Leeftijdsvoorspelling: hoe software je leeftijd raadt aan je gezicht
Stel je voor dat je een filmpje van een paar seconden van je gezicht maakt met je telefoon, en een computer meteen daarna zegt: "Deze persoon is waarschijnlijk tussen de 24 en 29 jaar oud." Geen paspoort nodig, geen account, geen naam. Dat is in de kern leeftijdsvoorspelling (ook wel age estimation of leeftijdsschatting genoemd): kunstmatige intelligentie die op basis van gezichtskenmerken een schatting maakt van iemands leeftijd, zonder dat die persoon zich hoeft te identificeren.
Een handige vergelijking is de portier bij een nachtclub. Die kijkt naar je gezicht en schat in of je oud genoeg bent, zonder je paspoort te controleren, tenzij hij twijfelt. Leeftijdsvoorspellingssoftware doet iets vergelijkbaars, maar dan geautomatiseerd en getraind op miljoenen gezichten waarvan de werkelijke leeftijd al bekend is. Het resultaat is geen exacte leeftijd, maar een schatting met een bepaalde onzekerheidsmarge, bijvoorbeeld "tussen 16 en 20 jaar".
Wat is het precies?
Leeftijdsvoorspelling gebruikt neurale netwerken, een type kunstmatige intelligentie dat patronen leert herkennen uit grote hoeveelheden voorbeelden. Bij gezichtsherkenning gebeurt dat meestal met een convolutioneel neuraal netwerk (CNN), een netwerkstructuur die goed is in het herkennen van visuele patronen zoals randen, texturen en vormen in een foto.
Het proces verloopt in stappen. Eerst detecteert software het gezicht in een foto of videoframe en lijnt het uit op basis van herkenningspunten zoals ogen, neus en mond. Daarna haalt het netwerk kenmerken uit dat gezicht: botstructuur, huidtextuur, rimpels, vetverdeling en andere signalen die met leeftijd samenhangen. Die kenmerken worden vervolgens omgezet in een leeftijdsschatting.
Een invloedrijke methode hierbij is DEX (Deep EXpectation), gepubliceerd in 2015 door onderzoekers van de ETH Zürich. In plaats van één exact getal te voorspellen, laat DEX het netwerk een waarschijnlijkheidsverdeling over leeftijden schatten en berekent daaruit een verwachtingswaarde. Deze aanpak werkte beter dan directe leeftijdsvoorspelling en vormde lange tijd een veelgebruikte basis voor latere systemen. Voor het trainen van zulke modellen zijn grote datasets nodig met foto's en bijbehorende (geschatte of bekende) leeftijden, zoals IMDB-WIKI, UTKFace en MORPH, verzamelingen met tienduizenden tot honderdduizenden gezichten.
Belangrijk om te beseffen: het systeem schat de ogenschijnlijke leeftijd, dus hoe oud iemand eruitziet, niet de exacte kalenderleeftijd. Twee mensen van 25 kunnen er heel verschillend uitzien, en dat maakt precisie lastig, zeker bij kinderen en tieners, van wie het gezicht sneller en wisselender verandert dan bij volwassenen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is leeftijdsverificatie zonder dat mensen een identiteitsbewijs hoeven te uploaden. Websites en apps die volwassen content, gokken, alcohol of sociale media aanbieden, moeten vaak aantonen dat gebruikers oud genoeg zijn. Een paspoort- of ID-scan werkt, maar brengt privacyrisico's met zich mee: er wordt gevoelige identiteitsinformatie opgeslagen, en niet iedereen heeft een geldig document bij de hand of wil dat delen.
Leeftijdsvoorspelling belooft een minder ingrijpend alternatief: een kort selfievideootje wordt geanalyseerd en daarna direct verwijderd, zonder dat er een naam of documentnummer aan gekoppeld wordt. Voor platforms is dit ook aantrekkelijk omdat het drempel wegneemt, gebruikers hoeven geen document te fotograferen, wat de kans op afhakende gebruikers verkleint.
Daarnaast speelt wetgeving een grote rol. In het Verenigd Koninkrijk verplicht de Online Safety Act platforms om "leeftijdsgaranties" (age assurance) te bieden om kinderen te beschermen tegen schadelijke content. Ook binnen de Europese Unie groeit de druk, via de Digital Services Act en discussies over een Europese leeftijdsverificatie-app, om minderjarigen beter te beschermen online zonder hun privacy onnodig aan te tasten.
Voorbeelden uit de praktijk
Het Britse bedrijf Yoti is een van de bekendste aanbieders van commerciële gezichtsleeftijdsschatting. Het bedrijf publiceert regelmatig eigen nauwkeurigheidscijfers en levert de technologie aan andere partijen, waaronder platforms voor leeftijdsgevoelige content.
Instagram (Meta) introduceerde vanaf 2022 een optie waarbij gebruikers die hun leeftijd willen aanpassen naar een hogere leeftijd, een korte selfievideo kunnen opnemen die met AI-leeftijdsschatting wordt beoordeeld, als alternatief naast het uploaden van een identiteitsbewijs of het laten bevestigen van de leeftijd door wederzijdse volgers.
Epic Games gebruikte leeftijdsschattingstechnologie om spraakchat in Fortnite standaard uit te schakelen voor jongere spelers, tenzij ouders of de speler zelf een hogere leeftijd bevestigden.
In China zet Tencent gezichtsherkenning in om leeftijdsgebonden speeltijdbeperkingen voor minderjarigen af te dwingen in games; wie 's nachts speelt of te lang achter elkaar, kan gevraagd worden een gezichtsscan te doen om te bevestigen dat het om een volwassen speler gaat, dit past binnen de bredere Chinese regelgeving die speeltijd voor kinderen sinds 2021 sterk beperkt.
Ook op ChaLearn-competities, wetenschappelijke wedstrijden rond computer vision, wordt leeftijdsschatting al jaren als benchmark gebruikt, waarbij onderzoeksteams van universiteiten wereldwijd hun modellen tegen elkaar laten testen op ogenschijnlijke leeftijd.
Hoe ver is de techniek?
Leeftijdsschatting is inmiddels volwassen genoeg om commercieel te worden ingezet, maar de precisie is beperkt en verschilt sterk per leeftijdsgroep. Bij jonge kinderen en tieners is de foutmarge doorgaans groter dan bij volwassenen, simpelweg omdat gezichten in die levensfase sneller en onvoorspelbaarder veranderen. Aanbieders als Yoti rapporteren zelf gemiddelde afwijkingen van ruwweg één tot enkele jaren, afhankelijk van de leeftijdsgroep, maar onafhankelijke, herhaalde audits door externe partijen zijn beperkt beschikbaar en de cijfers zijn niet altijd één-op-één vergelijkbaar tussen aanbieders.
Een terugkerend punt van zorg is bias: onderzoek naar gezichtsherkenningstechnologie in bredere zin heeft herhaaldelijk aangetoond dat nauwkeurigheid kan variëren met huidskleur, geslacht en belichting. Voor leeftijdsschatting specifiek is dit minder uitgebreid onafhankelijk onderzocht dan voor gezichtsherkenning voor identificatie, wat het lastig maakt om harde, algemeen geaccepteerde uitspraken te doen over hoe eerlijk de systemen presteren over verschillende bevolkingsgroepen.
Een fundamenteel obstakel blijft dat het onderscheid tussen bijvoorbeeld een 15-jarige en een 17-jarige voor wettelijke handhaving vaak te fijnmazig is voor de huidige nauwkeurigheid. Daarom wordt de technologie in de praktijk meestal ingezet met ruime marges en als eerste filter, gecombineerd met menselijke beoordeling of aanvullende verificatie bij twijfelgevallen, niet als enige of definitief bewijs.
Toezichthouders zoals de Britse Ofcom (regelgever voor de Online Safety Act) en de ICO (privacytoezichthouder) publiceren richtlijnen over wanneer age assurance "streng genoeg" is, en dat proces van normering is nog volop in ontwikkeling.
Wie werken eraan?
Naast Yoti (Verenigd Koninkrijk) als gespecialiseerde commerciële aanbieder, zetten grote platformbedrijven zoals Meta eigen of ingekochte leeftijdsschattingstechnologie in. In China ontwikkelt Tencent vergelijkbare systemen voor de eigen platforms, aangedreven door strikte nationale regelgeving rond kinderen en gaming.
Op onderzoeksvlak heeft de Computer Vision Lab van ETH Zürich met de DEX-methode en de IMDB-WIKI-dataset een blijvend fundament gelegd waarop veel latere academische en commerciële systemen voortbouwen. Bredere academische samenwerkingsverbanden, zoals de organisatoren achter de ChaLearn-wedstrijden, houden de ontwikkeling van nieuwe methoden bij via terugkerende benchmarks.
Regelgevend gezien zijn vooral het Verenigd Koninkrijk (via Ofcom en de Online Safety Act) en de Europese Unie (via de Digital Services Act en verkennende pilots voor leeftijdsverificatie) toonaangevend in het vormgeven van de regels waarbinnen deze technologie mag worden ingezet.