미리보기
미리듣기
얼굴 인식 기술의 가능성과 프라이버시 침해, 감시사회화의 위험 사이에서 균형 있게 고민해야 할 쟁점을 다룬다. 기술과 책임의 교차점에 선 독자를 위한 안내서다.
두 개의 얼굴 사진이 있다고 가정해 보자. 이때 우리는 AI(Artificial Intelligence) 모델을 활용하여 두 얼굴이 얼마나 닮았는지, 혹은 닮지 않았는지를 점수로 표현할 수 있을까? 얼굴 인식 기술에 대한 가장 간단한 설명은 바로 이러한 개념을 기반으로 한다. 즉, 얼굴 인식 모델은 두 얼굴 간의 유사도를 측정하고, 이를 정량적인 점수로 나타내는 방식으로 작동한다. 가령 동일한 인물의 얼굴이라면 1점에 가깝고, 완전히 다른 사람이라면 0점에 가까운 값을 부여하는 시스템을 생각할 수 있다. 이러한 방식으로 얼굴 간의 유사도를 평가할 수 있다면, 우리는 해당 AI 모델을 얼굴 인식을 위한 핵심 기술로 활용할 수 있을 것이다. 그러나 현실적으로 이러한 AI 모델을 제작하는 것은 결코 간단한 일이 아니다. 사람의 얼굴은 하루 동안에도 여러 가지 변화를 겪는다. 헤어스타일이 달라질 수도 있고, 안경이나 마스크 같은 액세서리를 착용할 수도 있으며, 조명 환경이나 촬영 각도에 따라 얼굴이 전혀 다르게 보일 수도 있다. 심지어 같은 사람이라도 화장을 하기 전과 후의 얼굴은 상당한 차이를 보일 수 있다.
－01_“얼굴 인식 기술의 개요” 중에서
그러나 LFW와 같은 데이터 세트는 비교적 작은 규모로 인해 최신 얼굴 인식 모델을 훈련하는 데 한계가 있었다. 이를 극복하기 위해 등장한 데이터 세트가 웹페이스 260M(WebFace 260M)(Zhu, et al., 2021)이다. 웹페이스 260M은 2M(200만 개)의 ID와 260M(2억6천만 개)의 이미지를 포함하는 초대형 데이터 세트로, 이 데이터 세트가 등장하면서 공개(Face Open-source) 모델과 상용(Face Commercial) 모델 간의 성능 격차가 현저히 줄어들었다. 현재 웹페이스 260M을 활용한 모델들은 일부 상용 모델과 비교해도 큰 성능 차이를 보이지 않으며, 연구 커뮤니티에서 폭넓게 사용되고 있다.
－03_“얼굴 데이터 세트” 중에서
딥 러닝 기반 안티 스푸핑 기술은 단순히 라이브니스 검사를 수행하는 것이 아니라, 공격자의 조작 가능성을 사전에 탐지하는 역할을 한다. 최근 연구에서는 GAN을 활용한 딥페이크 영상이 미세한 픽셀 왜곡이나 고주파 특성을 가진다는 점에 주목하여, 이를 탐지하는 주파수 기반 분석 기법이 개발되고 있다. 또한, 머신 러닝을 이용해 실제 사용자의 얼굴 데이터와 위조된 얼굴 데이터 간의 차이를 학습하여 스푸핑 공격을 탐지하는 방법도 연구되고 있다. 영상 내 반사광이나 그림자의 왜곡을 분석하여 화면에 띄운 얼굴 영상과 실제 얼굴 간의 차이를 찾아내는 기술 역시 중요한 역할을 한다.
－06_“보안 위협과 취약점” 중에서
이와 같은 윤리적 문제로 인해, 중국의 얼굴 인식 기술은 여러 국가에서 직접적인 사용을 금지하거나 제한하는 상황이다. 미국과 유럽 연합(EU)에서는 중국산 얼굴 인식 시스템을 정부 및 기업에서 사용하는 것을 제한하거나, 대체 기술을 모색하는 추세이며, 이는 단순한 윤리적 논의를 넘어 실제 제품의 사용성과 시장 확장성에도 영향을 미치고 있다. 이러한 사례는 얼굴 인식 기술의 발전이 단순한 기술적 진보로 끝나는 것이 아니라, 윤리적, 정책적 문제와 깊이 연관되어 있으며, 제품의 상업적 사용 가능성에도 영향을 미치는 요소임을 보여 준다.
－09_“윤리적 딜레마와 사회적 영향” 중에서
교보문고: