Contexte du test

En septembre 2026, la police métropolitaine de Londres a mené un essai de reconnaissance faciale en temps réel dans plusieurs gares du réseau. Le dispositif a capturé environ 500 000 images faciales pendant la période d’observation. Aucun des sujets identifiés n’a conduit à une arrestation, et l’unique incident rapporté a été une fausse identification d’un passager innocent.

Fonctionnement technique

Le système repose sur des caméras haute résolution reliées à un serveur d’analyse capable d’exécuter des algorithmes de comparaison d’empreintes faciales en live. Chaque image est pré‑traitée (détection de visage, normalisation de l’éclairage, alignement) avant d’être comparée à une base de données d’individus recherchés. La base de données, dont la taille exacte n’est pas divulguée, est généralement hébergée dans le cloud afin de permettre un scalabilité suffisante pour traiter plusieurs dizaines de flux vidéo simultanément.

Le flux de travail comprend trois étapes critiques : extraction du vecteur de caractéristiques (généralement via un réseau de neurones convolutifs), recherche du vecteur le plus proche dans l’index (souvent implémentée avec des structures de type FAISS ou Annoy), puis génération d’un score de similarité. Un seuil de décision, fixé par les opérateurs, détermine si le score déclenche une alerte humaine.

Analyse des performances et limites

Sur les 500 000 scans effectués, le taux de faux positifs observé est de 1/500 000, soit 0,0002 %. Ce chiffre, bien que faible en valeur absolue, représente un incident réel qui a entraîné une intervention policière injustifiée. L’absence totale d’arrestations indique que le système n’a pas détecté de correspondance fiable avec les profils recherchés, ce qui peut s’expliquer par plusieurs facteurs : qualité d’image variable (mouvements, faible luminosité), biais de l’algorithme vis‑à‑vis de certaines démographies, ou encore une base de données insuffisamment à jour.

Le traitement en temps réel impose des exigences de latence strictes (< 500 ms par image) et de bande passante. Le recours à des serveurs cloud introduit une dépendance réseau qui peut augmenter le jitter et affecter la fiabilité du système dans des environnements à couverture mobile limitée.

Implications pour la vie privée et la sécurité

Le test met en évidence le déséquilibre entre la capacité technique de surveillance et les résultats opérationnels. Une fausse alerte suffit à justifier une intervention, soulevant des questions de proportionnalité et de conformité aux cadres légaux (RGPD, loi sur la protection des données). De plus, le manque de transparence sur la composition de la base de données et sur les critères de sélection des seuils empêche une évaluation indépendante du taux de faux négatifs, qui reste inconnu.

En l’absence de résultats concrets (aucune arrestation), les décideurs devront peser le coût d’infrastructure (caméras, serveurs, licences logicielles) contre les bénéfices probables, tout en considérant les risques de dérive surveillance et les exigences de gouvernance des données.