Incident 114: Amazon Rekognition a fait correspondre de manière erronée des membres du Congrès à des photos d'identité.
Description: L'ACLU a montré que la fonction de comparaison de visages de Rekognition avait identifié à tort des membres du Congrès, et en particulier des membres de couleur, comme d'autres personnes arrêtées à l'aide d'une base de données de photos d'arrestation construite à partir de photos d'arrestation accessibles au public.
Entités
Voir toutes les entitésPrésumé : Un système d'IA développé et mis en œuvre par Amazon, a endommagé Rekognition users et arrested people.
Classifications de taxonomie CSETv1
Détails de la taxonomieIncident Number
The number of the incident in the AI Incident Database.
114
Special Interest Intangible Harm
An assessment of whether a special interest intangible harm occurred. This assessment does not consider the context of the intangible harm, if an AI was involved, or if there is characterizable class or subgroup of harmed entities. It is also not assessing if an intangible harm occurred. It is only asking if a special interest intangible harm occurred.
yes
Notes (AI special interest intangible harm)
If for 5.5 you select unclear or leave it blank, please provide a brief description of why.
You can also add notes if you want to provide justification for a level.
The ACLU's test demonstrated Rekognition's disproportionate inaccuracy on the faces of people of color.
Date of Incident Year
The year in which the incident occurred. If there are multiple harms or occurrences of the incident, list the earliest. If a precise date is unavailable, but the available sources provide a basis for estimating the year, estimate. Otherwise, leave blank.
Enter in the format of YYYY
2018
Date of Incident Month
The month in which the incident occurred. If there are multiple harms or occurrences of the incident, list the earliest. If a precise date is unavailable, but the available sources provide a basis for estimating the month, estimate. Otherwise, leave blank.
Enter in the format of MM
07
Estimated Date
“Yes” if the data was estimated. “No” otherwise.
No
Risk Subdomain
A further 23 subdomains create an accessible and understandable classification of hazards and harms associated with AI
1.1. Unfair discrimination and misrepresentation
Risk Domain
The Domain Taxonomy of AI Risks classifies risks into seven AI risk domains: (1) Discrimination & toxicity, (2) Privacy & security, (3) Misinformation, (4) Malicious actors & misuse, (5) Human-computer interaction, (6) Socioeconomic & environmental harms, and (7) AI system safety, failures & limitations.
- Discrimination and Toxicity
Entity
Which, if any, entity is presented as the main cause of the risk
AI
Timing
The stage in the AI lifecycle at which the risk is presented as occurring
Post-deployment
Intent
Whether the risk is presented as occurring as an expected or unexpected outcome from pursuing a goal
Unintentional
Rapports d'incidents
Chronologie du rapport
La technologie de surveillance faciale d'Amazon est la cible d'une opposition croissante à l'échelle nationale, et aujourd'hui, il y a 28 autres sujets de préoccupation. Lors d'un test récemment effectué par l'ACLU sur l'outil de reconnaiss…
Variantes
Une "Variante" est un incident de l'IA similaire à un cas connu—il a les mêmes causes, les mêmes dommages et le même système intelligent. Plutôt que de l'énumérer séparément, nous l'incluons sous le premier incident signalé. Contrairement aux autres incidents, les variantes n'ont pas besoin d'avoir été signalées en dehors de la base de données des incidents. En savoir plus sur le document de recherche.
Vous avez vu quelque chose de similaire ?
Incidents similaires
Did our AI mess up? Flag the unrelated incidents
Predictive Policing Biases of PredPol
· 17 rapports
Northpointe Risk Models
· 15 rapports
Incidents similaires
Did our AI mess up? Flag the unrelated incidents
Predictive Policing Biases of PredPol
· 17 rapports
Northpointe Risk Models
· 15 rapports