Recherche faciale par IA : Fonctionnement et points clés

Un vendeur sur une marketplace utilise une photo de profil soignée, un compte suspecté d'être faux copie le portrait de quelqu'un d'autre, et une rencontre refuse un appel vidéo. Dans chaque cas, la question pratique est la même : à qui appartient ce visage, et peut-on faire confiance au résultat ?

La recherche faciale par IA peut vous aider à transformer une image en une liste restreinte de sources, profils ou identités possibles. Elle peut également générer de fausses pistes, manquer la bonne personne et créer des risques juridiques lorsque les utilisateurs traitent une photographie publique comme une permission de construire un dossier biométrique. L'approche utile n'est ni une confiance aveugle ni un rejet total. Il s'agit d'une recherche contrôlée, suivie d'une vérification indépendante et d'une décision claire quant à l'autorisation d'utiliser le résultat.

Pourquoi la recherche faciale par IA est importante aujourd'hui

Un recruteur peut vouloir vérifier si l'image de portfolio d'un entrepreneur apparaît sous un autre nom. Un journaliste peut avoir besoin de vérifier si une personne montrée sur une photographie divulguée correspond à la description d'une source. Un parent peut essayer de comprendre qui opère un compte anonyme qui envoie des messages à son adolescent. Ces situations comportent des risques différents, mais chacune exige plus que de taper un nom dans une boîte de recherche.

La recherche faciale a dépassé le stade d'une technique d'investigation spécialisée. La reconnaissance faciale commerciale fait désormais partie d'un vaste marché de l'identité et de la sécurité. Les prévisions estiment le marché mondial de la reconnaissance faciale à environ 10,02 milliards USD en 2026, augmentant à 20,68 milliards USD d'ici 2031 avec un taux de croissance annuel composé de 15,6 %, tandis qu'une autre estimation projette 10,13 milliards USD en 2026 et 30,52 milliards USD d'ici 2034 avec un TCAC de 14,8 %. Ce sont des prévisions de marché, pas une preuve que chaque outil grand public fonctionne bien, mais elles montrent pourquoi les fournisseurs investissent massivement dans la recherche et la vérification d'identité (prévisions de marché de la reconnaissance faciale de Fortune Business Insights).

La technologie est également testée sur des galeries d'identité bien plus vastes que celles utilisées par les anciens systèmes de laboratoire. En février 2024, NEC a annoncé que son système s'était classé premier au test d'identification FRTE 1:N du NIST, rapportant une précision d'authentification de 99,88 % sur des images fixes de 12 millions de personnes différentes, et se classant premier dans trois autres tests, y compris un test des effets du vieillissement utilisant des photographies prises plus de 10 ans auparavant (annonce de NEC concernant le benchmark NIST).

Cette étape est importante, mais elle ne transforme pas un résultat de recherche en un verdict. Une image de référence propre et une photographie de média social compressée sont des entrées différentes. Un résultat d'un moteur de recherche axé sur les visages dépend également des pages qu'il a indexées, de la manière dont il gère les droits d'image, et si le profil pertinent est public ou a disparu.

Les noms d'utilisateur sont une présentation. Les identifiants sont une infrastructure.

Un nom d'utilisateur peut changer, une photo de profil peut être volée, et un nom d'affichage peut être inventé en quelques secondes. Une recherche faciale peut révéler des connexions que la recherche textuelle ordinaire manque, mais elle fournit toujours une piste plutôt qu'une détermination finale d'identité.

La règle du praticien est simple :

• Utilisez la recherche faciale pour le tri : Établissez une liste de candidats ou localisez les sources d'images.
• Séparez l'identité de la similarité : Un visage visuellement similaire n'est pas nécessairement la même personne.
• Enregistrez les preuves : Sauvegardez l'URL de la source, le contexte de l'image, la date et les informations de confiance.
• Protégez la cible : Ne publiez pas une identité suspectée simplement parce qu'un outil a renvoyé une correspondance.
• Connaissez l'objectif : La prévention de la fraude, le journalisme, la sécurité personnelle et la curiosité n'ont pas le même poids éthique.

Comment fonctionne la recherche faciale par IA

Vous commencez avec une image, pas une identité. Le téléchargement d'une photographie déclenche plusieurs étapes : le système détecte un visage, convertit ses caractéristiques visibles en nombres, et recherche ces nombres dans un index. Chaque étape peut introduire des erreurs avant qu'un résultat n'atteigne l'écran.

1. La détection trouve les visages. Le modèle identifie les régions en forme de visage et les sépare du reste de l'image. Dans une photographie de groupe, il peut créer un recadrage pour chaque visage visible. Ce premier passage identifie seulement où les visages apparaissent. Il n'établit pas à qui ils appartiennent.

2. L'alignement standardise le recadrage. Le système estime les points de repère autour des yeux, du nez, de la bouche et de la mâchoire, puis mappe le visage dans une pose plus cohérente. Cela réduit l'effet d'une tête inclinée ou d'un recadrage inégal, bien que les angles prononcés, les obstructions et le flou puissent toujours déformer l'entrée.

3. L'intégration (embedding) crée une empreinte faciale. Un réseau neuronal convertit le visage aligné en un vecteur, souvent appelé embedding. Ce vecteur représente des motifs utilisés pour comparer un visage à un autre. Les visages qui semblent similaires sont plus proches dans cet espace mathématique.

4. La recherche d'index récupère les candidats. La plateforme compare le vecteur de requête avec les embeddings stockés, généralement par une recherche approximative du plus proche voisin. Plutôt que de vérifier chaque enregistrement en séquence, elle récupère les candidats proches et les classe. Les résultats dépendent donc autant de l'index du fournisseur que de la photographie soumise.

5. L'évaluation estime la similarité. Un résultat peut inclure un score de similarité ou de confiance. Sa signification dépend du modèle, de la galerie, du seuil, de la qualité de l'image et de la population représentée dans les données. Ce n'est pas une probabilité universelle que la personne identifiée soit le même individu.

6. Le contexte fournit la preuve manquante. Une piste utile combine la similarité faciale avec la page source, des dates cohérentes, des détails publics correspondants ou un autre signal indépendant. Le vecteur facial ne peut pas révéler si une image a été volée, mal étiquetée ou attachée à un profil trompeur.

La représentation stockée peut être appelée un embedding plutôt qu'une photographie. Cette étiquette ne supprime pas le problème de confidentialité. Un modèle mathématique peut toujours être qualifié d'information biométrique lorsqu'il est traité pour identifier quelqu'un, et l'image téléchargée peut rester chez le fournisseur selon ses conditions.

Vérifiez quelles métadonnées accompagnent une image avant de l'envoyer à une plateforme. Protéger les métadonnées dans la messagerie explique les points d'exposition pratiques lorsque le matériel d'enquête transite par chat ou e-mail. Pour un aperçu simple de comment fonctionne la reconnaissance faciale par IA, examinez le pipeline sous-jacent de détection, d'extraction de caractéristiques et de comparaison.

La vidéo ci-dessous offre une autre explication visuelle des concepts de reconnaissance faciale :

Recherche d'image inversée vs Recherche faciale vs API de reconnaissance faciale

Ces outils répondent à différentes questions d'enquête. Choisir le mauvais peut produire une correspondance non pertinente et encourager des conclusions que les preuves ne peuvent pas soutenir.

Google Lens et TinEye recherchent principalement des caractéristiques d'image entière ou similaires à des images. Ils peuvent localiser une republication exacte, une page contenant la même photographie, ou du matériel visuellement lié. Cela est utile lorsqu'une image de profil a été copiée d'un article public, d'une banque d'images ou d'un ancien compte. Les résultats s'affaiblissent lorsque le visage a été recadré, filtré, mis en miroir ou placé sur un nouveau fond.

Un moteur axé sur les visages, comme PimEyes ou FaceCheckID, accorde plus de poids aux caractéristiques faciales qu'à la scène environnante. Le vecteur encode les caractéristiques distinctives de la même manière qu'une empreinte digitale encode les motifs des crêtes. Les visages similaires se regroupent, tandis que les différents ne le font pas. La couverture dépend toujours de ce que le service explore et de ce qui reste accessible dans les juridictions qu'il dessert.

Une API d'entreprise sert un objectif plus restreint. Des services tels qu'AWS Rekognition, Azure Face et Face++ comparent généralement une image de sonde avec une galerie fournie par le client. Cette configuration peut prendre en charge le contrôle d'accès ou la vérification d'identité lorsqu'une organisation possède la collection de référence. Sans cette galerie, l'API ne recherche pas une personne inconnue sur l'internet public.

Type d'outil	Idéal pour	Mode d'échec typique
Recherche d'image inversée générale	Trouver des images en double, des republications, des pages originales ou du contenu visuel connexe	Les éléments d'arrière-plan, les vêtements et le style de l'image peuvent l'emporter sur le visage réel
Moteur de recherche axé sur les visages	Localiser des pages ou des profils contenant des visages visuellement similaires	L'image ou le profil cible peut ne pas être dans l'index, ou le meilleur résultat peut être un sosie
API de reconnaissance faciale d'entreprise	Comparer un visage avec une galerie contrôlée fournie par le client	Inefficace sans une galerie de référence appropriée et des seuils soigneusement choisis

Une recherche pratique peut combiner les deux premières catégories, mais leurs sorties nécessitent une interprétation distincte. Une image dupliquée soutient une affirmation concernant la réutilisation de l'image. Un résultat de similarité faciale soutient une affirmation concernant la ressemblance. Aucun de ces résultats ne prouve qu'un compte nommé appartient à la personne photographiée.

Pour une comparaison plus complète, consultez ce guide sur la recherche faciale versus la recherche d'image inversée. Faites correspondre la méthode à la question :

• Besoin du téléchargement original : Commencez par une recherche d'image inversée.
• Besoin de pages possibles liées au visage : Essayez un moteur axé sur les visages.
• Besoin d'une vérification contrôlée : Utilisez une API sur une galerie interne légale.
• Besoin d'une conclusion défendable : Combinez la sortie de la recherche avec un contexte indépendant.

Précision, limites et où la recherche faciale échoue

L'erreur la plus difficile est de confondre un chiffre de référence avec une certitude réelle. Les tests modernes du NIST démontrent que la reconnaissance faciale peut fonctionner à très grande échelle. Un benchmark cité en 2024 a utilisé une base de données de 12 millions de photos d'identité judiciaire et a rapporté que le système de NEC, classé en tête, atteignait une précision d'authentification de 99,88 % à un point de fonctionnement de 0,3 % de faux positifs (résultats FRTE 1:N du NIST).

Ce chiffre décrit un système, un ensemble de données, un point de fonctionnement et une conception de test particuliers. Cela ne signifie pas qu'une photo de rencontre téléchargée obtiendra le même résultat. Les recherches d'identification deviennent également plus difficiles à interpréter à mesure que la galerie de candidats s'agrandit, car même un faible taux de faux positifs peut créer des candidats plausibles dans un grand bassin.

Les soumissions réelles incluent couramment :

• Angles de côté et visages partiellement cachés.
• Captures d'écran basse résolution.
• Éclairage intérieur ou extérieur irrégulier.
• Forte compression des plateformes sociales.
• Filtres, maquillage, lunettes, chapeaux ou masques.
• Anciennes photographies comparées à des images récentes.
• Photos de groupe où le recadrage du visage est minuscule.
• Expressions qui modifient la forme visible du visage.

La recherche du NIST sur les effets démographiques a révélé que la plupart des algorithmes évalués présentaient des différentiels démographiques. Dans le matching 1:1, les faux positifs étaient souvent 10 à 100 fois plus élevés pour les visages asiatiques et afro-américains que pour les visages caucasiens, tandis que le matching 1:N produisait des faux positifs plus élevés pour les femmes afro-américaines (étude du NIST sur les effets démographiques).

Cette découverte modifie la manière dont un praticien devrait interpréter une correspondance. Le score du système reflète le comportement du modèle et les conditions de fonctionnement, et non un fait neutre concernant l'identité. La calibration entre les groupes démographiques, les types d'images et la population ciblée fait partie d'un déploiement responsable.

Un score élevé reste une piste

Il n'y a pas de base vérifiée ici pour attribuer des bandes de précision universelles aux images quasi-dupliquées, aux photographies sociales occasionnelles ou aux images fixes de vidéosurveillance. Tout fournisseur qui présente un pourcentage de titre sans expliquer ses images de test, la taille de sa galerie, son seuil, sa répartition démographique et ses coûts d'erreur mérite un examen minutieux.

Type d'entrée	Précision typique	Mode d'échec
Image fixe contrôlée	Peut être très performante dans les conditions de référence	Une entrée propre et coopérative peut ne pas représenter une photographie web téléchargée
Ancienne photographie comparée à une image récente	Variable, selon les caractéristiques visibles et la performance du modèle face au vieillissement	Les changements liés à l'âge peuvent séparer les embeddings de la même personne
Image de média social occasionnelle	Variable et souvent difficile à interpréter	La compression, les filtres, la pose et l'éclairage réduisent les détails faciaux utilisables
Vidéo de surveillance (CCTV) ou image lointaine	Souvent très incertaine	Les petits visages, le flou de mouvement, l'angle et une mauvaise exposition créent des candidats trompeurs

Les images plus anciennes méritent un traitement spécial. La restauration ou l'agrandissement peut rendre une photographie plus facile à inspecter pour un humain, mais la modification des pixels peut également introduire des artefacts qui n'étaient pas présents dans la source. Des conseils sur la restauration de vieilles photos basée sur l'IA peuvent vous aider à distinguer l'amélioration d'une véritable récupération d'informations.

Règle pratique : N'agissez jamais uniquement sur la base d'un score de correspondance faciale. Exigez une source indépendante, une chronologie cohérente ou un autre signal corroborant avant de considérer le candidat comme confirmé.

Un flux de travail pratique que tout le monde peut suivre

Un débutant peut effectuer une recherche de vérification minutieuse sans constituer un dossier volumineux. L'objectif devrait être de tester une affirmation spécifique, et non de recueillir tout ce qui est disponible sur une personne.

Préparez l'image avant de la télécharger

Commencez avec la copie légale la plus propre que vous ayez. Effectuez un recadrage serré autour d'un visage, mais conservez suffisamment de contexte environnant pour comprendre d'où provient l'image. Le minimum opérationnel suggéré est de 80 pixels entre les yeux, mais traitez cela comme une ligne directrice pratique pour la qualité d'image, et non comme une garantie de reconnaissance.

Avant tout partage externe, supprimez les données EXIF lorsqu'elles ne sont pas nécessaires. Les métadonnées peuvent révéler des détails de capture ou des informations de localisation, et la même discipline de confidentialité s'applique aux images envoyées via des outils de collaboration ou des applications de messagerie.

Rejetez les entrées qui sont :

• Floues ou mal compressées.
• Couvertes par des filtres agressifs.
• Dominées par des lunettes de soleil, des masques ou des cheveux.
• Issues d'une photo de groupe lointaine.
• Altérées par un échange de visage ou une édition générative.
• Si anciennes que la comparaison serait incertaine.

L'instruction de rejeter une photographie de moins de cinq ans n'a pas de sens pour la recherche d'identité, car les images plus récentes sont généralement plus utiles. Le principe pertinent est d'éviter de supposer qu'une ancienne image et un visage actuel correspondront parfaitement. Conservez le fichier original séparément, puis faites une copie de travail pour le recadrage et le nettoyage de la confidentialité.

Interrogez plus d'un système

Passez l'image de travail par trois voies indépendantes :

1. Recherche d'image inversée générale : Recherchez les copies exactes, les pages sources et les photos de profil réutilisées.
2. Recherche axée sur les visages : Recherchez les pages où les caractéristiques faciales ressemblent à la requête.
3. Recherche native de plateforme : Recherchez sur le réseau social pertinent en utilisant des noms, des identifiants, des légendes, des lieux ou des affiliations visibles.

Tenez un simple journal de preuves. Enregistrez l'outil, la version de l'image de requête, l'URL du résultat, le score affiché si disponible, la date d'accès et votre raison de considérer le résultat pertinent.

Vérifiez avant d'escalader

Un candidat devient plus crédible seulement lorsque des preuves distinctes pointent dans la même direction. Une corroboration utile peut inclure :

• Une photographie nommée avec un contexte de publication cohérent.
• Des images taguées montrant la même personne dans différents contextes.
• Une chronologie qui correspond à l'historique déclaré du compte.
• Des connexions mutuelles qui peuvent être confirmées indépendamment.
• Des détails publics cohérents sur des pages non liées.
• Une source originale plutôt qu'une chaîne de profils copiés.

Arrêtez-vous lorsque les preuves restent ambiguës. N'escaladez vers un enquêteur qualifié ou les forces de l'ordre que s'il existe une préoccupation légitime de sécurité, de fraude ou de criminalité et que vous pouvez préserver le matériel original sans accusation publique.

Pourquoi la plupart des recherches faciales échouent et comment y remédier

La plupart des échecs ne proviennent pas d'un manque d'intelligence artificielle. Ils proviennent du fait de poser la mauvaise question au mauvais outil, puis de traiter un résultat plausible comme une confirmation.

« Il suffit de Google la photo » a mal vieilli en tant que méthode universelle. Google Lens est utile pour la découverte visuelle et la chasse aux images en double, mais la recherche d'images entières peut être distraite par l'arrière-plan, les vêtements, la composition ou une photographie de stock similaire. Un visage recadré peut renvoyer un sosie, une célébrité ou une image sans rapport avec un éclairage similaire.

La recherche d'image inversée a également un problème de vérité. Un audit de 2026 a rapporté que la recherche d'image inversée de Google renvoyait une quantité substantielle d'informations non pertinentes et de désinformation répétée, tandis que le contenu de démystification représentait moins de 30 % des résultats (audit de recherche d'image inversée de Digital Methods). Une étude distincte de l'ensemble de données a rapporté 18 % de résultats précis, 35 % de résultats erronés et 44 % de résultats incomplets (discussion sur l'ensemble de données de recherche d'image inversée citée). Ces chiffres décrivent des études spécifiques et des ensembles de résultats, pas chaque recherche, mais ils expliquent pourquoi un résultat renvoyé n'est pas la même chose qu'une réponse vérifiée.

Les modes d'échec sont prévisibles

La dépendance à un seul moteur crée une vision étroite du web. Chaque plateforme a une couverture de crawl, un comportement de classement, un traitement d'image et des politiques de suppression différents.

Le culte du premier résultat transforme le classement en identité. L'ordre de recherche signifie généralement « le plus similaire selon ce système », pas « personne confirmée ».

La dérive d'âge fait que la même personne semble mathématiquement plus éloignée avec le temps. La structure faciale, la coiffure, le poids, la pilosité faciale, les procédures cosmétiques et les caractéristiques de l'appareil photo peuvent tous modifier l'embedding.

La confusion de réutilisation de photo produit une erreur différente. Trouver la même image sur plusieurs profils peut établir une copie, mais cela n'établit pas à quel compte appartient la personne photographiée.

La cécité à la compression fait que les utilisateurs blâment le modèle pour une image qui contient trop peu d'informations. Une capture d'écran d'une capture d'écran peut préserver l'apparence générale tout en détruisant les détails nécessaires à une comparaison fiable.

Corrigez le flux de travail plutôt que de chercher plus intensément :

• Utilisez plusieurs catégories de recherche.
• Testez l'original et une copie soigneusement recadrée.
• Comparez les preuves faciales avec le contexte de l'image complète.
• Vérifiez les dates de téléchargement et l'historique de la page.
• Séparez « même image » de « même personne ».
• Enregistrez les résultats négatifs au lieu de répéter des requêtes identiques.
• Exigez un deuxième signal avant de faire une allégation sérieuse.
• Traitez les scores de confiance comme des mesures spécifiques à l'outil.

Une recherche faciale devrait affiner l'enquête. Elle ne devrait pas la clôturer.

Règles légales et de confidentialité que vous ne pouvez ignorer en 2026

La disponibilité publique ne supprime pas les obligations de confidentialité. Une photographie peut être visible par tous, tandis que l'acte de la convertir en un modèle biométrique consultable déclenche des devoirs supplémentaires.

L'Acte sur l'IA de l'UE est l'exemple le plus clair du changement réglementaire. Il est entré en vigueur en 2024 et sera pleinement applicable en août 2026. Il interdit le scraping non ciblé d'images faciales provenant d'internet ou de séquences de vidéosurveillance pour créer ou étendre des bases de données de reconnaissance faciale, et il limite strictement l'identification biométrique en direct dans les espaces publics, sous réserve d'exceptions étroites impliquant des menaces graves, des personnes disparues ou des crimes graves. La reconnaissance faciale rétrospective est traitée comme à haut risque avec des garanties supplémentaires à partir d'août 2026 (liste de surveillance mondiale de la confidentialité de Mayer Brown).

La distinction importante se fait entre une enquête ciblée utilisant une image publique spécifique et un système qui collecte des images à grande échelle pour construire une base de données réutilisable. Le premier peut toujours nécessiter un objectif légal et une manipulation soigneuse. Le second crée un problème de conformité beaucoup plus grave.

L'Australie offre un autre ancrage concret. Le guide australien de la confidentialité de 2026 explique que la loi sur la protection de la vie privée est neutre sur le plan technologique et n'interdit ni ne permet spécifiquement la reconnaissance faciale, mais que les modèles biométriques et les informations biométriques, y compris les images faciales utilisées pour la vérification ou l'identification automatisée, sont des informations sensibles en vertu de la loi (guide de confidentialité sur la reconnaissance faciale de l'OAIC).

Un ensemble de règles défendables

Le Royaume-Uni, les États australiens, l'UE et les juridictions américaines ne créent pas un modèle d'autorisation universel. La loi BIPA de l'Illinois, les règles de confidentialité biométrique du Texas, la loi biométrique de Washington et les nouvelles obligations de divulgation en Californie et au Colorado peuvent imposer des exigences différentes. L'accès transfrontalier peut compliquer davantage les choses, en particulier lorsqu'un fournisseur stocke des images, fournit des résultats ou exporte des données biométriques dérivées d'une autre juridiction.

Avant de lancer une recherche, demandez-vous :

• Objectif : À quelle question légitime répondez-vous ?
• Autorité : Avez-vous la permission ou une autre base légale ?
• Proportionalité : La recherche faciale est-elle nécessaire à cet objectif ?
• Notification : La personne comprendrait-elle raisonnablement ce traitement ?
• Conservation : Combien de temps conserverez-vous l'image et le résultat ?
• Divulgation : Qui peut recevoir le résultat ?
• Impact : Une fausse correspondance pourrait-elle causer un préjudice à l'emploi, à la sécurité ou à la réputation ?
• Suppression : Pouvez-vous supprimer le téléchargement et les enregistrements dérivés ?

L'avis de confidentialité d'un fournisseur doit expliquer la collecte, la conservation, le partage, la suppression et les droits des utilisateurs. Vous pouvez également consulter l'avis de confidentialité pour un exemple pratique des informations à rechercher. Les principes de confidentialité dès la conception (privacy by design) offrent un cadre utile pour minimiser l'exposition avant le début d'une recherche (principes de confidentialité dès la conception).

Choisir un fournisseur et effectuer une recherche éthique

Un fournisseur devrait répondre à plus que « quelle est la précision de votre IA ? ». Demandez s'il divulgue l'échelle indexée, propose un processus de retrait (opt-out), explique sa base légale et sa position en matière de consentement, limite la rétention et publie des informations sur les performances démographiques alignées sur les types de tests utilisés par le NIST. Les preuves de sécurité, telles que la documentation SOC 2 ou ISO 27001, sont utiles lorsque le service gère des téléchargements sensibles, mais la certification ne rend pas un objectif illégal légal.

Pour une vérification côté lecteur, gardez cette liste de six points :

• Consentement : Obtenez-le lorsque la situation et la juridiction l'exigent.
• Objectif : Définissez la question de vérification spécifique.
• Données minimales : Ne téléchargez que ce dont la recherche a besoin.
• Diversité des sources : Comparez les résultats entre systèmes indépendants.
• Examen humain : Inspectez vous-même l'image, la page, la date et le contexte.
• Documentation : Préservez votre raisonnement et évitez toute distribution inutile.

PeopleFinder est une option pour une recherche basée sur l'image. Son service permet aux utilisateurs de télécharger une photographie pour la détection faciale par IA et de rechercher des profils correspondants, des sources d'images et des individus liés, il appartient donc à l'étape de génération de candidats plutôt qu'à l'étape de décision finale. La même discipline s'applique que vous utilisiez un moteur de recherche grand public, une API d'entreprise ou un flux de travail OSINT manuel.

La recherche faciale par IA est un outil de triage. Elle produit des candidats qu'un analyste doit interroger, et non des verdicts qu'un opérateur doit publier. La responsabilité incombe à la personne qui choisit l'objectif, interprète les preuves et décide de la suite.

---

Si vous avez besoin de vérifier si une photo de profil est réutilisée, de localiser des sources d'images publiques connexes, ou de générer des candidats pour une vérification d'identité minutieuse, visitez PeopleFinder et commencez par la recherche légale la plus petite qui puisse répondre à votre question. Examinez chaque résultat par rapport à un contexte indépendant avant de contacter qui que ce soit, de signaler un compte ou de faire une déclaration d'identité.