El reconocimiento facial en seguridad pública es una tecnología que detecta rostros en el video de las cámaras, los convierte en una plantilla numérica y los compara contra una lista de vigilancia autorizada (por ejemplo, personas con orden de captura o desaparecidas). Cuando la similitud supera un umbral, el sistema no "identifica" a nadie: genera una alerta con un posible candidato que un operador humano debe revisar antes de cualquier acción. Bien usado, es una pista para la policía; tratado como prueba, puede terminar en una detención equivocada.
¿Cómo funciona el reconocimiento facial paso a paso?
Un sistema típico en un centro de monitoreo sigue esta cadena:
- Detección: el software encuentra rostros en cada cuadro de video de las cámaras.
- Calidad y alineación: descarta o marca rostros borrosos, de perfil, muy pequeños o tapados.
- Plantilla: convierte el rostro en un vector numérico. No se compara la foto, sino esa representación matemática.
- Comparación 1:N: busca ese vector en una lista de vigilancia. El NIST de EE. UU. define la identificación "uno a muchos" como la búsqueda que determina si la persona de la foto tiene alguna coincidencia en una base de datos.
- Puntaje y umbral: cada comparación produce un puntaje de similitud; si supera el umbral, se crea una alerta.
- Revisión humana: un operador compara la imagen en vivo con la de la lista y decide si la coincidencia es plausible.
- Registro: la alerta, la revisión y la decisión quedan guardadas para auditoría.
¿En qué se diferencia de desbloquear un celular?
Desbloquear un teléfono es verificación 1:1: ¿esta persona es quien dice ser? En la vía pública se hace identificación 1:N contra una lista, con cámaras a distancia, mala luz y ángulos difíciles. Por eso el margen de error es mayor y la revisión humana es indispensable.
¿Qué tan preciso es y por qué se equivoca?
Hay dos tipos de error: el falso positivo (el sistema señala a la persona equivocada) y el falso negativo (no reconoce a alguien que sí está en la lista). En seguridad pública el falso positivo es el más grave, porque puede llevar a detener a un inocente.
El estudio de referencia es el de NIST sobre efectos demográficos, que evaluó 189 algoritmos de 99 desarrolladores y encontró diferencias demográficas en la mayoría. Según el testimonio de NIST, las tasas de falsos positivos entre grupos demográficos a menudo varían por factores de 10 a más de 100, son más altas en mujeres, en personas mayores y en jóvenes, y, como los algoritmos más precisos cometen menos errores, cabe anticipar que muestren diferencias demográficas menores.
En la práctica, la precisión también depende de:
- La calidad de la imagen: iluminación, resolución, ángulo, gorras, mascarillas.
- La calidad y la legalidad de la lista de vigilancia: fotos viejas o personas que no deberían estar ahí.
- El umbral elegido: más bajo da más alertas y más falsos positivos; más alto, más casos perdidos.
¿Cómo se evitan las detenciones equivocadas?
Dos casos muestran lo que pasa cuando fallan los controles. En Detroit, Robert Williams fue detenido por error en 2020 y pasó más de 30 horas preso por una coincidencia facial obtenida de imágenes de vigilancia borrosas; la ciudad pagó 300.000 dólares y, como parte del acuerdo, la policía ya no puede detener a alguien solo con base en resultados de reconocimiento facial.
En Buenos Aires, una jueza declaró en 2022 inconstitucional la implementación del Sistema de Reconocimiento Facial de Prófugos; según el CELS, el sistema se usó para buscar a más de 15 mil personas que no estaban en la lista oficial de prófugos, sin estudio de impacto previo, sin que se constituyera la comisión especial de la Legislatura y sin informes de la Defensoría del Pueblo. Según Perfil, la jueza destacó un informe de la Defensoría que documentó varios casos de personas detenidas erróneamente por falsos positivos del sistema.
Las lecciones son claras:
- Una coincidencia es una pista, no una prueba. Toda alerta debe pasar por un operador y, después, por verificación policial.
- Listas con base legal. Solo personas que deben estar ahí, por la vía que defina la ley.
- Cada búsqueda y cada alerta, registradas. Sin registro no hay forma de detectar abusos.
- Marco legal y evaluación previa. Los datos faciales son datos personales especialmente delicados, y en Buenos Aires la falta de un estudio de impacto previo fue una de las fallas señaladas. Cada institución debe cumplir el marco legal aplicable en su país.
- Video bajo control del Estado. Mientras menos copias salgan de la institución, menor el riesgo.
¿Qué opciones tiene un ministerio o una alcaldía?
| Criterio | Axentra OmniSight | Monitoreo manual | Servicio de IA en la nube |
|---|---|---|---|
| Cobertura de cámaras | ✓ Todas, 24/7 | ✗ Solo las que se miran | Depende del contrato |
| Revisión humana de cada coincidencia | ✓ Siempre | ✓ Todo es humano | Depende del proveedor |
| Búsquedas y alertas registradas | ✓ Sí | Según procedimiento | Depende del proveedor |
| Dónde queda el video | ✓ En servidores propios | ✓ Local | ✗ Sale a la nube |
| Reglas y búsqueda en lenguaje natural | ✓ Sí | ✗ No | Depende del proveedor |
| Seguimiento entre cámaras con ruta | ✓ Sí | ✗ Manual, lento | Depende del proveedor |
| Placas, números de flota y rotulado | ✓ Sí | ✗ A ojo | Depende del proveedor |
| Cámaras tapadas, giradas o caídas | ✓ Alerta automática | ✗ Se notan tarde | Depende del proveedor |
| Cámaras y VMS existentes | ✓ Cualquier marca, Milestone, Genetec | ✓ Lo actual | Depende de la integración |
En resumen: el monitoreo manual protege los datos pero deja la mayoría de cámaras sin mirar; la nube puede ofrecer buena analítica, pero el video sale de la institución. OmniSight combina cobertura total con control local y revisión humana.
¿Por qué elegir Axentra OmniSight?
OmniSight está diseñado para que el reconocimiento facial funcione con los controles que exigen los casos anteriores:
- Analiza todas las cámaras en tiempo real, 24/7, en lugar de depender de que un operador esté mirando la pantalla correcta, y alerta al operador.
- Reconocimiento facial contra listas de vigilancia con revisión humana de cada coincidencia. Las decisiones las toman personas; alertas y búsquedas quedan registradas.
- Lectura de placas, números de flota y rotulado de vehículos, útil cuando el rostro no es visible.
- Seguimiento de personas y vehículos entre cámaras, con generación de su ruta.
- Reglas en lenguaje natural ("avísame si ves un accidente") y búsqueda en lenguaje natural en el video archivado.
- Detecta cámaras tapadas, giradas o fuera de servicio, para que la cobertura no se pierda en silencio.
- Funciona con lo que ya tiene: cámaras IP vía ONVIF y RTSP, marcas como Hikvision, Dahua, Axis, Hanwha, Uniview, Bosch, Avigilon, Verkada y Cisco, y VMS como Milestone y Genetec, en un VMS unificado.
- On-premise: se instala en servidores GPU del centro de datos de la institución; el video nunca sale y no depende de la nube.
Resultados confirmados a la fecha: más de 1 millón de vehículos detectados, búsquedas de video en unos 40 segundos y más de 1.000 alertas enviadas a operadores. El licenciamiento es por cámara procesada, por año, con licencias flotantes.
¿Cómo empezar sin riesgo?
OmniSight ofrece un piloto gratuito de 10 días con hasta 10 cámaras de su institución: puede probar la revisión humana y el registro de búsquedas con sus propias cámaras antes de decidir.