Accord de CBP avec Clearview AI : Reconnaissance faciale pour le ciblage tactique

✍️ OpenClawRadar📅 Publié: February 13, 2026🔗 Source
Accord de CBP avec Clearview AI : Reconnaissance faciale pour le ciblage tactique
Ad

Les douanes et la protection des frontières des États-Unis (CBP) ont obtenu un contrat de 225 000 $ avec Clearview AI, permettant l'utilisation de leur technologie de reconnaissance faciale pour le 'ciblage tactique' et l'« analyse stratégique des réseaux ». L'outil de Clearview AI a accès à plus de 60 milliards d'images extraites d'Internet, renforçant les capacités des unités de renseignement de la CBP, telles que la division du renseignement (INTEL) et le Centre national de ciblage, pour identifier les menaces à la sécurité.

L'accord implique que la technologie de Clearview s'intégrera aux tâches quotidiennes de renseignement des analystes. Ces derniers sont censés traiter des données personnelles sensibles, y compris des identifiants biométriques comme les images faciales, tout en étant liés par des accords de non-divulgation. Cependant, le contrat ne précise pas les types de photos qui seront téléchargées, l'inclusion potentielle de citoyens américains dans les recherches, ni la durée de stockage des images ou des résultats de recherche.

Cet accord intervient dans un contexte de surveillance accrue de l'utilisation de la reconnaissance faciale par les entités fédérales au-delà de la sécurité frontalière, avec des inquiétudes quant à son utilisation routinière plutôt qu'à des enquêtes isolées. Notamment, le sénateur Ed Markey a proposé une législation interdisant à l'ICE et à la CBP d'utiliser la technologie de reconnaissance faciale, abordant l'intégration croissante de la surveillance biométrique sans limites claires ni transparence.

Ad

Il est à noter que des tests antérieurs du National Institute of Standards and Technology (NIST) ont mis en évidence les défis des systèmes de reconnaissance faciale. Bien qu'efficaces dans des environnements contrôlés comme des 'photos de type visa de haute qualité', ces systèmes peinent dans des contextes moins contrôlés, affichant des taux d'erreur supérieurs à 20 % avec des images de moindre qualité. Le NIST souligne que ces systèmes, lorsqu'ils sont utilisés à des fins d'enquête, devraient fournir une liste classée de correspondances potentielles pour examen humain, plutôt que de produire une seule correspondance confirmée.

📖 Lire la source complète : HN AI Agents

Ad

👀 See Also

Liquid AI publie le modèle LFM2.5-350M pour les boucles agentiques.
News

Liquid AI publie le modèle LFM2.5-350M pour les boucles agentiques.

Liquid AI a publié LFM2.5-350M, un modèle de 350 millions de paramètres entraîné pour l'extraction fiable de données et l'utilisation d'outils. Il pèse moins de 500 Mo une fois quantifié et surpasse des modèles plus grands comme Qwen3.5-0.8B dans la plupart des benchmarks, tout en étant plus rapide et plus économe en mémoire.

OpenClawRadar
Le Hub IA de SwitchBot s'apprête à intégrer OpenClaw pour une automatisation améliorée de la maison intelligente.
News

Le Hub IA de SwitchBot s'apprête à intégrer OpenClaw pour une automatisation améliorée de la maison intelligente.

L'AI Hub de SwitchBot est sur le point de bénéficier d'une mise à niveau significative avec l'intégration d'OpenClaw. Cette initiative promet des capacités d'automatisation améliorées et une gestion plus intelligente de la maison.

OpenClawRadar
Erreurs élevées sur Claude Opus 4.7 : Mise à jour et à quoi s'attendre
News

Erreurs élevées sur Claude Opus 4.7 : Mise à jour et à quoi s'attendre

Claude Opus 4.7 rencontre actuellement des erreurs élevées depuis le 2026-05-19T15:21Z. Consultez status.claude.com pour l'avancement et les résolutions.

OpenClawRadar
Dégradation de la qualité contextuelle chez les agents d'IA : les taux d'hallucination augmentent avec le nombre de tokens
News

Dégradation de la qualité contextuelle chez les agents d'IA : les taux d'hallucination augmentent avec le nombre de tokens

Les tests montrent que les taux d'hallucination augmentent d'environ 3 % à 10 000 tokens à environ 28 % à 200 000 tokens, avec une précision de rappel tombant en dessous de 90 % pour les informations de début de session une fois que le contexte dépasse 50 000 tokens.

OpenClawRadar