Là où le modèle est moins sûr.
Un modèle d’âge ne vaut que par les photos dont il a appris et celles qu’il reçoit. Voici ses points faibles, chiffres à l’appui.
Mis à jour le 2026-10-18
Ce que le modèle a appris
FairFace a été entraîné sur 108 501 photos de la collection Flickr YFCC-100M. Ses auteurs l’ont construit pour équilibrer sept groupes de population, parce que les jeux plus anciens étaient dominés par des visages à peau claire. Un équilibre sur le papier ne garantit pas une précision égale : nous l’avons donc mesurée.
Les écarts entre groupes de population
Sur 2 236 visages adultes jamais utilisés pour l’entraînement, le modèle seul donnait la bonne tranche ou la voisine pour 94,5 % à 98,5 % des visages selon le groupe. Le plus grand écart est de 4,1 points, sous la limite de 10 points fixée avant la mesure. Entre femmes et hommes, la chaîne complète du site trouvait la tranche exacte 56,1 % et 66,3 % du temps : les intervalles de confiance se recouvrent, mais nous continuons à le surveiller.
Les âges élevés sont plus difficiles
La précision baisse avec l’âge. Le modèle seul donne la bonne tranche ou la voisine pour 98,2 % des visages de 20-29 ans, mais 89,8 % à 50-59 ans et 91,2 % à 60-69 ans. La tranche 70+ n’a été mesurée que sur 35 visages : trop peu pour conclure, et elle n’est pas encore mesurée sur la chaîne complète du site.
Les visages non trouvés
Sur nos images de test, aucun visage n’a été trouvé dans 7,5 % des cas, au-dessus de notre objectif de 5 %. Il s’agissait surtout de visages de profil, tournés vers le bas ou en partie cachés. Les photos de groupe sont refusées volontairement.
Ce qui n’est pas encore mesuré
- De vrais selfies : le jeu de test vient de la même source que l’entraînement (Flickr).
- La tranche 70+ sur la chaîne complète.
- Les accessoires et cosmétiques un par un.
Ces manques sont listés sur la page méthode et seront mis à jour à chaque mesure.
Toute la profession a ces limites
En 2024, le NIST a évalué six estimateurs d’âge soumis par des développeurs sur environ onze millions de photos. Sa conclusion : la précision dépend fortement de l’algorithme, du sexe, de la qualité d’image, de la région de naissance et de l’âge, et aucun algorithme n’était meilleur partout. C’est une des raisons pour lesquelles Face-Age refuse tout usage pour vérifier un âge, recruter, assurer, accorder un crédit ou contrôler un accès.
Sources
- Validation Face-Age, troisième mesure, 18 octobre 2026 : méthode et limites.
- Kärkkäinen et Joo, FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age, arXiv:1908.04913 (en anglais).
- NIST IR 8525, Face Analysis Technology Evaluation: Age Estimation and Verification, Hanaoka, Grother et al., mai 2024 (en anglais).
- CNIL, reconnaissance faciale : détecter un visage n’est pas identifier une personne.