由于深度学习的普及，近年来机器学习研究蓬勃发展，并且人脸识别技术也得到了极大的改进。在典型的用例中，将对照片，视频或实时流媒体中的面孔进行扫描和分析，然后将其特征与数据库中带注释的面孔进行比较。该技术被用于打击人口贩运和快速的机场安全检查，同时还被用于监视音乐会和体育赛事。但是，面部识别的准确性仍然是一个问题。研究人员开始担心人工智能系统中的歧视和偏见。该技术在正确识别有色人种和女性方面仍然存在重大缺陷。造成此问题的原因之一是数据集中男性相对于女性的比例和白人相对于有色人种的比例差异。对于机器训练，数据多样性很重要，但是数据的大小也很重要。面部识别系统的训练和测试需要在数百万甚至数千万张面部上进行。多年来，研究人员一直通过面部识别数据集进行相关研究。此包含图像链接的数据集是根据资源包组织和生成的。该资源包用于各种科学研究项目，包括有关在不使用地理坐标的情况下估算照片和视频位置的研究。 IBM已经开发了一个名为“ Face Diversity”的新项目。并为此准备了数百万张照片。该项目将进一步提高人脸识别的公平性和准确性。研究人员通过Internet收集并注释了各种物体的照片，以训练计算机更好地了解它们周围的世界。通常，他们通过Google图片搜索和其他方式获取大量图片。产生的数据集通常用于学术研究，例如培训或测试人脸识别算法。但是随着像Microsoft，Amazon，Facebook和Google这样的公司将人工智能押在赌注上，面部识别正从实验室移出并进入大公司的视野。随着消费者意识到他们留在Internet上的数据的巨大威力，面部识别数据集加剧了人们对隐私和监视的担忧。因此，一些研究人员正在重新检查这些残酷的他人照片集。在充满共享精神的互联网上，使用他人的照片应该征得他们的同意。许多公司，研究机构和个人都已经为面部识别编制了数据集，而IBM只是其中之一。其中一些数据集由实际图像组成，而某些类似于由图像链接组成的IBM数据集。有时，也可以通过拍摄模型来获取数据集。通常，这些数据集是知识共享的，但是必须将其用于非商业目的，例如算法研究。但是，可以从该网站免费下载大量类似的数据集。知识共享协议于2002年首次发布，远远早于当前的人工智能热潮。尽管研究人员免费在网站上使用图片，但他们也承认，上传这些图片的许多人可能会对图片用于训练人工智能的事实感到惊讶。一些研究人员认为，人们应该使用授权自行决定图片是否可以用于计算机视觉或人工智能研究。在这方面，知识共享协议没有太大帮助。只要遵守相关条款，则来自非营利组织的许可协议不会限制任何形式的人工智能开发。知识共享（Creative Commons）的首席执行官表示：“这些协议并非旨在保护隐私或研究道德。”近年来，人工智能发展如此之快，以至于几乎没有制定相关法规，更不用说实施了。从法律上讲，该公司没有义务在收集和使用图像进行面部识别时进行通知。当前没有相关的联邦法规颁布。在每个州，情况都不同：例如，伊利诺伊州有一项法律，要求公司在收集生物识别信息之前必须征得客户的同意；亚马逊和微软总部所在地的华盛顿州参议院最近通过了面部表情限制措施。为了确定该法案的用途，该法案仍需由州众议院通过。今年3月，参议院提出了一项法案，要求公司在收集和共享身份数据之前必须征得消费者的同意。它还要求公司进行外部测试，以确保算法在实施之前是公平的。技术