Influência do viés racial no uso de reconhecimento facial aplicado para controle de acesso

Abstract

O viés racial em tecnologias de reconhecimento facial, especialmente em aplicações de controle de acesso, é uma questão persistente. Este estudo analisa a adoção dessas tecnologias no contexto do aprendizado de máquina e sua integração com segurança da informação, cibersegurança e privacidade de dados. Essas soluções, apesar de amplamente utilizadas, frequentemente refletem desigualdades estruturais devido a conjuntos de dados e algoritmos enviesados, afetando desproporcionalmente grupos raciais sub-representados. A pesquisa combina revisão bibliográfica sistemática com simulações laboratoriais para avaliar como a composição dos conjuntos de dados afeta o desempenho de modelos de aprendizado de máquina em tarefas de reconhecimento facial. Os modelos foram treinados com bases de dados balanceadas e desbalanceadas, e os resultados confirmam que o uso de dados mais representativos pode reduzir o viés significativamente. Com base nessas evidências, foram formuladas 14 recomendações para mitigar o viés racial em sistemas de reconhecimento facial, incluindo a diversificação dos conjuntos de dados, o aumento da transparência dos algoritmos e a participação de equipes multidisciplinares nas decisões técnicas e éticas. Essas propostas estão alinhadas com os princípios do NIST AI Risk Management Framework (NIST AI 600), que orienta o desenvolvimento e uso responsável de sistemas de inteligência artificial, com foco em confiabilidade, equidade, explicabilidade e rastreabilidade. A adoção dessas medidas pode aprimorar a precisão e a equidade dos sistemas, promovendo maior confiança pública, especialmente em contextos sensíveis como o controle de acesso, e fornecer um roteiro para avançar a justiça algorítmica e a governança ética em IA.