Top 5 des défis et solutions de la reconnaissance faciale

La reconnaissance faciale fait désormais partie du quotidien, du déverrouillage des téléphones à la vérification d’identité dans les espaces publics. Sa portée continue de croître, apportant à la fois commodité et nouvelles possibilités. Cependant, cette expansion soulève également des préoccupations concernant l’exactitude, la vie privée, les biais et l’équité, qui nécessitent une attention particulière.

Biais dans la reconnaissance faciale

Le graphique compare huit systèmes de reconnaissance faciale en utilisant le benchmark Racial Faces in the Wild (RFW). RFW évalue la vérification faciale un-à-un, c’est-à-dire que le système vérifie si deux images de visages appartiennent à la même personne.

Le benchmark rapporte les résultats séparément pour quatre groupes démographiques : caucasien, indien, asiatique et africain.

Chaque groupe est testé avec 6,000 paires d’images difficiles. La moitié de ces paires montrent la même personne, tandis que l’autre moitié montre des personnes différentes. Comme les quatre groupes utilisent la même configuration de test équilibrée, les différences de performance entre les groupes sont plus susceptibles de refléter un biais démographique que des différences dans la conception du test.¹

Chaque point sur le graphique représente un modèle de reconnaissance faciale. Les quatre scores de précision des sous-groupes du modèle sont résumés en deux mesures :

• Précision moyenne : Indiquant la performance globale du modèle sur tous les groupes démographiques.
• Équité : Calculée comme 100 moins l’écart entre le sous-groupe le plus performant et le moins performant.

Les résultats montrent un schéma cohérent : la plupart des systèmes performent le mieux sur les visages caucasiens et le moins bien sur les visages africains. Dans plusieurs cas, le taux d’erreur pour les visages africains est environ deux fois supérieur à celui des visages caucasiens. Cet écart est ce qui fait descendre les systèmes moins équitables plus bas sur le graphique.²

Cet exemple montre pourquoi la précision de la reconnaissance faciale seule ne suffit pas à évaluer ces systèmes. Même lorsqu’un modèle performe bien en moyenne, ses erreurs peuvent être inégalement réparties entre les groupes démographiques, créant des risques réels dans la sécurité, l’application de la loi, les services bancaires et la vérification d’identité.

Ces écarts de performance sont l’un des nombreux défis que les organisations doivent prendre en compte avant d’adopter la technologie de reconnaissance faciale. Ci-dessous, nous examinons les principaux défis de la reconnaissance faciale, leurs causes et les moyens potentiels de les résoudre.

1. Vie privée et surveillance

La reconnaissance faciale peut être utilisée pour surveiller les personnes sans leur consentement. Lorsque les autorités ou les entreprises l’appliquent dans les espaces publics, les individus peuvent être identifiés et suivis sans s’en rendre compte. Ce type de surveillance soulève de sérieuses préoccupations en matière de vie privée et peut menacer les libertés civiles.

Par exemple, la Metropolitan Police a étendu son déploiement de la reconnaissance faciale en direct dans les espaces publics, mais l’échelle des analyses varie selon les opérations et n’est pas appliquée en continu dans toute la ville.³

Comment renforcer la vie privée ?

• Établir des cadres juridiques clairs pour réglementer l’utilisation gouvernementale et empêcher la surveillance non autorisée.
• Exiger un consentement écrit avant de collecter des données de reconnaissance faciale dans des contextes non publics.
• Mettre en œuvre des mesures de transparence, telles que des audits et des rapports réguliers sur les déploiements.
• Limiter le stockage des données biométriques à des fins d’identification spécifiques et renforcer les contrôles de protection des données.

Exemple concret : Reconnaissance faciale dans le commerce de détail

Les détaillants utilisent de plus en plus la reconnaissance faciale pour identifier les personnes précédemment signalées pour vol, fraude ou autre inconduite. Cela a soulevé des inquiétudes quant à la possibilité pour les acheteurs de consentir de manière significative à l’analyse biométrique dans les espaces commerciaux ordinaires.

En 2026, Wegmans a rencontré des difficultés après avoir confirmé que la reconnaissance faciale était utilisée dans certains magasins new-yorkais. L’entreprise a déclaré que la technologie était utilisée dans les magasins à plus haut risque et pour identifier les personnes précédemment signalées pour inconduite. Cependant, les défenseurs de la vie privée et les législateurs locaux ont fait valoir que les systèmes biométriques posent des risques supérieurs à ceux des caméras de sécurité standard, car les données faciales peuvent être stockées, réutilisées, vendues ou volées.

La controverse a conduit le comté d’Érié, dans l’État de New York, à adopter une loi interdisant aux établissements commerciaux de collecter, stocker ou vendre les données biométriques des clients, y compris les scans faciaux. La loi n’interdit pas les caméras de sécurité standard et inclut des exemptions pour l’usage gouvernemental et les forces de l’ordre.⁴

Exemple concret : Reconnaissance faciale au niveau de la rue

Les agents fédéraux de l’immigration utilisent de plus en plus la technologie de reconnaissance faciale lors d’opérations de rue, ce qui soulève des inquiétudes concernant l’expansion de la surveillance gouvernementale.

L’ICE et d’autres responsables du Département de la Sécurité Intérieure ont utilisé une application pour smartphone appelée Mobile Fortify pour photographier et scanner les visages des personnes dans des villes comme Minneapolis, Chicago et Portland, dans le Maine. L’application peut comparer les images aux bases de données gouvernementales en temps réel et peut conserver les photos jusqu’à 15 ans, selon des documents obtenus par une demande en vertu de la Loi sur la Liberté de l’Information. Des témoins affirment que les scans ont inclus des passants et des citoyens américains, et non des cibles de l’application de la loi.

Le DHS affirme que l’outil est légal et aide à identifier les personnes d’intérêt. Mais les groupes de défense des libertés civiles et certains législateurs soutiennent que la reconnaissance faciale au niveau de la rue peut violer les protections constitutionnelles et normaliser la surveillance biométrique dans les espaces publics. Des poursuites judiciaires et des propositions législatives visent à limiter cette pratique, les critiques avertissant qu’elle pourrait éroder la vie privée et restreindre l’activité publique.⁵

Exemple concret : Name Tag de Meta

Meta prévoit d’apporter la technologie de reconnaissance faciale à ses lunettes intelligentes Ray-Ban. La fonctionnalité, appelée en interne « Name Tag », permettrait aux utilisateurs d’identifier les personnes qu’ils voient et d’accéder à des informations à leur sujet via l’assistant IA de Meta.

Avant ce développement, Facebook avait fermé son système de reconnaissance faciale en 2021, invoquant des risques pour la vie privée et des risques juridiques. Après avoir vendu plus de 7 millions de lunettes intelligentes en 2025 et face à une concurrence croissante dans les wearables d’IA, Meta voit la reconnaissance faciale comme un moyen de rendre ses appareils plus utiles et de se démarquer sur le marché.

Les discussions internes montrent que l’entreprise est consciente des préoccupations en matière de vie privée et de sécurité. Meta a envisagé de limiter la fonctionnalité à la reconnaissance des personnes connectées à un utilisateur sur ses plateformes ou à celles ayant des profils publics, plutôt que d’offrir une identification ouverte.

Les défenseurs de la vie privée avertissent que l’intégration de la reconnaissance faciale dans les lunettes grand public pourrait éroder l’anonymat dans les espaces publics et inviter à des abus.

Dans le même temps, Meta fait valoir que la technologie pourrait améliorer l’accessibilité, en particulier pour les personnes aveugles ou malvoyantes. L’entreprise développe également des lunettes plus avancées conçues pour capturer en continu des données visuelles, la reconnaissance faciale alimentant des rappels et une assistance contextuelle.⁶

2. Biais et erreurs d’identification

Bien que de nombreux systèmes de reconnaissance faciale affichent encore des taux d’erreur plus élevés pour les groupes marginalisés, les modèles de premier plan évalués dans les récentes évaluations du NIST⁷ ont considérablement réduit les écarts de précision démographique. Le biais reste une préoccupation, en particulier dans les systèmes plus anciens ou mal organisés.

Pour réduire les biais et les erreurs d’identification :

• Former les modèles sur des datasets diversifiés proxy de multiples données démographiques.
• Exiger des tests indépendants pour identifier les biais algorithmiques.
• Appliquer des seuils prudents et garantir une supervision humaine de toutes les correspondances.
• Interdire aux organismes d’application de la loi de se fier uniquement aux résultats automatisés.

Exemple concret : Représentation raciale dans la reconnaissance faciale

Une professeure d’informatique du département d’informatique et d’ingénierie de l’Université de Buffalo, Ifeoma Nwogu, explique que de nombreux algorithmes atteignent une grande précision dans des datasets de formation étroitement représentatifs, généralement dominés par des images d’hommes blancs âgés de 18 à 35 ans, ce qui entraîne des taux d’erreur significativement plus élevés pour les femmes et les personnes de couleur.

Les études de Gender Shades et du NIST ont confirmé une précision particulièrement faible pour les femmes noires, illustrant comment des données déséquilibrées et des technologies de caméra non optimisées pour les peaux plus foncées renforcent les disparités systémiques.

Bien que les progrès récents dans les datasets, la qualité des caméras et l’apprentissage automatique aient amélioré la précision, Nwogu souligne qu’une surveillance significative doit avoir lieu aux niveaux gouvernemental et politique, car de nombreux préjudices sociétaux découlent des conséquences imprévues des systèmes déployés.

Elle soutient qu’une réglementation complète, une littératie technique accrue parmi les décideurs politiques et la poursuite de la recherche sur des modèles sensibles à la diversité sont essentielles pour garantir que la reconnaissance faciale soit utilisée de manière responsable et éthique.⁸

3. Sécurité des données et utilisation abusive

Les données faciales sont particulièrement sensibles car, contrairement à un mot de passe, elles ne peuvent pas être réinitialisées une fois exposées. Si quelqu’un y accède, il pourrait les utiliser pour le vol d’identité, la fraude ou le suivi non autorisé. Lorsque ces systèmes fonctionnent avec peu de surveillance, le risque d’abus augmente.

Soutenir la sécurité des données et minimiser les abus en :

• Chiffrant toutes les données de reconnaissance faciale stockées et en limitant les périodes de conservation.
• Exigeant la conformité à des normes de protection des données solides et des audits réguliers.
• Appliquant des contrôles d’accès stricts pour garantir que le personnel autorisé traite les données biométriques.
• Exigeant des plans de réponse aux incidents clairs pour protéger les individus en cas de violation.

Exemple concret : Violations de la vie privée de Clearview IA

Clearview IA est une entreprise américaine qui fournit un logiciel de reconnaissance faciale construit sur une base de données de dizaines de milliards d’images extraites de sites Web accessibles au public. Les organismes d’application de la loi et les agences gouvernementales téléchargent une photo sur le système, qui renvoie des correspondances possibles et des liens vers les endroits où ces images sont apparues en ligne. La technologie a été utilisée dans des enquêtes criminelles et commercialisée auprès des agences frontalières et de renseignement.

L’entreprise a fait l’objet d’un examen juridique et réglementaire soutenu concernant les problèmes de confidentialité. Les critiques soutiennent que Clearview collecte et indexe les images faciales sans la connaissance ou le consentement des individus. Aux États-Unis, elle a été poursuivie en vertu des lois sur la confidentialité biométrique, y compris la Loi sur la confidentialité des informations biométriques de l’Illinois, aboutissant à un règlement majeur. Les tribunaux de Californie ont également permis que des plaintes pour violation de la vie privée concernant ses pratiques de base de données soient entendues.

Les régulateurs européens ont constaté à plusieurs reprises que Clearview enfreignait les lois sur la protection des données. Les autorités en Grèce et aux Pays-Bas ont imposé des amendes de plusieurs millions d’euros, citant la collecte illicite de données biométriques en vertu du RGPD. Les groupes de défense de la vie privée ont également déposé des plaintes pour demander de nouvelles actions en justice.

Plus récemment, le Service des douanes et de la protection des frontières des États-Unis a signé un contrat donnant aux unités de renseignement l’accès au système de Clearview pour le ciblage tactique, soulevant des inquiétudes quant à l’expansion de la surveillance biométrique dans les opérations gouvernementales courantes.⁹

4. Limitations techniques en conditions réelles

La reconnaissance faciale a tendance à être moins précise en conditions réelles. La faible luminosité, les masques, les lunettes et les changements d’angle peuvent tous perturber le système, entraînant des erreurs. Ces problèmes rendent plus difficile de se fier à la technologie pour les contrôles d’identité, l’accès sécurisé ou le maintien de l’ordre.

Pour augmenter la précision en conditions réelles :

• Améliorer les normes de capture d’image pour garantir des entrées de haute résolution.
• Appliquer la détection de vivacité pour confirmer que de vraies personnes sont présentes lors des scans.
• Utiliser des méthodes avancées telles que la modélisation faciale 3D et les GAN pour reconstruire les caractéristiques occluses.
• Employer une authentification multimodale (combinant le visage avec l’iris, l’empreinte digitale ou la reconnaissance vocale) dans les zones sensibles.

Récemment, les chercheurs ont de plus en plus utilisé des modèles basés sur la diffusion et des architectures de transformeurs pour reconstruire les caractéristiques faciales occluses, car ces méthodes surpassent les GAN traditionnels en termes de stabilité et de précision.

Exemple concret : Détection de vivacité avec Yoti MyFace

Yoti MyFace Liveness est un système passif de détection de vivacité qui vérifie si un selfie est capturé à partir d’une personne réelle, physiquement présente en temps réel, plutôt qu’à partir d’une usurpation, comme une photo imprimée, une vidéo rediffusée, un masque ou un deepfake généré par l’IA.

Il fonctionne en analysant un seul selfie à l’aide de plusieurs modèles de réseaux de neurones pour évaluer la qualité de l’image et les indices de profondeur faciale, et renvoie un score de confiance en quelques secondes. Contrairement à la reconnaissance faciale, il n’identifie pas qui est une personne ; il vérifie que le visage est vivant et authentique. Il peut également être configuré pour détecter les attaques par injection où une fausse image ou vidéo est injectée dans le flux de la caméra au lieu d’une capture réelle.¹⁰

Exemple concret : Images de mauvaise qualité dans les enquêtes

De nombreuses défaillances de la reconnaissance faciale se produisent lorsque les systèmes sont appliqués à des images qui ne sont pas conçues pour la correspondance biométrique. Les images de surveillance peuvent être floues, mal éclairées, inclinées ou partiellement obstruées. Ces conditions peuvent réduire les scores de confiance et augmenter le risque de fausses correspondances.

Ceci est particulièrement important dans l’application de la loi, où une image de mauvaise qualité peut être comparée à de grandes bases de données. Même si le système renvoie une correspondance possible, le résultat doit être traité comme une piste d’enquête plutôt que comme une identification fiable.

La leçon pratique est que la reconnaissance faciale ne doit pas être évaluée par sa précision de benchmark. Les organisations doivent tester la technologie dans les mêmes conditions que celles où elle sera utilisée, y compris la qualité de la caméra, l’éclairage, le mouvement des utilisateurs et la variation démographique.

Exemples concrets : Augmenter l’efficacité de la reconnaissance faciale en conditions réelles

Selon une étude récente, les systèmes de reconnaissance faciale continuent de faire face à des défis importants lorsqu’ils sont utilisés en conditions réelles. Pour remédier à ces limitations, les chercheurs développent des méthodes telles que l’apprentissage profond, la modélisation faciale 3D et les techniques génératives qui peuvent reconstruire les caractéristiques manquantes.

L’étude souligne les avantages de combiner la reconnaissance faciale avec d’autres approches biométriques pour améliorer la précision. Elle insiste également sur l’importance des techniques de préservation de la vie privée, telles que l’apprentissage fédéré et le chiffrement.

Elle conclut que, malgré des progrès rapides, les défis liés à l’équité, à la précision et à la vie privée doivent être relevés pour garantir l’utilisation responsable de la technologie de reconnaissance faciale.

Figure 1 : L’image montre 30 types différents de distorsions et de changements d’apparence courants.¹¹

Une autre étude sur les défis de la reconnaissance faciale montre que les systèmes de surveillance et de reconnaissance souffrent souvent d’une précision réduite en raison de séquences de mauvaise qualité, d’occlusions (par exemple, des lunettes) et de biais démographiques dans les datasets de formation.

Pour résoudre ces problèmes, les chercheurs ont développé un framework d’apprentissage profond qui utilise des autoencodeurs et des réseaux antagonistes génératifs (GAN) pour générer des données synthétiques, manipuler les attributs faciaux et améliorer les images dégradées.

Les composants clés de cette approche comprennent un modèle pour ajuster les tons de peau pour une meilleure représentation démographique, un système pour enlever les lunettes tout en préservant l’identité, et un module d’amélioration d’image qui améliore la clarté des séquences de surveillance à basse résolution.

Testée sur le dataset CelebA, la méthode a démontré une diversité de dataset améliorée, un biais réduit et une précision de reconnaissance accrue dans des conditions difficiles.¹²

5. Problèmes éthiques et sociétaux

L’utilisation croissante de la reconnaissance faciale a suscité de sérieuses questions éthiques concernant l’équité, la transparence et la confiance du public. Lorsque la technologie est utilisée sans consentement clair, elle fait souvent l’objet de vives critiques publiques. Si sa propagation se poursuit sans limites appropriées, elle pourrait rendre la surveillance constante normale et affaiblir les droits fondamentaux.

Soutenir les normes éthiques en :

• Exigeant la divulgation par les entreprises et les agences gouvernementales sur la manière dont les systèmes de reconnaissance faciale sont utilisés.
• Exigeant un consentement explicite significatif pour les individus.
• Créant des comités d’examen éthique indépendants pour superviser les déploiements.
• Lanceant des campagnes de sensibilisation du public expliquant à la fois les avantages et les risques de la technologie.

Exemple concret : Vérification de la présence des étudiants par reconnaissance faciale

Un rapport récent sur le plan de l’Inde d’utiliser la reconnaissance faciale basée sur l’IA pour la présence des étudiants dans le cadre du Système de Suivi des Acquis des Étudiants (SATS) a soulevé d’importantes préoccupations en matière de vie privée et d’éthique. Les experts avertissent que la collecte et le stockage des données faciales des enfants pourraient conduire à des abus, y compris des fuites potentielles vers des acteurs commerciaux ou criminels.

Ils soulignent que les écoles devraient rester des espaces d’apprentissage sûrs, et non des sites de surveillance. Au lieu de cela, ils suggèrent d’améliorer les Comités de Développement et de Suivi des Écoles (SDMC) et d’adopter des outils open source comme options plus sûres et plus transparentes.¹³

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Les étapes de la technologie de reconnaissance faciale

Un système de reconnaissance faciale typique suit une séquence claire :

1. Capture d’image : Le système enregistre une image faciale ou une trame à partir d’une vidéo. La qualité des scans faciaux a un impact significatif sur les résultats, les images en haute résolution produisant généralement des correspondances plus précises.
2. Détection de visage : Des algorithmes spécialisés localisent le visage dans l’image capturée et le séparent de l’arrière-plan. Cette étape est essentielle avant d’analyser les caractéristiques faciales.
3. Extraction de caractéristiques : Le système encode les caractéristiques faciales uniques en un gabarit numérique qui représente l’identité d’une personne. Certaines technologies de reconnaissance faciale utilisent des données tridimensionnelles pour améliorer la précision.
4. Comparaison : Le gabarit extrait est comparé aux données de reconnaissance faciale stockées dans une base de données ou à une image de visage spécifique, selon que la tâche est l’identification ou la vérification.
5. Décision : Le système évalue le niveau de similarité entre la sonde et les données stockées, puis produit des correspondances potentielles ou confirme une identité.

Par exemple, Amazon Rekognition utilise des collections pour stocker les vecteurs faciaux, qui sont des représentations mathématiques des caractéristiques faciales plutôt que des images.

Le flux de travail est le suivant :

• Créer une collection pour contenir les données faciales.
• Indexer les visages pour détecter et stocker les vecteurs faciaux.
• Créer un utilisateur et associer des visages pour regrouper plusieurs images de la même personne en un vecteur utilisateur pour une plus grande précision.

Vous pouvez ensuite rechercher des visages dans des images, des vidéos stockées ou des vidéos en streaming en utilisant des opérations comme SearchFacesByImage ou SearchUsersByImage. Cela permet des cas d’usage tels que l’authentification des employés aux points d’entrée en comparant les scans faciaux en direct avec les données stockées à l’aide de scores de similarité.¹⁴

Comment mesurer la précision de la reconnaissance

La précision de la technologie de reconnaissance faciale est mesurée par des métriques spécifiques qui capturent la probabilité de correspondances correctes ou incorrectes. Les mesures courantes incluent :

• Taux de fausse correspondance (FMR) : La probabilité que le système mette incorrectement en correspondance deux personnes différentes.
• Taux de faux rejet (FNMR) : La probabilité que le système ne parvienne pas à mettre en correspondance deux images de la même personne.
• Taux d’identification : Des métriques telles que le taux d’identification de rang 1 indiquent la fréquence à laquelle le système identifie correctement les individus à partir d’une base de données étendue.
• Compromis d’erreur : La performance est souvent présentée dans des graphiques, tels que les courbes ROC, qui montrent comment les faux positifs et les faux négatifs changent à mesure que le seuil de décision est ajusté.

La précision dépend de la qualité des images faciales, de l’éclairage, de l’angle et même des changements d’apparence, comme la pilosité faciale. Elle varie également selon les modèles de reconnaissance faciale, ce qui soulève d’importantes préoccupations éthiques concernant les biais algorithmiques et l’équité envers des groupes spécifiques.

Qu’est-ce que le score de confiance en reconnaissance faciale ?

Un score de confiance montre à quel point un système de reconnaissance faciale est certain que deux visages appartiennent à la même personne. Il mesure la similarité, et non la probabilité exacte d’être correct. Bien qu’un score plus élevé signifie une correspondance plus étroite, le jugement final dépend du seuil défini dans le système.

• Calibration : Les scores de confiance varient selon les logiciels de reconnaissance faciale et doivent être alignés sur les objectifs opérationnels.
• Seuils : Dans de nombreuses juridictions, les systèmes d’application de la loi génèrent des listes de candidats basées sur des seuils de confiance élevés, et les agents sont tenus de valider manuellement les correspondances potentielles plutôt que de se fier aux résultats automatisés.
• Influence des conditions : Un mauvais éclairage, l’occlusion ou des changements dans les caractéristiques faciales uniques, comme une nouvelle pilosité faciale, peuvent réduire les scores de confiance et affecter les résultats.
• Implications politiques : Parce que les données de reconnaissance faciale sont des données biométriques sensibles, les seuils de confiance doivent être gérés avec des garanties de protection des données, des considérations de confidentialité personnelle et une sensibilisation aux problèmes éthiques tels que les biais raciaux et l’utilisation abusive potentielle dans la surveillance non autorisée.

Les scores de confiance aident donc à équilibrer la capacité de la technologie à identifier les individus par rapport aux risques de faux positifs et aux défis plus larges de la reconnaissance faciale auxquels sont confrontées de nombreuses entreprises, agences gouvernementales et forces de l’ordre.

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Top 5 des défis et solutions de la reconnaissance faciale}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/facial-recognition-challenges}},
  note   = {AIMultiple. Consulté le 22 Juin 2026}
}

Liens de référence

1.

http://whdeng.cn/RFW/testing.html

2.

[1812.00194] Racial Faces in-the-Wild: Reducing Racial Bias by Information Maximization Adaptation Network

3.

Met police to more than double use of live facial recognition | Facial recognition | The Guardian

The Guardian

4.

NYC Wegmans storing shoppers' facial scans, biometric data to ID customers, boost security

New York Post

5.

ICE agents use facial recognition on targets and bystanders

NBC News

6.

nytimes.com

7.

NEC Face Recognition Ranks First in NIST Accuracy Testing: Press Releases | NEC

8.

UB computer science professor weighs in on bias in facial recognition software - University at Buffalo

9.

CBP Signs Clearview AI Deal to Use Face Recognition for ‘Tactical Targeting’ | WIRED

WIRED

10.

https://cdn.aws.yoti.com/wp-content/uploads/2026/01/Yoti-MyFace-Liveness-Paper-Jan-2026-public.pdf

11.

https://arxiv.org/pdf/2412.02479

12.

https://arxiv.org/pdf/2506.06578

13.

AI facial recognition move in Karnataka schools triggers privacy alarm bells | Bengaluru News - The Times of India

14.

Image recognition software, ML image analysis, and video analysis – Amazon Rekognition – AWS

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste Sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, spécialisée dans le marketing par email et les vidéos de vente. Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d'un Master of Science en psychologie sociale et d'un Bachelor of Arts en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire