A taxa de rejeição em biometria facial não se distribui de forma uniforme entre os usuários. Ela tende a se concentrar em perfis ligados à faixa etária, ao tipo de dispositivo e às condições de captura. Quando um segmento é rejeitado com mais frequência, mais usuários abandonam o fluxo e mais casos chegam ao suporte. Boa parte dessa rejeição nasce na captura, antes de o modelo decidir.
O NIST documentou diferenças de desempenho entre grupos demográficos em algoritmos de reconhecimento facial (NISTIR 8280, 2019). Em onboarding, o efeito costuma aparecer em pessoas idosas e em aparelhos de entrada, que somam câmera de qualidade inferior e menos familiaridade com a captura frontal. Em serviços essenciais, rejeição concentrada vira falha de acesso.
Por que a taxa de rejeição em biometria facial não é uniforme?
A taxa de rejeição mede com que frequência o sistema recusa uma pessoa legítima. Em produção, ela costuma aparecer como um número único, e o agregado não mostra onde a recusa se concentra.
O relatório do NIST FRVT (Face Recognition Vendor Test) de Grother, Ngan e Hanaoka (2019) registrou diferenças de desempenho entre grupos demográficos nos algoritmos avaliados, com magnitude que variou de um algoritmo para outro. A avaliação trata de comparação facial, não de detecção de vivacidade. O estudo não investigou as causas nem estabeleceu uma relação de causa e efeito. O NIST aponta a relação entre o desempenho dos algoritmos e os dados usados no treinamento como uma possível conexão e um tema para pesquisas futuras.
Em produção, o efeito aparece como abandono e escalada para canal assistido, com custo de suporte concentrado em um grupo de usuários. Uma operação com base diversa e taxa global aparentemente aceitável pode conviver com falhas que o agregado não mostra.
O que o design de captura controla antes de o modelo processar a imagem?
O SDK de captura, kit de desenvolvimento do fornecedor, opera entre a câmera do dispositivo e o modelo biométrico. É ele que determina se a imagem chega ao modelo em condições de ser processada.
Pose, iluminação, oclusão do rosto e qualidade da câmera são variáveis que pesam nessa etapa, e são também as que mais variam entre perfis de usuário. Um SDK que tolera variação de ângulo e de luz, e que identifica quando algo cobre o rosto, reduz a rejeição justamente nos perfis com menos familiaridade com a câmera frontal.
O comportamento do fluxo quando a captura falha também separa um SDK do outro. Encerrar a sessão após uma tentativa sem instrução transforma erro de captura em rejeição definitiva. Um fluxo que orienta o usuário dá a ele a chance de concluir.
O que o modelo controla, e onde o treinamento define o desempenho por segmento?
Depois da captura, o desempenho por segmento depende da composição dos dados de treino e da calibração do limiar de decisão. Um modelo treinado com distribuição desbalanceada entre perfis tende a rejeitar mais os grupos sub-representados, e a arquitetura, sozinha, não corrige essa diferença.
Um limiar mais conservador reduz a aceitação indevida e eleva a rejeição. Esse aumento não se distribui por igual: pesa mais nos perfis menos representados no treino.
Por isso uma taxa global parecida pode descrever duas operações diferentes. Distribuída de forma uniforme, ela é variação normal do processo. Concentrada num segmento, ela representa um grupo de usuários que não consegue entrar.
Onde medir a distribuição da rejeição?
Quem tem o recorte por segmento é a própria operação. A faixa etária, o canal e o modelo de aparelho estão, principalmente, na base do cliente. Cruzar o resultado de cada transação com esses atributos mostra onde a rejeição pesa na base real, e é esse recorte que orienta a decisão de produto e de suporte.
Do fornecedor, o que importa é o que o produto faz para que a rejeição não se concentre: como o modelo foi treinado, como o SDK lida com as condições de captura e se a operação consegue consultar o resultado de cada transação.
Como o Fortface trata a captura e o treinamento?
O modelo do Fortface foi treinado com um banco de faces representativo da população brasileira. O SDK tolera variação de pose de até ±30°, condições adversas de iluminação e envelhecimento facial, e detecta oclusão, como óculos ou objetos na frente do rosto.
A captura é automática: o SDK detecta o enquadramento, verifica a iluminação e aciona a captura, e o usuário só precisa manter o rosto voltado para a câmera. O SDK é compatível com os leitores de tela TalkBack e VoiceOver, respeita as configurações de contraste e tamanho de texto do sistema e traz mensagens de posicionamento adaptadas para quem não visualiza a tela. Os textos da interface são customizáveis, o que permite ajustar as instruções ao público da operação. O resultado aparece no primeiro passo do fluxo: 97,9% de sucesso na primeira tentativa.
A operação consulta as transações por usuário, data e modelo de aparelho. Esse recorte permite cruzar o resultado da biometria com o perfil da própria base e analisar como a rejeição se distribui entre os dispositivos representados na operação.
O que perguntar ao fornecedor sobre acessibilidade em biometria facial?
As perguntas que mostram se o fornecedor atua sobre a distribuição da rejeição:
- Com que base de faces o modelo foi treinado, e ela representa a população que a sua operação atende?
- Como o SDK lida com variação de pose, iluminação adversa e oclusão do rosto?
- O SDK é compatível com as opções de acessibilidade do sistema operacional?
- A operação consegue consultar o resultado de cada transação para cruzar com o perfil da própria base?
Para bancos de varejo e fintechs de inclusão financeira, com base diversa, a distribuição da rejeição é métrica de negócio: define custo de suporte e abandono no grupo afetado. Um modelo treinado com a população que a operação atende e uma captura que tolera as condições reais de uso são o que impedem que o erro de captura vire abandono definitivo.
