Gemeinsame Verantwortung: Für die Einhaltung der Grundsätze der DSGVO sind der Datenverantwortliche (der Kunde) und OpenSpace (der Datenverarbeiter) gemeinsam verantwortlich.

De-Identifizierung oder Gesichtsverwischung bei OpenSpace: Um die Erfassung personenbezogener Daten (PII) zu beschränken und zu diesem Zweck unsere Funktion zum Verwischen von Gesichtern zu aktivieren, können sich Kunden an den OpenSpace-Support wenden. Sobald diese Funktion aktiviert ist, erkennt sie Gesichter in allen künftigen Aufnahmen. Wenn das System ein Gesicht als solches identifizieren kann, werden das Gesicht und der Rest des Körpers im Bild unscharf dargestellt. Auf diese Weise machen wir die Personen auf den Bildern für einen durchschnittlichen Betrachter statistisch unkenntlich. Obwohl dieses Verfahren mit Hilfe hochentwickelter Machine-Learning-Algorithmen, die die Ähnlichkeit einer generischen Person erkennen, sehr akkurat ist, können damit keine bestimmten Gesichter oder Personen identifiziert werden, und die Falsch-Negativ-Rate ist nicht null. Die De-Identifizierung zielt darauf ab, Angriffsflächen zu reduzieren und nicht alle betroffenen Daten aus dem System zu entfernen.

Möglichkeit falsch-negativer Ergebnisse: Wenn ein Gesicht nicht verwischt dargestellt wird, bedeutet dies in der Regel, dass die Gesichtserkennung ein Gesicht aufgrund von Umständen auf dem Bild (etwa Verzerrungen, Verpixelungen, chirurgische Masken oder andere Hindernisse auf dem Gesicht) nicht als solches erkennen kann. Dies ist ein normales Ergebnis der Machine-Learning-Algorithmen, die wir zur Erkennung von Personen verwenden. Wir stellen unsere Modelle so ein, dass die Anzahl falsch negativer und falsch positiver Ergebnisse gesenkt wird, um unseren Kunden einen erstklassigen Service zu bieten. Dabei kann es jedoch vorkommen, dass einige Ähnlichkeiten, obwohl sie statistisch gesehen nicht erkennbar sind, für Betrachter, die die Person oder die Umgebung kennen, erkennbar sind.

Möglichkeit falsch positiver Ergebnisse: Wenn Teile des Bildes unscharf sind, auf denen keine Gesichter zu sehen sind, bedeutet dies in der Regel, dass die Gesichtserkennung fälschlicherweise ein Gesicht erkannt hat, wo keines war. Dies ist ein normales Ergebnis der Machine-Learning-Algorithmen, die wir zur Erkennung von Personen verwenden. Auch hier stellen wir unsere Modelle so ein, dass sowohl die Anzahl der falsch-positiven als auch die der falsch-negativen Ergebnisse reduziert wird, um unseren Kunden einen erstklassigen Service zu bieten. Dabei können jedoch einige Objekte oder Aspekte der aufgenommenen Bilder zu Unrecht unscharf sein. In diesen Fällen empfehlen wir Ihnen, in Ihrer Aufnahme ein Einzelbild vor- oder zurückzuspulen, um zu sehen, ob benachbarte Bilder, die nur eine halbe Sekunde voneinander entfernt sind, nicht dasselbe falsch-positive Ergebnis aufweisen. In den meisten Fällen gibt es einen Frame in Ihrer Aufnahme, der dies nicht tut.

Verantwortung des Kunden und bewährte Praktiken: Der Kunde ist dafür verantwortlich, die Einwilligung der betroffenen Personen einzuholen. Der Kunde kann zum Beispiel einen Hinweis aushängen, dass eine 360°-Fotodokumentation stattfinden wird und dass er sich bemüht, Gesichter zu de-identifizieren. Außerdem kann der Kunde bei der Aufnahme von Bildern Maßnahmen ergreifen, um die Erfassung von Daten der betroffenen Personen zu verhindern oder einzuschränken, z. B. während der arbeitsfreien Zeit drehen oder fotografieren, wenn sich weniger Menschen vor Ort aufhalten.

Weder Field Notes noch Lidar verfügen über die Funktion, Gesichter zu verwischen.