Gedeelde verantwoordelijkheid: De principes van naleving van AVG zijn een gedeelde verantwoordelijkheid tussen de gegevensbeheerder (de klant) en OpenSpace (de gegevensverwerker).

OpenSpace-de-identificatie of gezichtsvervaging: Om de verzameling van persoonlijk identificeerbare informatie (PII) te verminderen, kunnen klanten contact opnemen met OpenSpace Support over het inschakelen van onze gezichtsvervagingsfunctie. Als deze functie geactiveerd is, worden gezichten in alle toekomstige opnamen gedetecteerd. Als een herkenbaar gezicht geïdentificeerd kan worden, dan worden het gezicht en de rest van het lichaam in de afbeelding vervaagd. Door dit te doen, geven we de gelijkenissen van personen weer in beelden die statistisch niet worden herkend door de gemiddelde kijker. Hoewel dit proces zeer nauwkeurig is en gebruikt maakt van geavanceerde machine learning-algoritmen die de gelijkenissen van een generieke persoon identificeren, identificeert het geen specifieke gezichten of personen en is het percentage vals-negatieven niet nul. Het doel van de-identificatie is om het aanvalsoppervlak te verkleinen, niet om alle in-scope gegevens uit het systeem te verwijderen.

Mogelijkheid van valse negatieven: Als een gezicht niet wazig is, betekent dat meestal dat gezichtsherkenning geen gezicht onderscheiden vanwege omstandigheden op het beeld, zoals vervorming, pixelvorming, chirurgische maskers of andere obstakels voor het gezicht. Dit is een normaal resultaat van de machine learning-algoritmen die we gebruiken om een ​​persoon te detecteren. We stemmen onze modellen af ​​om zowel valse negatieven als valse positieven te verminderen om klanten een superieure service te bieden. Daarbij kunnen sommige gelijkenissen, hoewel statistisch onherkenbaar, toch onscherp en herkenbaar lijken voor kijkers die het onderwerp of de omgeving kennen.

Mogelijkheid van vals-positieven: Als delen van het beeld wazig zijn op plekken waar geen gezichten zijn, betekent dit meestal dat de gezichtsherkenning ten onrechte een gezicht identificeerde dat er niet was. Dit is een normaal resultaat van de machine learning-algoritmen die we gebruiken om een ​​persoon te detecteren. Nogmaals, we stemmen onze modellen af ​​om zowel vals-positieve als vals-negatieve resultaten te verminderen om klanten een superieure service te bieden. Daarbij kunnen sommige objecten of aspecten van vastgelegde afbeeldingen onjuist wazig worden. In die gevallen raden we aan om één enkel frame vooruit of achteruit te spoelen in je opname om te zien of die frames, die slechts een halve seconde eerder of later plaatsvonden, niet dezelfde vals-positieve resultaten vertonen. In de meeste gevallen zal er een frame in je opname voorkomen dat dit niet vertoont.

Verantwoordelijkheid van de klant en beste praktijken: De klant is verantwoordelijk voor het verkrijgen van toestemming van betrokkenen. De klant kan bijvoorbeeld een bericht plaatsen dat er een 360°-fotodocumentatie zal plaatsvinden en dat gestreefd zal worden naar het anoniem maken van gezichtsherkenning. De klant kan ook maatregelen nemen bij het opnemen van afbeeldingen om het verzamelen van gegevens van betrokkenen te voorkomen of te beperken, zoals opnames tijdens niet-werkuren als er mogelijk minder mensen op de werkplek aanwezig zijn.

Noch Field Notes noch Lidar bieden de mogelijkheid om gezichten te vervagen.