Patrones generados por IA que evitan detección de cámaras de seguridad

Bill Swearingen dedicó el último año a realizar pruebas repetitivas con un objetivo claro: desarrollar un patrón generado por computadora que impida a las cámaras de vigilancia detectar su presencia. Después de realizar aproximadamente 31 millones de pruebas, afirma haber logrado crear patrones que, al aplicarse a la vestimenta y objetos, evitan que los sistemas de reconocimiento de matrículas y vigilancia reconozcan a las personas o vehículos que los portan.

Su proyecto, denominado noRecognition, tiene como finalidad permitir que las personas escapen de la vigilancia automática que se ha intensificado en los Estados Unidos y en otras partes del mundo. En los últimos años, las cámaras de vigilancia han mejorado significativamente su capacidad para detectar lo que sucede en las imágenes grabadas, desde el seguimiento de matrículas hasta el uso de reconocimiento facial para identificar a criminales sospechosos, aunque con resultados mixtos y, en ocasiones, aterradores.

Los patrones generados por Swearingen no bloquean la grabación de video por parte de las cámaras, sino que alteran la capacidad de identificación de objetos, personas o rostros, evitando que se activen alertas de detección. De esta manera, la persona se convierte nuevamente en una aguja en un pajar, a menos que alguien sepa dónde buscar. "La privacidad es un derecho fundamental", declaró Swearingen a TechCrunch en una llamada reciente. Describió sus patrones como una forma de permitir que las personas opten por no ser rastreadas.

El pasado viernes, en su primera prueba pública durante la conferencia de ciberseguridad Def Con en Las Vegas, Swearingen demostró con éxito la efectividad de su patrón impreso en un vehículo, evidenciando que esta tecnología puede ser efectiva en el mundo real.

Entrenando un modelo para pintar

En una conversación desde su hogar en Kansas City, donde cofundó el grupo de ciberseguridad SecKC, Swearingen compartió su conciencia sobre los riesgos de privacidad y seguridad que implican las cámaras de vigilancia. Relató cómo su ciudad está repleta de cámaras, a veces ubicadas a pocos pies de distancia unas de otras. Aseguró que él y otros no optaron por ser observados, al igual que nunca dieron su consentimiento para que el gobierno utilizara su licencia de conducir para reconocimiento facial.

Swearingen, un hombre blanco de mediana edad, reconoció que no ha enfrentado dificultades o discriminación por su apariencia. Sin embargo, recordó que el año pasado deseaba asistir a una protesta, pero se sintió incómodo y preocupado por la cantidad de cámaras que podrían rastrear a quienes ejercen su derecho constitucional a la libre expresión. Si él se sentía así, seguramente otros también lo harían, incluyendo a aquellos que quieren ejercer sus derechos pero no se sienten seguros para hacerlo. Así que se puso a trabajar.

Su investigación se basa en trabajos anteriores que demostraron que es posible bloquear detecciones de cámaras. Comenzó el año pasado con un laboratorio de pruebas de prueba de concepto, derrotando gradualmente un algoritmo de detección de video de código abierto tras otro. A lo largo del año, refinó los patrones al aumentar sus pruebas con mayor potencia de procesamiento. Agradeció a la comunidad que contribuyó con hardware para ayudar a avanzar en el proyecto.

Su prueba de concepto evolucionó hacia un modelo de aprendizaje por refuerzo, un sistema autocontenido que podía entrenarse sobre qué patrones funcionaban y cuáles no contra los algoritmos de cámara específicos que estaba probando. En términos simples, Swearingen enseñó a su modelo "cómo pintar". Cada vez que un patrón fallaba y un algoritmo lo detectaba, el modelo intentaba de nuevo, una y otra vez, hasta que finalmente derrotó a múltiples algoritmos a la vez.

Pronto, su modelo comenzó a encontrar combinaciones perfectas de patrones que podían derrotar a los 11 algoritmos de detección de código abierto que probó, incluyendo el software que alimenta a los lectores de matrículas Flock, las cámaras corporales Axon y las cámaras que utilizan Clearview AI. Ahora, el modelo genera nuevos patrones cada minuto, cada lote matemáticamente mejor que el anterior, según indicó.

En la conferencia Def Con, Swearingen realizó su primera prueba en el mundo real. Con la ayuda de Donut Media, el test consistió en cubrir un Toyota Yaris 2009 con uno de los patrones más recientes de Swearingen para determinar si el automóvil sería invisible para la detección de una cámara Flock. "Probamos que fue efectivo", afirmó Swearingen, aunque admitió que las ruedas fueron un desafío. El video de la demostración se publicará en las próximas semanas, según Donut Media.

Con una demostración pública en Las Vegas ahora en su haber, el proyecto es una prueba temprana de que es posible evitar la detección algorítmica en espacios públicos. El siguiente paso es poner los patrones en manos de las personas que los deseen. El proyecto noRecognition también cuenta con una campaña de crowdfunding para ayudar a financiar la venta de mercancías iniciales que presentan los patrones, desde camisetas hasta sudaderas, con el potencial de incluir skins impresos con patrones para vehículos en el futuro. Swearingen aseguró que el objetivo es que los patrones sean de alta calidad y resolución, lo suficientemente buenos para funcionar a distancia, y que también sean estéticamente atractivos.

Señaló que mantiene sus patrones más efectivos fuera de Internet para evitar que los fabricantes de cámaras puedan derrotarlos, pero que el trabajo aún no ha terminado. Sus modelos continúan generando nuevos patrones. "Cada fallo mejora mi modelo, y así los patrones siguen mejorando", concluyó.