Intégrer une vérification d'image dans votre propre pipeline

Cet outil ne possède pas d'API, et un vérificateur basé sur le navigateur ne peut pas en fournir une, car le modèle s'exécute sur l'appareil de l'utilisateur et non sur un serveur. Pour les pipelines automatisés, les options honnêtes sont un service hébergé, un modèle auto-hébergé ou une intervention humaine.

Pourquoi il n'y a pas de point de terminaison

Le modèle, l'environnement d'exécution et l'analyse se téléchargent dans le navigateur et s'y exécutent. Il ne s'agit pas d'un choix de déploiement qui pourrait être inversé par simple paramétrage ; c'est l'architecture globale, et c'est la raison pour laquelle une image ne quitte jamais l'appareil sur lequel elle est vérifiée.

Une API inverse ce principe. Quelqu'un envoie une image à un serveur, le serveur calcule le score et renvoie un nombre, et l'image existe désormais sur une infrastructure contrôlée par un tiers, aussi brièvement et avec de meilleures intensions soit-elle.

Pour un outil dont toute la proposition repose sur le fait qu'aucun fichier n'est téléversé, proposer un point de terminaison de téléversement constituerait une contradiction directe du produit. Par conséquent, cette page ne décrit pas de feuille de route ; elle décrit une limite et la conduite à tenir face à celle-ci.

Il est utile de le dire clairement car l'alternative est pire. Une page suggérant l'existence d'un point de terminaison inexistant fait perdre un après-midi à un ingénieur, et la page de tarification de ce site indique déjà qu'il n'existe ni offre payante ni API.

À quoi sert réellement l'automatisation

Avant de se tourner vers un point de terminaison, il convient de définir précisément la tâche à accomplir, car une bonne part de l'automatisation envisagée trouve une meilleure solution autrement.

	Nécessite un service	L'outil de navigateur fonctionne	Une intervention humaine est préférable
Filtrage des téléversements d'utilisateurs à grande échelle	Yes Volume et latence	No	No
Vérification de la livraison d'un fournisseur	No	Yes Un lot de 25 suffit	Partly
Examen d'un dossier de sinistre	No	Yes Un lot par soumission	Yes Le jugement est le travail
Audit de votre propre site	Partly Uniquement s'il est gigantesque	Yes Extraire et traiter par lots	No

Quatre tâches différentes que les gens qualifient d'automatisation. Seules deux d'entre elles nécessitent un service.

Trois de ces quatre lignes sont satisfaites par une personne traitant des lots, ce qui mérite d'être établi avant qu'quiconque n'écrive du code. La première ligne est foncièrement différente, et c'est celle qui nécessite un service hébergé.

Si vous avez réellement besoin d'automatisation

Il existe trois voies honnêtes, et chacune implique des compromis différents. Prétendre le contraire n'aide personne.

Ce que coûtent réellement les alternatives
Option	Compromis	Idéal pour
Une API commerciale	Les images quittent votre infrastructure	Volume élevé, faible sensibilité
Auto-héberger un modèle ouvert	Temps d'ingénierie et matériel	Données sensibles, capacité interne
L'exécuter dans un navigateur que vous contrôlez	Discret mais sans compromis	Volume modéré, stricte confidentialité
Échantillonner plutôt que filtrer	La couverture est partielle	La plupart des charges de travail réelles
Une étape de révision humaine	Un jugement plus lent, mais meilleur	Tout ce qui touche une personne

La troisième ligne mérite d'être expliquée car elle est sous-utilisée. Un navigateur sans interface graphique exécuté sur votre propre machine, pilotant une page qui effectue l'analyse en local, est un moyen légitime d'automatiser sans envoyer d'images nulle part. Ce n'est pas glamour, mais ça fonctionne.

La quatrième ligne est celle que la plupart des équipes devraient choisir et qu'elles envisagent rarement. Filtrer chaque image coûte cher et est généralement inutile ; en échantillonner dix pour cent, plus tout ce qui provient d'une source ayant déjà posé problème, permet de détecter l'essentiel à une fraction du coût.

Si vous hébergez vous-même

C'est plus réalisable qu'on ne le pense, car les modèles de recherche dans ce domaine sont en grande partie publics. Un point de contrôle publié sous licence permissive, un moteur d'inférence et un serveur modeste reproduiront l'essentiel de ce qu'un service commercial vend.

Ce que vous prenez en charge, c'est tout ce qui entoure le modèle. Le maintenir à jour au fil des évolutions des générateurs, calibrer un seuil pour vos propres supports, mesurer votre propre taux de faux positifs et disposer d'une personne capable d'expliquer un résultat lorsqu'il est contesté.

Ce dernier point est le coût caché. Une capacité de détection que personne dans l'organisation ne comprend suffisamment pour la défendre devient une vulnérabilité dès qu'une décision fondée sur elle est remise en question, et cette question finit toujours par arriver tôt ou tard.

Quoi que vous conceviez, intégrez ceci

Deux décisions de conception comptent plus que le choix du modèle, et toutes deux concernent ce qui se passe après le score.

Ne laissez jamais un score décider automatiquement de quoi que ce soit concernant une personne. Acheminez les alertes vers un humain, enregistrez la décision de l'humain plutôt que ce qu'a dit le modèle, et assurez-vous que la personne concernée puisse savoir pourquoi son cas a été examiné.

Et stockez les résultats, pas les scores. Un historique interrogeable de chiffres associés à des utilisateurs ou des fournisseurs nommés constitue un enregistrement de profilage qui nécessitera sa propre justification, n'ajoute aucune valeur opérationnelle et devient un problème dès que quelqu'un demande ses données.

Un point de départ réaliste

Pour la plupart des équipes qui arrivent ici avec un besoin d'automatisation, la première version sensée n'implique aucune ingénierie. Une personne, un lot par soumission entrante, et une note dans le fichier sur ce qu'elle a trouvé.

Cela produit quelque chose de précieux en une semaine : une idée des scores de vos propres supports. Presque personne n'a cela au départ, et sans cela, tout seuil défini dans le code n'est qu'une supposition sur une distribution que vous n'avez jamais mesurée.

Une fois que vous savez où se situent vos images, la nécessité de l'automatisation devient concrète plutôt que théorique. Vous saurez combien de soumissions par semaine méritent réellement un coup d'œil, et souvent la réponse rend l'ingénierie inutile.

Là où elle ne l'est pas, vous automatiserez au moins par rapport à une référence mesurée plutôt qu'à une référence publiée, ce qui fait toute la différence entre un contrôle qui fonctionne sur vos données et un autre qui fonctionne sur l'étalon de quelqu'un d'autre.

Ce qu'il faut mesurer avant de concevoir quoi que ce soit

Trois chiffres transforment une intention vague en spécification, et ces trois chiffres proviennent de l'exécution de lots manuels pendant quinze jours.

La distribution de vos propres supports : là où les images authentiques de vos sources normales atterrissent réellement. Presque toutes les équipes sont surprises, généralement parce que leurs intrants sont plus traités qu'elles ne le pensaient.

Votre propre taux de faux positifs : la fréquence à laquelle une alerte s'avère être un traitement ordinaire lorsqu'une personne mène l'enquête. C'est le chiffre qui décide si un contrôle est utilisable sur de vraies personnes, et ce n'est jamais le chiffre affiché sur la page d'un fournisseur.

Le volume qui serait réellement signalé : le nombre d'éléments par semaine qu'un humain devrait examiner. Si ce nombre est petit, l'automatisation que vous planifiiez se résume à un tableur et à une habitude.

Questions fréquentes

Y a-t-il une API pour cet outil ?

Non, et il n'y en aura pas. Le modèle s'exécute dans votre navigateur plutôt que sur un serveur, ce qui explique pourquoi rien n'est téléchargé. Un point de terminaison exigerait que les images soient envoyées quelque part, ce qui supprimerait l'unique propriété pour laquelle l'outil existe.

Puis-je automatiser l'outil de navigateur ?

Techniquement oui, en pilotant un navigateur sans interface graphique sur du matériel que vous contrôlez. C'est peu pratique mais cela préserve la confidentialité, car l'analyse s'effectue toujours sur votre machine. Pour des volumes modérés avec des documents sensibles, c'est une option plus raisonnable qu'il n'y paraît.

Devrais-je plutôt utiliser une API de détection commerciale ?

Si votre volume l'exige vraiment et que vos images ne sont pas sensibles, oui. Évaluez honnêtement d'abord la question du téléchargement : pour des photos de sinistres, des pièces d'identité ou du travail client sous accord de non-divulgation, l'examen des achats et de la confidentialité coûte souvent plus cher que l'abonnement.

Est-il difficile d'héberger soi-même ?

Le modèle est la partie la plus facile, car des points de contrôle performants sont publiquement disponibles sous licences permissives. Le travail réside dans tout ce qui l'entoure : se maintenir à jour au fil des évolutions des générateurs, calibrer pour ses propres supports, mesurer son propre taux d'erreur et avoir quelqu'un capable de défendre un résultat.

Dois-je vérifier chaque image ?

Presque certainement pas. Échantillonner une proportion, plus tout ce qui provient d'une source ayant déjà posé problème, permet de détecter l'essentiel pour une fraction du coût. Un filtrage complet coûte cher, et l'image marginale est rarement celle qui importait.

Que ne doit-on jamais faire dans un pipeline ?

Décider de quelque chose concernant une personne de manière automatique. Acheminez les alertes vers un humain, enregistrez la décision plutôt que le score, et conservez les résultats au lieu d'un historique interrogeable de chiffres associés à des individus nommés. Ce dernier point constitue un dossier de profilage sans valeur opérationnelle et assorti de réelles obligations.