Le projet de recherche MAMMOTH, mené par IDnow pour réduire les biais dans la vérification faciale, s’achèvera à l’automne 2025. Voici un aperçu des découvertes majeures réalisées jusqu’à présent, et de ce qu’elles annoncent pour une vérification d’identité plus équitable.
La vérification faciale s’est imposée comme un outil clé dans la confirmation d’identité, offrant sécurité, rapidité et simplicité à des millions d’utilisateurs à travers le monde. Pourtant, ces systèmes sont encore loin d’être parfaits pour tout le monde. En particulier, certaines populations — notamment les personnes à la peau plus foncée — continuent d’être confrontées à des taux d’erreur bien plus élevés.
Qu’est-ce que la vérification faciale et comment fonctionne-t-elle ?
La vérification faciale biométrique est une méthode de plus en plus courante pour confirmer l’identité d’une personne, notamment lors de démarches en ligne comme l’ouverture d’un compte bancaire ou la souscription à un service.
Elle consiste à :
- Capturer une image du visage de l’utilisateur (généralement via selfie ou vidéo),
- Comparer cette image avec la photo figurant sur un document d’identité,
- Valider que la personne est bien réelle grâce à des technologies comme la détection du vivant ou l’analyse 3D.
Contrairement à la reconnaissance faciale “1 à plusieurs”, qui tente d’identifier une personne parmi un ensemble, la vérification faciale “1 à 1” compare uniquement deux images pour confirmer une identité.
Le problème : des biais démographiques persistants
Malgré ses avantages, la vérification faciale reste moins fiable pour certaines populations. Une étude du MIT Media Lab (2019) a montré que :
- Les erreurs de reconnaissance faciale étaient de seulement 0,8 % pour les hommes blancs,
- Mais atteignaient jusqu’à 34,7 % pour les femmes à la peau foncée.
Ce n’est pas qu’un simple défaut technique : ces écarts mettent en péril l’accès égal aux services numériques. Ils peuvent empêcher certaines personnes d’ouvrir un compte bancaire, de s’inscrire à un service social ou d’accéder à leurs droits.
MAMMOTH : un projet européen pour combattre les biais algorithmiques
Lancé en 2022, le projet MAMMOTH (Machine Learning Against Visual Bias in Identification Technology) a pour objectif de :
- Identifier les biais présents dans les systèmes de vérification d’identité,
- Proposer des outils aux ingénieurs, développeurs et chercheurs pour les atténuer,
- Tester des approches concrètes, comme l’enrichissement des ensembles de données et les techniques d’IA éthique.
Nous avons collaboré avec des chercheurs de renom, comme le Dr Francisco Hernández ou Ioannis Sarridis, pour explorer les solutions les plus efficaces.
Ce qui cause le biais ? Des jeux de données non représentatifs
Les algorithmes d’IA sont aussi bons que les données sur lesquelles ils sont entraînés. Or, les ensembles de données publics sont souvent déséquilibrés :
- Sous-représentation des personnes à la peau foncée,
- Mauvais calibrage des teintes de peau sur les photos d’identité,
- Variabilité non prise en compte des documents délivrés par différents pays.
Résultat : le modèle peine à reconnaître correctement certains visages, créant une expérience injuste et inégale.
Notre solution : des données plus diversifiées, des modèles plus robustes
Pour corriger ces biais, IDnow a mis en œuvre deux approches complémentaires :
1. Entraînement sur des données mieux calibrées
Nous avons conçu un ensemble de données démographiquement équilibré, incluant différentes teintes de peau et variations de documents d’identité. Cela permet une meilleure correspondance entre l’image selfie et la photo du document d’identité.
2. Génération d’images synthétiques grâce au transfert de style
Nous avons utilisé des techniques de “style transfer” pour créer des images artificielles réalistes reproduisant les variations naturelles (éclairage, résolution, filtres, etc.) observées dans le monde réel.
Des résultats concrets
Les tests menés sur des bases de données publiques et propriétaires montrent que :
- Notre méthode permet une amélioration de 8 % de la précision de vérification,
- Tout en nécessitant 75 % de données en moins,
- Et en réduisant de plus de 50 % l’écart de précision entre les teintes de peau.
Vers une vérification d’identité plus inclusive
Chez IDnow, nous sommes convaincus que l’intelligence artificielle ne peut être un progrès que si elle profite à tous. En s’appuyant sur des données diversifiées, en concevant des algorithmes éthiques et en respectant les cadres de protection des données comme le RGPD, nous construisons des solutions plus justes, plus robustes, et plus humaines.
Le projet que nous menons illustre comment la technologie peut contribuer à un monde numérique plus sûr, plus juste, et plus inclusif. En combinant innovation, transparence et responsabilité, nous posons les bases d’une confiance numérique durable — où chacun peut prouver son identité, sans discrimination.
Cependant, sans un cadre juridique garantissant le respect des normes éthiques, même la plus grande avancée technologique ne suffira pas à avoir un impact durable. Nous sommes fiers de participer à la construction d’un standard plus juste pour la vérification faciale, et espérons que ces orientations seront demain intégrées dans les régulations, notamment dans le cadre de la future législation européenne sur l’IA.
Pour en savoir plus, regardez notre webinaire sur les biais dans la vérification d’identité biométrique, et découvrez en détail les résultats du projet MAMMOTH.
Le projet MAMMOTH a été financé par l’Union européenne dans le cadre de l’accord de subvention ID : 101070285. Les opinions exprimées dans cet article sont celles des auteurs et ne reflètent pas nécessairement celles de la Commission européenne.
Par
Dr Elmokhtar Mohamed Moussa
Research Scientist, Biometrics Team
Rejoignez Elmokhtar sur LinkedIn
