik verileri sunucu üzerinde işlenebilir.

Bu yaklaşım birden fazla terminalin yönetimini kolaylaştırabilir.

Ancak merkezi biyometrik veritabanı, yetkisiz erişim ve veri ihlali bakımından önemli güvenlik riskleri oluşturabilir.

Yüz Tanıma Sistemlerinde Canlılık Tespiti Nedir?

Canlılık tespiti, biyometrik doğrulama sırasında gerçek bir insan yüzü yerine fotoğraf, ekran görüntüsü, maske veya benzeri sahte sunum yöntemlerinin kullanılmasını tespit etmeye yönelik kontrolleri ifade eder.

Teknik literatürde bu alan çoğunlukla Presentation Attack Detection (PAD) olarak adlandırılır.

Fotoğrafla Sahte Sunum

Bir kişinin yüz fotoğrafının kameraya gösterilmesiyle doğrulama sisteminin yanıltılmaya çalışılmasıdır.

Ekran Üzerinden Sahte Sunum

Telefon veya tablet ekranında görüntülenen yüzün biyometrik doğrulamada kullanılmasıdır.

Maske ve Üç Boyutlu Nesneler

Gerçek insan yüzüne benzetilmiş fiziksel nesneler kullanılarak gerçekleştirilen sahte sunum girişimleridir.

PAD Performansı Nasıl Ölçülür?

ISO/IEC 30107 serisi, biyometrik sahte sunum saldırılarının tespitine ilişkin terminoloji ve değerlendirme yöntemleri sağlar.

Bu alanda APCER ve BPCER gibi metrikler kullanılabilir.

APCER: Saldırı sunumlarının gerçek kullanıcı gibi kabul edilmesine ilişkin hata oranı.

BPCER: Gerçek kullanıcı sunumlarının saldırı olarak sınıflandırılmasına ilişkin hata oranı.

Bu metrikler, yüz eşleştirme algoritmasının kimlik doğruluğundan farklı bir güvenlik boyutunu ölçer.

Yapay Zekâ Yüz Tanıma Sistemleri Nerelerde Kullanılır?

Geçiş Kontrol Sistemleri

Uygun hukuki ve teknik koşulların sağlandığı uygulamalarda biyometrik yüz doğrulama, kontrollü kapı ve turnike erişiminde kullanılabilir.

Ancak kartlı geçiş veya PIN gibi daha az müdahaleci alternatiflerin yeterli olup olmadığı değerlendirilmelidir.

Veri Merkezleri ve Kritik Tesisler

Yüksek güvenlik gereksinimi bulunan belirli alanlarda biyometrik doğrulama, çok faktörlü kimlik doğrulama mimarisinin bir bileşeni olabilir.

Bununla birlikte yüz tanıma tek başına bütün erişim risklerini ortadan kaldırmaz.

Bankacılık ve Dijital Kimlik Doğrulama

Uzaktan müşteri edinimi ve kimlik doğrulama süreçlerinde yüz karşılaştırma teknolojileri kullanılabilir.

Bu uygulamalarda ilgili sektörel düzenlemeler, kimlik belgesi doğrulaması ve sahtecilik önleme kontrolleri önemlidir.

Hastaneler ve Sağlık Kuruluşları

Belirli kontrollü alanlarda personel erişim doğrulaması değerlendirilebilir.

Ancak biyometrik verilerin işlenmesi için gerekli hukuki şartların sağlanması gerekir.

Oteller ve Konaklama Tesisleri

Uygun hukuki koşullarda belirli erişim doğrulama senaryoları değerlendirilebilir.

Ancak konukların biyometrik verilerinin toplanması zorunlu veya varsayılan bir hizmet koşulu olarak kabul edilmemelidir.

Perakende Mağazaları

Yüz tanıma teknolojileri perakende ortamlarında teknik olarak uygulanabilse de müşterilerin kimliklerinin görüntüler üzerinden belirlenmesi, sıradan kişi sayma veya anonim yoğunluk analizinden çok daha yüksek mahremiyet riskleri taşır.

Özellikle müşterilerin izinsiz biçimde biyometrik izleme listelerine alınması, otomatik olarak şüpheli kişi şeklinde etiketlenmesi veya mağazalar arasında takip edilmesi ciddi hukuki ve etik sorunlar doğurabilir.

Bu nedenle perakende güvenliğinde öncelikle biyometrik kimlik belirleme gerektirmeyen video analitik ve olay tespit çözümleri değerlendirilmelidir.

Yüz Tanıma Kamerası ile Yüz Tanıma Terminali Arasındaki Fark

Bir kameranın yüz tanıma özelliğine sahip olması, o kameranın yüksek güvenlikli biyometrik erişim kontrolü için uygun olduğunu göstermez.

Yüz Tanıma Sistemlerinde Kamera Yerleşimi

Yüz Açısı

Kişinin yüzünün kameraya göre konumu eşleştirme performansını etkiler.

Önden veya uygun açıyla alınan görüntüler, birçok algoritmada daha tutarlı sonuçlar sağlayabilir.

Kamera Yüksekliği

Kamera yüksekliği farklı boylardaki kullanıcıların yüzlerinin uygun açıdan görüntülenmesine imkân verecek şekilde belirlenmelidir.

Aydınlatma

Yetersiz aydınlatma ve güçlü karşı ışık yüz özelliklerinin görüntülenmesini zorlaştırabilir.

Piksel Yoğunluğu

Yüz tanıma uygulamalarında yalnızca kamera megapiksel değeri değil, yüzün görüntüde kapladığı piksel boyutları önemlidir.

Hareket Bulanıklığı

Hareketli kişilerde uzun pozlama süresi görüntü netliğini azaltabilir.

Görüntü Kalitesi

NIST değerlendirmeleri, düşük görüntü kalitesinin yüz eşleştirme hatalarını artırabildiğini göstermektedir.

Bu nedenle kamera seçimi ve saha testleri yalnızca üretici kataloğundaki ideal koşul değerlerine dayandırılmamalıdır.

Yapay Zekâ Yüz Tanıma Sistemlerinde Doğruluk Nasıl Ölçülür?

Yüz tanıma sistemlerinde tek bir genel doğruluk yüzdesi yeterli değildir.

Özellikle yanlış kabul ve yanlış ret hatalarının ayrı ayrı değerlendirilmesi gerekir.

FMR — False Match Rate

FMR, farklı kişilere ait karşılaştırmaların yanlış biçimde eşleşme olarak kabul edilme oranıdır.

Örneğin 1:1 doğrulamada başka bir kişiye ait yüzün kayıtlı kullanıcıyla eşleşmiş kabul edilmesi güvenlik riski oluşturabilir.

FNMR — False Non-Match Rate

FNMR, aynı kişiye ait iki biyometrik örneğin yanlış biçimde eşleşmiyor olarak değerlendirilme oranıdır.

Bu durum gerçek kullanıcının sisteme erişememesine neden olabilir.

FPIR — False Positive Identification Rate

1:N arama sistemlerinde, hedef kişinin arama veritabanında bulunmadığı durumlarda yanlış bir kimlik eşleşmesi döndürülmesine ilişkin hata oranıdır.

FNIR — False Negative Identification Rate

1:N arama sistemlerinde, aranan kişi veritabanında bulunduğu hâlde sistemin ilgili kişiyi belirleyememesine ilişkin hata oranıdır.

Karar Eşiği ve Güvenlik Dengesi

Biyometrik eşleştirme sistemlerinde karar eşiğinin değiştirilmesi yanlış kabul ve yanlış ret oranlarını etkileyebilir.

Daha katı eşleştirme koşulları belirli yanlış kabul risklerini azaltırken gerçek kullanıcıların reddedilme olasılığını artırabilir.

Bu nedenle eşik değeri uygulamanın güvenlik gereksinimine göre belirlenmeli ve saha testleriyle doğrulanmalıdır.

NIST Yüz Tanıma Testleri Neden Önemlidir?

ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), yüz tanıma algoritmalarını bağımsız değerlendirme programları kapsamında test etmektedir.

Güncel değerlendirme yapısında iki önemli başlık bulunmaktadır:

FRTE — Face Recognition Technology Evaluation: Yüz doğrulama ve kimlik belirleme algoritmalarının değerlendirilmesi.

FATE — Face Analysis Technology Evaluation: Yaş tahmini, görüntü kalitesi ve belirli yüz analizi işlevlerinin değerlendirilmesi.

NIST değerlendirmelerinde farklı algoritmaların performansları karşılaştırılabilir.

Ancak bir algoritmanın NIST testinde başarılı olması, o algoritmayı kullandığı iddia edilen her ticari cihazın aynı performansı sağlayacağını garanti etmez.

Kamera, yazılım sürümü, eşik ayarları ve gerçek kullanım koşulları ayrıca değerlendirilmelidir.

Yüz Tanıma Sistemlerinde Demografik Performans Farkları

Yüz tanıma algoritmalarının hata oranları farklı kullanıcı gruplarında değişebilir.

NIST araştırmaları, görüntü kalitesinin ve algoritma özelliklerinin farklı demografik gruplarda yanlış eşleşme ve yanlış ret oranlarını etkileyebildiğini göstermektedir.

Örneğin aydınlatma koşullarının farklı cilt tonlarında uygun görüntü kalitesi sağlayamaması bazı gruplarda hata oranlarını artırabilir.

Benzer şekilde algoritmanın eğitim verilerindeki temsil farklılıkları da performansı etkileyebilir.

Bu nedenle profesyonel değerlendirmede yalnızca toplam doğruluk değil, farklı kullanıcı gruplarındaki hata oranları ve sistematik performans farkları da incelenmelidir.

Yüz Tanıma Sistemlerinde Siber Güvenlik

Biyometrik yüz tanıma sistemlerinde güvenlik yalnızca algoritmanın doğruluğundan ibaret değildir.

Biyometrik Veri Güvenliği

Yüz şablonları ve diğer biyometrik veriler yetkisiz erişime karşı korunmalıdır.

Şifreleme

Verilerin aktarım ve saklama aşamalarında uygun kriptografik koruma yöntemleri kullanılmalıdır.

Erişim Yetkileri

Biyometrik veritabanına ve yönetim arayüzlerine erişim sınırlandırılmalıdır.

Güvenli Güncelleme

Cihaz yazılımı ve analiz algoritmalarının güncelleme süreçleri güvenli biçimde yönetilmelidir.

Veri Silme

Kullanıcı kaydının silinmesi durumunda ilgili biyometrik verilerin sistemin tüm bileşenlerinden nasıl kaldırıldığı doğrulanmalıdır.

Alternatif Kimlik Doğrulama

Biyometrik doğrulama başarısız olduğunda uygulanacak güvenli ve erişilebilir alternatif yöntem belirlenmelidir.

Yüz Tanıma Sistemlerinde KVKK ve Biyometrik Veri

Türkiye'de yüz tanıma sistemlerinin hukuki değerlendirmesinde 6698 sayılı Kişisel Verilerin Korunması Kanunu temel düzenlemelerden biridir.

Biyometrik veriler, Kanun kapsamında özel nitelikli kişisel veriler arasında yer alır.

Ancak her yüz fotoğrafı otomatik olarak biyometrik veri kabul edilmez. Fotoğrafın kişinin benzersiz biçimde tanınması veya kimliğinin doğrulanması için özel teknik işlemlerden geçirilmesi bu değerlendirmede belirleyicidir.

İş Yerlerinde Yüz Tanıma Kullanımı

Kişisel Verileri Koruma Kurulunun 4 Ağustos 2022 tarihli ve 2022/797 sayılı kararında, iş yerinde yüz tanıma kullanılarak giriş-çıkış kontrolü yapılması değerlendirilmiştir.

Kararda biyometrik veri işlemenin gerekliliği, alternatif yöntemler, veri işleme şartları ve saklama süreçleri önemli değerlendirme konuları arasında yer almıştır.

Bu nedenle yüz tanıma sisteminin çalışanların giriş-çıkışını takip etmek için kullanılabilmesi, yalnızca teknik olarak mümkün olmasına veya ürünün piyasada satılmasına bağlı değildir.

Açık Rıza ve Diğer İşleme Şartları

Özel nitelikli kişisel verilerin işlenmesinde KVKK'nın 6. maddesinde yer alan şartlar değerlendirilmelidir.

Açık rızaya dayanılan uygulamalarda rızanın özgür iradeyle verilmesi önemlidir.

Özellikle işveren-çalışan ilişkisinde açık rızanın geçerliliği dikkatle incelenmelidir.

Ölçülülük ve Alternatif Yöntemler

Kartlı geçiş, PIN veya diğer daha az müdahaleci yöntemlerle aynı güvenlik amacı karşılanabiliyorsa biyometrik yüz tanıma kullanımının gerekliliği ayrıca sorgulanmalıdır.

Saklama Süresi

Yüz görüntüleri, biyometrik şablonlar ve eşleştirme kayıtları için saklama süreleri belirlenmelidir.

Yurt Dışına Veri Aktarımı

Bulut tabanlı biyometrik sistemlerde kişisel verilerin yurt dışına aktarılması söz konusuysa KVKK'nın ilgili hükümleri ayrıca değerlendirilmelidir.

Önemli: Bir yüz tanıma ürününün “KVKK uyumlu” olarak pazarlanması, belirli bir kurumda gerçekleştirilen biyometrik veri işleme faaliyetinin hukuka uygun olduğunu tek başına kanıtlamaz.

Avrupa Birliği AI Act ve Yüz Tanıma Sistemleri

Avrupa Birliği Yapay Zekâ Tüzüğü, biyometrik kimlik belirleme sistemlerini kullanım amacına ve risklerine göre farklı kurallara tabi tutmaktadır.

Özellikle kamusal alanlarda kolluk faaliyetleri amacıyla kullanılan gerçek zamanlı uzaktan biyometrik kimlik belirleme sistemleri için çok sıkı sınırlamalar ve belirli istisnalar öngörülmüştür.

Ayrıca belirli uzaktan biyometrik kimlik belirleme sistemleri yüksek riskli yapay zekâ uygulamaları kapsamında değerlendirilmektedir.

Ancak her 1:1 biyometrik doğrulama sistemi otomatik olarak aynı risk sınıfına girmez.

AB pazarında faaliyet gösteren üretici, entegratör ve kullanıcı kuruluşların sistemin kullanım amacına göre uygulanabilir hükümleri değerlendirmesi gerekir.

Yüz Tanıma Sistemi Seçerken Nelere Dikkat Edilmeli?

Yüz Tanıma Sistemlerinde Saha Validasyonu

Profesyonel bir yüz tanıma projesinde yalnızca cihazın çalıştığını göstermek yeterli değildir.

Sistemin gerçek koşullarda güvenilir, güvenli ve hukuka uygun biçimde çalışması değerlendirilmelidir.

Örnek validasyon süreci:

1. Kullanım amacı ve hukuki dayanak belirlenir.

2. Biyometrik olmayan alternatifler değerlendirilir.

3. 1:1 veya 1:N mimari seçilir.

4. Kamera yerleşimi ve görüntü kalitesi doğrulanır.

5. Referans biyometrik kayıtların oluşturulma süreci test edilir.

6. Gerçek kullanıcı doğrulama senaryoları uygulanır.

7. Yanlış kabul ve yanlış ret oranları ölçülür.

8. Canlılık kontrolü yetkili test prosedürleriyle değerlendirilir.

9. Farklı aydınlatma ve kullanıcı koşulları incelenir.

10. Geçiş kontrol entegrasyonu test edilir.

11. Veri saklama, erişim ve silme süreçleri doğrulanır.

12. Sonuçlar kabul kriterlerine göre raporlanır.

Testler hukuka uygun yöntemlerle ve gerekli veri koruma önlemleri altında gerçekleştirilmelidir.

Teknik Kontrol Listesi

• Yüz tanıma kullanım amacı açıkça tanımlandı mı?
• Biyometrik olmayan alternatifler değerlendirildi mi?
• KVKK kapsamında hukuki dayanak belirlendi mi?
• 1:1 ve 1:N gereksinimleri ayrıştırıldı mı?
• Algoritmanın bağımsız performans sonuçları incelendi mi?
• FMR ve FNMR değerleri değerlendirildi mi?
• 1:N sistemlerde FPIR ve FNIR ölçüldü mü?
• Canlılık kontrolü ve PAD performansı doğrulandı mı?
• Kamera açısı ve görüntü kalitesi test edildi mi?
• Farklı kullanıcı gruplarında performans incelendi mi?
• Biyometrik veriler güvenli biçimde saklanıyor mu?
• Yetkisiz erişim ve veri ihlali riskleri değerlendirildi mi?
• Kullanıcı silme ve saklama politikaları hazırlandı mı?
• Alternatif kimlik doğrulama yöntemi oluşturuldu mu?
• Saha validasyonu tamamlandı mı?

Sık Sorulan Sorular

Yapay zekâ destekli yüz tanıma sistemi nedir?

İnsan yüzünden elde edilen biyometrik özellikleri analiz ederek kimlik doğrulama veya kayıtlı kişiler arasında kimlik eşleştirmesi yapmaya yönelik teknolojidir.

Yüz tanıma ile yüz algılama aynı şey midir?

Hayır. Yüz algılama görüntüde yüz bulunduğunu belirlerken yüz tanıma, yüzün kayıtlı biyometrik referanslarla eşleştirilmesini içerir.

1:1 ve 1:N yüz tanıma arasındaki fark nedir?

1:1 doğrulama tek bir kimlik iddiasını kontrol eder. 1:N kimlik belirleme ise yüzü birden fazla kayıtlı referans arasında arar.

Yüz tanıma sistemleri yüzde 100 doğru çalışır mı?

Hayır. Yanlış kabul ve yanlış ret hataları oluşabilir. Performans algoritma, görüntü kalitesi, eşik ayarları ve kullanım koşullarına bağlıdır.

Canlılık tespiti neden gereklidir?

Fotoğraf, ekran veya maske gibi sahte sunum girişimlerinin algılanmasına yardımcı olmak için kullanılır.

Yüz tanıma sistemleri gece çalışır mı?

Uygun kamera ve aydınlatma teknolojileriyle belirli düşük ışık koşullarında çalışabilir. Ancak gerçek performans ürün ve saha koşullarına bağlıdır.

Mevcut IP kameralarla yüz tanıma yapılabilir mi?

Teknik olarak uygun görüntü kalitesi ve yazılım desteği varsa mümkün olabilir. Ancak kullanım amacı, veri koruma ve performans gereklilikleri ayrıca değerlendirilmelidir.

Yüz tanıma sistemi çalışanların giriş-çıkışında kullanılabilir mi?

Teknik olarak mümkün olsa da Türkiye'de biyometrik veri işleme şartları, gereklilik, ölçülülük ve alternatif yöntemler açısından ayrıca hukuki değerlendirme yapılmalıdır.

Yüz tanıma sistemleri KVKK'ya uygun mudur?

Ürünün kendisi için genel ve koşulsuz bir uygunluk iddiası yeterli değildir. Uygunluk, somut veri işleme faaliyetinin amacı, hukuki dayanağı, güvenlik önlemleri ve diğer yükümlülüklere bağlıdır.

Sonuç

Yapay zekâ destekli yüz tanıma sistemleri, biyometrik kimlik doğrulama ve kimlik belirleme işlemlerinde gelişmiş bilgisayarlı görü teknolojilerinden yararlanmaktadır.

1:1 yüz doğrulama, 1:N kimlik belirleme, derin öğrenme tabanlı yüz eşleştirme ve canlılık kontrolü gibi teknolojiler farklı güvenlik ihtiyaçlarına yönelik çözümler sunabilir.

Ancak başarılı bir yüz tanıma sisteminin değerlendirilmesinde yalnızca algoritmanın eşleştirme başarısı yeterli değildir.

Yanlış kabul ve yanlış ret oranları, sahte sunum saldırılarına dayanıklılık, kamera yerleşimi, siber güvenlik, kişisel veri koruma ve saha validasyonu birlikte ele alınmalıdır.

Özellikle biyometrik verilerin işlenmesinde gereklilik, ölçülülük ve daha az müdahaleci alternatiflerin değerlendirilmesi kritik öneme sahiptir.

Profesyonel bir yüz tanıma sisteminin başarısı, yalnızca kişileri tanıyabilmesiyle değil; bunu ölçülebilir doğruluk, güçlü veri güvenliği ve hukuka uygun bir kullanım modeliyle gerçekleştirmesiyle değerlendirilmelidir.

Kaynaklar

1. NIST – Face Recognition Technology Evaluation (FRTE)

2. NIST – 1:1 Yüz Doğrulama Değerlendirmesi

3. NIST – 1:N Yüz Tanıma Değerlendirmesi

4. NIST – Yüz Tanıma Algoritmalarında Demografik Performans Farkları

5. KVKK – 2022/797 Sayılı Yüz Tanıma ve İş Yeri Kamera Kullanımı Kararı

6. Avrupa Birliği – AI Act (2024/1689)

7. ISO – Uluslararası Standardizasyon Örgütü

8. GüvenlikOnline – Yüz Tanıma Sistemi