Μετρήσεις για την αξιολόγηση μιας λύσης επαλήθευσης ταυτότητας

Σε παγκόσμιο επίπεδο, έχει σημειωθεί μια επιταχυνόμενη στροφή προς τις ψηφιακές εμπειρίες χρηστών χωρίς τριβές. Είτε πρόκειται για εγγραφή σε έναν ιστότοπο, για συναλλαγές στο διαδίκτυο ή απλώς για σύνδεση στον τραπεζικό λογαριασμό σας, οι οργανισμοί προσπαθούν ενεργά να μειώσουν την τριβή που αντιμετωπίζουν οι πελάτες τους, ενώ ταυτόχρονα ενισχύουν τα μέτρα ασφάλειας, συμμόρφωσης και πρόληψης απάτης. Η στροφή προς τις εμπειρίες χρηστών χωρίς τριβές οδήγησε σε λύσεις επαλήθευσης βιομετρικής ταυτότητας με βάση το πρόσωπο που στοχεύουν στην απάντηση στην ερώτηση "Πώς επαληθεύετε ένα άτομο στον ψηφιακό κόσμο;"

Υπάρχουν δύο βασικά πλεονεκτήματα των βιομετρικών στοιχείων προσώπου όταν πρόκειται για θέματα αναγνώρισης και πιστοποίησης ταυτότητας. Πρώτον, είναι μια βολική τεχνολογία για τους χρήστες: δεν χρειάζεται να θυμάστε έναν κωδικό πρόσβασης, να αντιμετωπίσετε προκλήσεις πολλαπλών παραγόντων, να κάνετε κλικ σε συνδέσμους επαλήθευσης ή να λύσετε παζλ CAPTCHA. Δεύτερον, επιτυγχάνεται υψηλό επίπεδο ασφάλειας: η ταυτοποίηση και ο έλεγχος ταυτότητας βάσει βιομετρικών στοιχείων προσώπου είναι ασφαλής και λιγότερο επιρρεπής σε απάτες και επιθέσεις.

Σε αυτήν την ανάρτηση, εξετάζουμε τις δύο περιπτώσεις κύριας χρήσης επαλήθευσης ταυτότητας: την ενσωμάτωση και τον έλεγχο ταυτότητας. Στη συνέχεια, εξετάζουμε τις δύο βασικές μετρήσεις που χρησιμοποιούνται για την αξιολόγηση της ακρίβειας ενός βιομετρικού συστήματος: το ποσοστό ψευδούς αντιστοίχισης (γνωστό και ως ποσοστό ψευδούς αποδοχής) και το ποσοστό ψευδούς μη αντιστοίχισης (γνωστό και ως ποσοστό ψευδούς απόρριψης). Αυτά τα δύο μέτρα χρησιμοποιούνται ευρέως από οργανισμούς για την αξιολόγηση της ακρίβειας και του ποσοστού σφάλματος των βιομετρικών συστημάτων. Τέλος, συζητάμε ένα πλαίσιο και βέλτιστες πρακτικές για τη διενέργεια αξιολόγησης μιας υπηρεσίας επαλήθευσης ταυτότητας.

Ανατρέξτε στο συνοδευτικό Σημειωματάριο Jupyter που περιγράφει όλα τα βήματα που αναφέρονται σε αυτήν την ανάρτηση.

Περιπτώσεις χρήσης: Ενσωμάτωση και έλεγχος ταυτότητας

Υπάρχουν δύο περιπτώσεις κύριας χρήσης για βιομετρικές λύσεις: ενσωμάτωση χρήστη (συχνά αναφέρεται ως επαλήθευση) και έλεγχος ταυτότητας (συχνά αναφέρεται ως αναγνώριση). Η ενσωμάτωση συνεπάγεται αντιστοίχιση προσώπων μεταξύ δύο εικόνων, για παράδειγμα, σύγκριση μιας selfie με ένα αξιόπιστο έγγραφο ταυτοποίησης, όπως άδεια οδήγησης ή διαβατήριο. Ο έλεγχος ταυτότητας, από την άλλη πλευρά, συνεπάγεται αναζήτηση ενός προς πολλούς ενός προσώπου έναντι μιας αποθηκευμένης συλλογής προσώπων, για παράδειγμα αναζήτηση μιας συλλογής προσώπων εργαζομένων για να διαπιστωθεί εάν ένας υπάλληλος έχει άδεια πρόσβασης σε έναν συγκεκριμένο όροφο ενός κτιρίου.

Η απόδοση της ακρίβειας των περιπτώσεων χρήσης ενσωμάτωσης και ελέγχου ταυτότητας μετράται από τα ψευδώς θετικά και ψευδώς αρνητικά σφάλματα που μπορεί να κάνει η βιομετρική λύση. Ένας βαθμός ομοιότητας (που κυμαίνεται από 0% που σημαίνει καμία αντιστοίχιση έως 100% που σημαίνει τέλεια αντιστοίχιση) χρησιμοποιείται για τον προσδιορισμό ενός αγώνα ή μιας απόφασης που δεν ταιριάζει. Ένα ψευδώς θετικό προκύπτει όταν η λύση θεωρεί ότι οι εικόνες δύο διαφορετικών ατόμων είναι το ίδιο άτομο. Ένα ψευδές αρνητικό, από την άλλη πλευρά, σημαίνει ότι η λύση θεωρούσε ότι δύο εικόνες του ίδιου ατόμου ήταν διαφορετικές.

Ενσωμάτωση: Επαλήθευση ένας προς έναν

Οι διαδικασίες ενσωμάτωσης που βασίζονται σε βιομετρικά στοιχεία απλοποιούν και ασφαλίζουν τη διαδικασία. Το πιο σημαντικό είναι ότι προετοιμάζει τον οργανισμό και τον πελάτη για μια εμπειρία ενσωμάτωσης σχεδόν χωρίς τριβές. Για να γίνει αυτό, οι χρήστες πρέπει απλώς να παρουσιάσουν μια εικόνα κάποιου είδους αξιόπιστου εγγράφου ταυτοποίησης που περιέχει το πρόσωπο του χρήστη (όπως άδεια οδήγησης ή διαβατήριο) καθώς και να τραβήξουν μια εικόνα selfie κατά τη διαδικασία ενσωμάτωσης. Αφού το σύστημα έχει αυτές τις δύο εικόνες, απλώς συγκρίνει τα πρόσωπα μέσα στις δύο εικόνες. Όταν η ομοιότητα είναι μεγαλύτερη από ένα καθορισμένο όριο, τότε έχετε μια αντιστοίχιση. αλλιώς, έχεις μη ταίριασμα. Το παρακάτω διάγραμμα περιγράφει τη διαδικασία.

Εξετάστε το παράδειγμα της Julie, μιας νέας χρήστη που ανοίγει έναν ψηφιακό τραπεζικό λογαριασμό. Η λύση την προτρέπει να τραβήξει μια φωτογραφία της άδειας οδήγησης (βήμα 2) και να τραβήξει μια selfie (βήμα 3). Αφού το σύστημα ελέγξει την ποιότητα των εικόνων (βήμα 4), συγκρίνει το πρόσωπο στη selfie με το πρόσωπο στην άδεια οδήγησης (ένα προς ένα αντιστοίχιση) και παράγεται μια βαθμολογία ομοιότητας (βήμα 5). Εάν η βαθμολογία ομοιότητας είναι μικρότερη από το απαιτούμενο όριο ομοιότητας, τότε η προσπάθεια ενσωμάτωσης από την Τζούλι απορρίπτεται. Αυτό είναι αυτό που ονομάζουμε ψευδή μη ταίριασμα ή ψευδή απόρριψη: η λύση θεωρούσε ότι δύο εικόνες του ίδιου ατόμου είναι διαφορετικές. Από την άλλη πλευρά, εάν η βαθμολογία ομοιότητας ήταν μεγαλύτερη από την απαιτούμενη ομοιότητα, τότε η λύση θεωρεί ότι οι δύο εικόνες είναι το ίδιο άτομο ή ένα ταίριασμα.

Έλεγχος ταυτότητας: Αναγνώριση ένα προς πολλά

Από την είσοδο σε ένα κτίριο, το check-in σε ένα περίπτερο, την προτροπή ενός χρήστη για μια selfie για να επαληθεύσει την ταυτότητά του, αυτός ο τύπος ελέγχου ταυτότητας από μηδέν έως χαμηλής τριβής μέσω της αναγνώρισης προσώπου έχει γίνει συνηθισμένος για πολλούς οργανισμούς. Αντί να πραγματοποιεί αντιστοίχιση εικόνας-εικόνας, αυτή η περίπτωση χρήσης ελέγχου ταυτότητας λαμβάνει μια μεμονωμένη εικόνα και τη συγκρίνει με μια συλλογή εικόνων με δυνατότητα αναζήτησης για μια πιθανή αντιστοίχιση. Σε μια τυπική περίπτωση χρήσης ελέγχου ταυτότητας, ζητείται από τον χρήστη να τραβήξει μια selfie, η οποία στη συνέχεια συγκρίνεται με τα πρόσωπα που είναι αποθηκευμένα στη συλλογή. Το αποτέλεσμα της αναζήτησης αποδίδει μηδέν, μία ή περισσότερες πιθανές αντιστοιχίσεις με αντίστοιχες βαθμολογίες ομοιότητας και εξωτερικά αναγνωριστικά. Εάν δεν επιστραφεί αντιστοιχία, τότε ο χρήστης δεν επαληθεύεται. Ωστόσο, υποθέτοντας ότι η αναζήτηση επιστρέφει μία ή περισσότερες αντιστοιχίσεις, το σύστημα λαμβάνει την απόφαση ελέγχου ταυτότητας με βάση τους βαθμούς ομοιότητας και τα εξωτερικά αναγνωριστικά. Εάν η βαθμολογία ομοιότητας υπερβαίνει το απαιτούμενο όριο ομοιότητας και το εξωτερικό αναγνωριστικό ταιριάζει με το αναμενόμενο αναγνωριστικό, τότε ο χρήστης ελέγχεται (αντιστοιχίζεται). Το παρακάτω διάγραμμα περιγράφει ένα παράδειγμα διαδικασίας βιομετρικού ελέγχου ταυτότητας βάσει προσώπου.

Εξετάστε το παράδειγμα του Jose, ενός οδηγού παράδοσης σε οικονομία συναυλιών. Η υπηρεσία παράδοσης επαληθεύει τα προγράμματα οδήγησης παράδοσης ζητώντας από τον οδηγό να τραβήξει μια selfie πριν ξεκινήσει μια παράδοση χρησιμοποιώντας την εφαρμογή για κινητά της εταιρείας. Ένα πρόβλημα που αντιμετωπίζουν οι πάροχοι υπηρεσιών οικονομικής συναυλίας είναι ο επιμερισμός θέσεων εργασίας. ουσιαστικά δύο ή περισσότεροι χρήστες μοιράζονται τον ίδιο λογαριασμό για να παίξουν το σύστημα. Για να καταπολεμηθεί αυτό, πολλές υπηρεσίες παράδοσης χρησιμοποιούν μια κάμερα αυτοκινήτου για να τραβήξουν εικόνες (βήμα 2) του οδηγού σε τυχαίες στιγμές κατά τη διάρκεια μιας παράδοσης (για να διασφαλιστεί ότι ο οδηγός παράδοσης είναι ο εξουσιοδοτημένος οδηγός). Σε αυτή την περίπτωση, ο Jose όχι μόνο τραβάει μια selfie κατά την έναρξη της παράδοσής του, αλλά μια κάμερα στο αυτοκίνητο τραβάει εικόνες του κατά τη διάρκεια της παράδοσης. Το σύστημα εκτελεί ποιοτικούς ελέγχους (βήμα 3) και αναζητά (βήμα 4) τη συλλογή εγγεγραμμένων προγραμμάτων οδήγησης για να επαληθεύσει την ταυτότητα του οδηγού. Εάν εντοπιστεί διαφορετικό πρόγραμμα οδήγησης, τότε η υπηρεσία παράδοσης με οικονομία συναυλιών μπορεί να διερευνήσει περαιτέρω.

Μια ψευδής αντιστοίχιση (ψευδώς θετική) εμφανίζεται όταν η λύση θεωρεί ότι δύο ή περισσότερες εικόνες διαφορετικών ανθρώπων είναι το ίδιο άτομο. Στην περίπτωση χρήσης μας, ας υποθέσουμε ότι αντί για τον εξουσιοδοτημένο οδηγό, ο Jose αφήνει τον αδελφό του Miguel να του πάρει μια από τις παραδόσεις του. Εάν η λύση ταιριάζει λανθασμένα με τη selfie του Miguel με τις εικόνες του Jose, τότε εμφανίζεται μια ψευδής αντιστοίχιση (ψευδώς θετική).

Για την καταπολέμηση της πιθανότητας ψευδών αντιστοιχιών, συνιστούμε οι συλλογές να περιέχουν πολλές εικόνες για κάθε θέμα. Αποτελεί κοινή πρακτική η ευρετηρίαση αξιόπιστων εγγράφων ταυτοποίησης που περιέχουν ένα πρόσωπο, μια selfie τη στιγμή της επιβίβασης και selfie από τους τελευταίους πολλούς ελέγχους αναγνώρισης. Η ευρετηρίαση πολλών εικόνων ενός θέματος παρέχει τη δυνατότητα συγκέντρωσης των βαθμολογιών ομοιότητας στα πρόσωπα που επιστρέφονται, βελτιώνοντας έτσι την ακρίβεια της αναγνώρισης. Επιπλέον, χρησιμοποιούνται εξωτερικά αναγνωριστικά για τον περιορισμό του κινδύνου ψευδούς αποδοχής. Ένα παράδειγμα επιχειρηματικού κανόνα μπορεί να μοιάζει κάπως έτσι:

ΑΝ συγκεντρωτική βαθμολογία ομοιότητας >= απαιτούμενο όριο ομοιότητας ΚΑΙ εξωτερικό αναγνωριστικό == αναμενόμενο αναγνωριστικό ΤΟΤΕ έλεγχος ταυτότητας

Βασικά μέτρα βιομετρικής ακρίβειας

Σε ένα βιομετρικό σύστημα, μας ενδιαφέρει το ποσοστό ψευδούς αντιστοίχισης (FMR) και το ποσοστό ψευδούς μη αντιστοίχισης (FNMR) βάσει των βαθμολογιών ομοιότητας από συγκρίσεις προσώπων και αναζητήσεις. Είτε πρόκειται για περίπτωση χρήσης ενσωμάτωσης είτε για έλεγχο ταυτότητας, τα βιομετρικά συστήματα αποφασίζουν να αποδεχτούν ή να απορρίψουν αντιστοιχίσεις του προσώπου ενός χρήστη με βάση τη βαθμολογία ομοιότητας δύο ή περισσότερων εικόνων. Όπως κάθε σύστημα αποφάσεων, θα υπάρξουν σφάλματα όταν το σύστημα αποδέχεται ή απορρίπτει εσφαλμένα μια προσπάθεια ενσωμάτωσης ή ελέγχου ταυτότητας. Ως μέρος της αξιολόγησης της λύσης επαλήθευσης της ταυτότητάς σας, πρέπει να αξιολογήσετε το σύστημα σε διάφορα όρια ομοιότητας για να ελαχιστοποιήσετε τα ποσοστά ψευδούς αντιστοίχισης και ψευδούς μη αντιστοίχισης, καθώς και να αντιπαραβάλετε αυτά τα σφάλματα με το κόστος των εσφαλμένων απορρίψεων και αποδοχών. Χρησιμοποιούμε FMR και FNMR ως δύο βασικές μετρήσεις μας για την αξιολόγηση των βιομετρικών συστημάτων του προσώπου.

Εσφαλμένο ποσοστό μη αντιστοιχίας

Όταν το σύστημα επαλήθευσης ταυτότητας αποτυγχάνει να αναγνωρίσει ή να εξουσιοδοτήσει σωστά έναν γνήσιο χρήστη, εμφανίζεται μια ψευδής μη αντιστοίχιση, γνωστή και ως ψευδής αρνητική. Το ποσοστό ψευδούς μη αντιστοίχισης (FNMR) είναι ένα μέτρο για το πόσο επιρρεπές είναι το σύστημα να αναγνωρίσει ή να εξουσιοδοτήσει εσφαλμένα έναν γνήσιο χρήστη.

Το FNMR εκφράζεται ως ποσοστό των περιπτώσεων κατά τις οποίες γίνεται προσπάθεια ενσωμάτωσης ή ελέγχου ταυτότητας, όπου το πρόσωπο του χρήστη απορρίπτεται λανθασμένα (ψευδώς αρνητικό) επειδή η βαθμολογία ομοιότητας είναι κάτω από το προβλεπόμενο όριο.

Ένα αληθινό θετικό (TP) είναι όταν η λύση θεωρεί ότι δύο ή περισσότερες εικόνες του ίδιου ατόμου είναι ίδιες. Δηλαδή, η ομοιότητα της σύγκρισης ή της αναζήτησης είναι πάνω από το απαιτούμενο όριο ομοιότητας.

Ένα ψευδώς αρνητικό (FN) είναι όταν η λύση θεωρεί ότι δύο ή περισσότερες εικόνες του ίδιου ατόμου είναι διαφορετικές. Δηλαδή, η ομοιότητα της σύγκρισης ή της αναζήτησης είναι κάτω από το απαιτούμενο όριο ομοιότητας.

Ο τύπος για το FNMR είναι:

FNMR = Λάθος αρνητικό πλήθος / (Αληθινό θετικό πλήθος + ψευδώς αρνητικό πλήθος)

Για παράδειγμα, ας υποθέσουμε ότι έχουμε 10,000 γνήσιες προσπάθειες ελέγχου ταυτότητας αλλά οι 100 απορρίπτονται επειδή η ομοιότητά τους με την εικόνα αναφοράς ή τη συλλογή πέφτει κάτω από το καθορισμένο όριο ομοιότητας. Εδώ έχουμε 9,900 αληθινά θετικά και 100 ψευδώς αρνητικά, επομένως το FNMR μας είναι 1.0%

FNMR = 100 / (9900 + 100) ή 1.0%

Εσφαλμένο ποσοστό αντιστοίχισης

Όταν ένα σύστημα επαλήθευσης ταυτότητας προσδιορίζει εσφαλμένα ή εξουσιοδοτεί έναν μη εξουσιοδοτημένο χρήστη ως γνήσιο, εμφανίζεται μια ψευδής αντιστοίχιση, γνωστή και ως ψευδής θετική. Το ποσοστό ψευδούς αντιστοίχισης (FMR) είναι ένα μέτρο για το πόσο επιρρεπές είναι το σύστημα να αναγνωρίσει ή να εξουσιοδοτήσει εσφαλμένα έναν μη εξουσιοδοτημένο χρήστη. Μετριέται με τον αριθμό των ψευδώς θετικών αναγνωρίσεων ή επαληθεύσεων ταυτότητας δια του συνολικού αριθμού προσπαθειών αναγνώρισης.

Ένα ψευδώς θετικό προκύπτει όταν η λύση θεωρεί ότι δύο ή περισσότερες εικόνες διαφορετικών ανθρώπων είναι το ίδιο άτομο. Δηλαδή, η βαθμολογία ομοιότητας της σύγκρισης ή της αναζήτησης είναι πάνω από το απαιτούμενο όριο ομοιότητας. Ουσιαστικά, το σύστημα προσδιορίζει ή εξουσιοδοτεί εσφαλμένα έναν χρήστη όταν θα έπρεπε να είχε απορρίψει την απόπειρα αναγνώρισης ή επαλήθευσης ταυτότητας.

Ο τύπος για το FMR είναι:

FMR = Λάθος θετικό πλήθος / (Συνολικές προσπάθειες)

Για παράδειγμα, ας υποθέσουμε ότι έχουμε 100,000 προσπάθειες ελέγχου ταυτότητας αλλά 100 ψεύτικοι χρήστες είναι εσφαλμένα εξουσιοδοτημένοι επειδή η ομοιότητά τους με την εικόνα ή τη συλλογή αναφοράς είναι πάνω από το καθορισμένο όριο ομοιότητας. Εδώ έχουμε 100 ψευδώς θετικά, επομένως το FMR μας είναι 0.01%

FMR = 100 / (100,000) ή 0.01%

Ποσοστό ψευδούς αντιστοίχισης έναντι ψευδούς ποσοστού μη αντιστοίχισης

Το ποσοστό ψευδούς αντιστοίχισης και το ποσοστό ψευδούς μη αντιστοίχισης βρίσκονται σε αντίθεση μεταξύ τους. Καθώς το όριο ομοιότητας αυξάνεται, η πιθανότητα για μια λανθασμένη αντιστοίχιση μειώνεται, ενώ η πιθανότητα για μια ψευδή μη αντιστοίχιση αυξάνεται. Ένας άλλος τρόπος για να σκεφτείτε αυτήν την αντιστάθμιση είναι ότι καθώς αυξάνεται το όριο ομοιότητας, η λύση γίνεται πιο περιοριστική, κάνοντας λιγότερες αντιστοιχίσεις χαμηλής ομοιότητας. Για παράδειγμα, είναι σύνηθες για περιπτώσεις χρήσης που αφορούν δημόσια ασφάλεια και ασφάλεια να ορίζεται ένα όριο ομοιότητας αντιστοίχισης αρκετά υψηλό (99 και άνω). Εναλλακτικά, ένας οργανισμός μπορεί να επιλέξει ένα λιγότερο περιοριστικό όριο ομοιότητας (90 και άνω), όπου ο αντίκτυπος της τριβής στον χρήστη είναι πιο σημαντικός. Το παρακάτω διάγραμμα απεικονίζει αυτούς τους συμβιβασμούς. Η πρόκληση για τους οργανισμούς είναι να βρουν ένα όριο που ελαχιστοποιεί τόσο το FMR όσο και το FNMR με βάση τις απαιτήσεις του οργανισμού και της εφαρμογής σας.

Η επιλογή ενός ορίου ομοιότητας εξαρτάται από την επιχειρηματική εφαρμογή. Για παράδειγμα, ας υποθέσουμε ότι θέλετε να περιορίσετε την τριβή των πελατών κατά την ενσωμάτωση (ένα λιγότερο περιοριστικό όριο ομοιότητας, όπως φαίνεται στην παρακάτω εικόνα στα αριστερά). Εδώ μπορεί να έχετε ένα χαμηλότερο απαιτούμενο όριο ομοιότητας και είστε πρόθυμοι να αποδεχτείτε τον κίνδυνο να ενσωματώσετε χρήστες όπου η εμπιστοσύνη στην αντιστοίχιση μεταξύ selfie και άδειας οδήγησης είναι χαμηλότερη. Αντίθετα, ας υποθέσουμε ότι θέλετε να διασφαλίσετε ότι μόνο εξουσιοδοτημένοι χρήστες εισέρχονται σε μια εφαρμογή. Εδώ μπορεί να λειτουργήσετε σε ένα αρκετά περιοριστικό όριο ομοιότητας (όπως φαίνεται στο σχήμα στα δεξιά).

Βήματα για τον υπολογισμό ποσοστών ψευδούς αντιστοίχισης και μη αντιστοίχισης

Υπάρχουν διάφοροι τρόποι υπολογισμού αυτών των δύο μετρήσεων. Η παρακάτω είναι μια σχετικά απλή προσέγγιση για τη διαίρεση των βημάτων σε συλλογή γνήσιων ζευγών εικόνων, δημιουργία ζεύγους απατεώνων (εικόνες που δεν πρέπει να ταιριάζουν) και, τέλος, χρησιμοποιώντας έναν ανιχνευτή για να κάνετε βρόχο πάνω από τα αναμενόμενα ζεύγη εικόνων αντιστοίχισης και μη, καταγράφοντας την προκύπτουσα ομοιότητα. Τα βήματα είναι τα εξής:

1. Συγκεντρώστε ένα γνήσιο δείγμα σετ εικόνων. Συνιστούμε να ξεκινήσετε με ένα σύνολο ζευγών εικόνων και να εκχωρήσετε ένα εξωτερικό αναγνωριστικό, το οποίο χρησιμοποιείται για τον επίσημο προσδιορισμό αντιστοίχισης. Το ζευγάρι αποτελείται από τις παρακάτω εικόνες:
   1. Πηγή εικόνας – Η εικόνα της αξιόπιστης πηγής σας, για παράδειγμα άδεια οδήγησης.
   2. Εικόνα στόχος – Η selfie ή η εικόνα σας με την οποία πρόκειται να συγκρίνετε.
2. Συγκεντρώστε ένα σύνολο εικόνων με αντιστοιχίες απατεώνων. Πρόκειται για ζεύγη εικόνων όπου η πηγή και ο στόχος δεν ταιριάζουν. Αυτό χρησιμοποιείται για την αξιολόγηση του FMR (την πιθανότητα το σύστημα να ταιριάζει εσφαλμένα με τα πρόσωπα δύο διαφορετικών χρηστών). Μπορείτε να δημιουργήσετε ένα σύνολο εικόνων απατεώνων χρησιμοποιώντας τα ζεύγη εικόνων δημιουργώντας ένα καρτεσιανό γινόμενο των εικόνων και στη συνέχεια φιλτράροντας και δειγματίζοντας το αποτέλεσμα.
3. Ανιχνεύστε τα γνήσια σετ αντιστοίχισης και τα σετ απατεώνων κάνοντας loop πάνω από τα ζεύγη εικόνων, συγκρίνοντας τον στόχο πηγής και απατεώνα και καταγράφοντας την ομοιότητα που προκύπτει.
4. Υπολογίστε τα FMR και FNMR υπολογίζοντας τα ψευδώς θετικά και τα ψευδώς αρνητικά σε διαφορετικά ελάχιστα όρια ομοιότητας.

Μπορείτε να αξιολογήσετε το κόστος των FMR και FNMR σε διαφορετικά όρια ομοιότητας σε σχέση με τις ανάγκες της εφαρμογής σας.

Βήμα 1: Συλλέξτε γνήσια δείγματα ζεύγους εικόνων

Η επιλογή ενός αντιπροσωπευτικού δείγματος ζευγών εικόνων για αξιολόγηση είναι κρίσιμης σημασίας κατά την αξιολόγηση μιας υπηρεσίας επαλήθευσης ταυτότητας. Το πρώτο βήμα είναι να προσδιορίσετε ένα γνήσιο σύνολο ζευγών εικόνων. Αυτές είναι γνωστές εικόνες πηγής και στόχου ενός χρήστη. Η γνήσια σύζευξη εικόνας χρησιμοποιείται για την αξιολόγηση του FNMR, ουσιαστικά της πιθανότητας το σύστημα να μην ταιριάζει με δύο πρόσωπα του ίδιου ατόμου. Μία από τις πρώτες ερωτήσεις που τίθενται συχνά είναι "Πόσα ζεύγη εικόνων είναι απαραίτητα;" Η απάντηση είναι ότι εξαρτάται από την περίπτωση χρήσης σας, αλλά η γενική καθοδήγηση είναι η εξής:

• Μεταξύ 100-1,000 ζεύγη εικόνων παρέχει ένα μέτρο σκοπιμότητας
• Έως και 10,000 ζεύγη εικόνων είναι αρκετά μεγάλα για τη μέτρηση της μεταβλητότητας μεταξύ των εικόνων
• Περισσότερα από 10,000 ζεύγη εικόνων παρέχουν ένα μέτρο λειτουργικής ποιότητας και γενίκευσης

Περισσότερα δεδομένα είναι πάντα καλύτερα. Ωστόσο, ως σημείο εκκίνησης, χρησιμοποιήστε τουλάχιστον 1,000 ζεύγη εικόνων. Ωστόσο, δεν είναι ασυνήθιστο να χρησιμοποιείτε περισσότερα από 10,000 ζεύγη εικόνων σε ένα αποδεκτό FNMR ή FMR για ένα δεδομένο επιχειρηματικό πρόβλημα.

Ακολουθεί ένα δείγμα αρχείου αντιστοίχισης ζεύγους εικόνων. Χρησιμοποιούμε το αρχείο αντιστοίχισης ζεύγους εικόνων για να οδηγήσουμε την υπόλοιπη διαδικασία αξιολόγησης.

Βήμα 2: Δημιουργήστε ένα ζεύγος εικόνων απατεώνων σειρά

Τώρα που έχετε ένα αρχείο με γνήσια ζεύγη εικόνων, μπορείτε να δημιουργήσετε ένα καρτεσιανό προϊόν εικόνων προορισμού και προέλευσης όπου τα εξωτερικά αναγνωριστικά δεν ταιριάζουν. Αυτό δημιουργεί ζεύγη πηγής-στόχου που δεν πρέπει να ταιριάζουν. Αυτή η σύζευξη χρησιμοποιείται για την αξιολόγηση του FMR, ουσιαστικά της πιθανότητας το σύστημα να ταιριάζει με το πρόσωπο ενός χρήστη με το πρόσωπο ενός διαφορετικού χρήστη.

Βήμα 3: Εξετάστε τα σετ ζευγών γνήσιων και απατεώνων εικόνων

Χρησιμοποιώντας ένα πρόγραμμα οδήγησης, εφαρμόζουμε το Αναγνώριση Amazon CompareFaces API πάνω από τα ζεύγη εικόνων και αποτυπώστε την ομοιότητα. Μπορείτε επίσης να καταγράψετε πρόσθετες πληροφορίες όπως πόζα, ποιότητα και άλλα αποτελέσματα της σύγκρισης. Οι βαθμολογίες ομοιότητας χρησιμοποιούνται για τον υπολογισμό των ποσοστών ψευδούς αντιστοίχισης και μη αντιστοίχισης στο επόμενο βήμα.

Στο παρακάτω απόσπασμα κώδικα, εφαρμόζουμε το CompareFaces API σε όλα τα ζεύγη εικόνων και συμπληρώνουμε όλες τις βαθμολογίες ομοιότητας σε έναν πίνακα:

obj = s3.get_object(Bucket= bucket_name , Key = csv_file)

df = pd.read_csv(io.BytesIO(obj['Body'].read()), encoding='utf8')
def compare_faces(source_file, target_file, threshold = 0):
    response=rekognition.compare_faces(SimilarityThreshold=threshold,
                                        SourceImage={'S3Object': {
                                                    'Bucket': bucket_name,
                                                    'Name':source_file}},
                                        TargetImage={'S3Object': {
                                                    'Bucket': bucket_name,
                                                    'Name':target_file}})
df_similarity = df.copy()
df_similarity["SIMILARITY"] = None
for index, row in df.iterrows():
    source_file = dataset_folder + row["SOURCE"]
    target_file = dataset_folder + row["TARGET"]
    response_score = compare_faces(source_file, target_file)
    df_similarity._set_value(index,"SIMILARITY", response_score)
    df_similarity.head()

Το απόσπασμα κώδικα δίνει την ακόλουθη έξοδο.

Η ανάλυση κατανομής των βαθμολογιών ομοιότητας ανά τεστ είναι ένα σημείο εκκίνησης για την κατανόηση της βαθμολογίας ομοιότητας ανά ζεύγη εικόνων. Το παρακάτω απόσπασμα κώδικα και το γράφημα εξόδου δείχνει ένα απλό παράδειγμα κατανομής της βαθμολογίας ομοιότητας ανά σύνολο δοκιμών, καθώς και προκύπτοντα περιγραφικά στατιστικά στοιχεία:

sns.boxplot(data=df_similarity,
            x=df_similarity["SIMILARITY"],
            y=df_similarity["TEST"]).set(xlabel='Similarity Score',
            ylabel=None,
            title = "Similarity Score Distribution")
plt.show()

df_descriptive_stats = pd.DataFrame(columns=['test','count', 'min' , 'max', 'mean', 'median', 'std'])

tests = ["Genuine", "Imposter"]

for test in tests:
    count = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].count()
    mean = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].mean()
    max_ = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].max()
    min_ = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].min()
    median = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].median()
    std = df_similarity['SIMILARITY'].loc[df_similarity['TEST'] == test].std()

    new_row = {'test': test,
                'count': count,
                'min': min_,
                'max': max_,
                'mean': mean,
                'median':median,
                'std': std}
    df_descriptive_stats = df_descriptive_stats.append(new_row,
    ignore_index=True)

df_descriptive_stats

Σε αυτό το παράδειγμα, μπορούμε να δούμε ότι η μέση και η διάμεση ομοιότητα για τα γνήσια ζεύγη προσώπων ήταν 91.7 και 99.1, ενώ για τα ζεύγη απατεώνων ήταν 2.8 και 0.8, αντίστοιχα. Όπως ήταν αναμενόμενο, αυτό δείχνει τις υψηλές βαθμολογίες ομοιότητας για τα γνήσια ζεύγη εικόνων και τις χαμηλές βαθμολογίες ομοιότητας για τα ζεύγη εικόνων απατεώνων.

Βήμα 4: Υπολογίστε το FMR και το FNMR σε διαφορετικά επίπεδα κατωφλίου ομοιότητας

Σε αυτό το βήμα, υπολογίζουμε τα ποσοστά ψευδούς αντιστοίχισης και μη αντιστοίχισης σε διαφορετικά όρια ομοιότητας. Για να το κάνουμε αυτό, απλώς κάνουμε βρόχο μέσω ορίων ομοιότητας (για παράδειγμα, 90–100). Σε κάθε επιλεγμένο όριο ομοιότητας, υπολογίζουμε τον πίνακα σύγχυσης που περιέχει αληθές θετικό, αληθινό αρνητικό, ψευδώς θετικό και ψευδώς αρνητικό πλήθος, οι οποίες χρησιμοποιούνται για τον υπολογισμό του FMR και του FNMR σε κάθε επιλεγμένη ομοιότητα.

Για να γίνει αυτό, δημιουργούμε μια συνάρτηση που επιστρέφει τις ψευδώς θετικές και αρνητικές μετρήσεις και πραγματοποιεί βρόχο μέσω μιας σειράς βαθμολογιών ομοιότητας (90–100):

similarity_thresholds = [80,85,90,95,96,97,98,99]

# create output df
df_cols = ['Similarity Threshold', 'TN' , 'FN', 'TP', 'FP', 'FNMR (%)', 'FMR (%)']
comparison_df = pd.DataFrame(columns=df_cols)

# create columns for y_actual and y_pred
df_analysis = df_similarity.copy()
df_analysis["y_actual"] = None
df_analysis["y_pred"] = None

for threshold in similarity_thresholds:
    # Create y_pred and y_actual columns, 1 == match, 0 == no match
    for index, row in df_similarity.iterrows():
        # set y_pred
        if row["SIMILARITY"] >= threshold:
            df_analysis._set_value(index,"y_pred", 1)
        else:
            df_analysis._set_value(index,"y_pred", 0)

        # set y_actual
        if row["TEST"] == "Genuine":
            df_analysis._set_value(index,"y_actual", 1)
        else:
            df_analysis._set_value(index,"y_actual", 0)

    tn, fp, fn, tp = confusion_matrix(df_analysis['y_actual'].tolist(),
                                      df_analysis['y_pred'].tolist()).ravel()
    FNMR = fn / (tp + fn)
    FMR = fp / (tn+fp+fn+tp)

    new_row = {'Similarity Threshold': threshold,
                'TN': tn,
                'FN': fn,
                'TP': tp,
                'FP': fp,
                'FNMR (%)':FNMR,
                'FMR (%)': FMR}
    comparison_df = comparison_df.append(new_row,ignore_index=True)

comparison_df

Ο παρακάτω πίνακας δείχνει τα αποτελέσματα των μετρήσεων σε κάθε όριο ομοιότητας.

Πώς επηρεάζει το όριο ομοιότητας το ποσοστό ψευδούς μη αντιστοίχισης;

Ας υποθέσουμε ότι έχουμε 1,000 γνήσιες προσπάθειες ενσωμάτωσης χρήστη και απορρίπτουμε 10 από αυτές τις προσπάθειες με βάση την απαιτούμενη ελάχιστη ομοιότητα 95% για να θεωρηθούν ως αντιστοιχία. Εδώ απορρίπτουμε 10 γνήσιες προσπάθειες ενσωμάτωσης (ψευδώς αρνητικά) επειδή η ομοιότητά τους πέφτει κάτω από το καθορισμένο ελάχιστο απαιτούμενο όριο ομοιότητας. Σε αυτήν την περίπτωση, το FNMR μας είναι 1.0%.

FNMR = Λάθος αρνητικό πλήθος / (Αληθινό θετικό πλήθος + ψευδώς αρνητικό πλήθος)

FNMR = 10 / (990 + 10) ή 1.0%

Αντίθετα, ας υποθέσουμε ότι αντί να έχουμε 1,000 γνήσιους χρήστες στο πλοίο, έχουμε 990 γνήσιους χρήστες και 10 απατεώνες (ψευδώς θετικά). Με ελάχιστη ομοιότητα 95%, ας υποθέσουμε ότι δεχόμαστε και τους 1,000 χρήστες ως γνήσιους. Εδώ θα είχαμε FMR 1%.

FMR = Λάθος θετικό πλήθος / (Συνολικές προσπάθειες)

FMR = 10 / (1,000) ή 1.0%

Εκτίμηση του κόστους των FMR και FNMR κατά την επιβίβαση

Σε μια περίπτωση χρήσης ενσωμάτωσης, το κόστος μιας ψευδούς μη αντιστοίχισης (απόρριψης) σχετίζεται γενικά με πρόσθετη τριβή χρήστη ή απώλεια μιας εγγραφής. Για παράδειγμα, στην περίπτωση τραπεζικής μας χρήσης, ας υποθέσουμε ότι η Julie παρουσιάζει δύο εικόνες του εαυτού της αλλά απορρίπτεται λανθασμένα τη στιγμή της ενσωμάτωσης επειδή η ομοιότητα μεταξύ των δύο εικόνων πέφτει κάτω από την επιλεγμένη ομοιότητα (ψευδής μη αντιστοίχιση). Το χρηματοπιστωτικό ίδρυμα μπορεί να διακινδυνεύσει να χάσει την Julie ως δυνητικό πελάτη ή μπορεί να προκαλέσει πρόσθετη τριβή στην Julie απαιτώντας της να εκτελέσει βήματα για να αποδείξει την ταυτότητά της.

Αντίθετα, ας υποθέσουμε ότι οι δύο εικόνες της Julie είναι διαφορετικών ανθρώπων και η επιβίβαση της Julie θα έπρεπε να είχε απορριφθεί. Στην περίπτωση που η Julie γίνει λανθασμένα αποδεκτή (ψευδής αντιστοίχιση), το κόστος και ο κίνδυνος για το χρηματοπιστωτικό ίδρυμα είναι αρκετά διαφορετικά. Μπορεί να υπάρχουν ρυθμιστικά ζητήματα, κίνδυνος απάτης και άλλοι κίνδυνοι που σχετίζονται με χρηματοοικονομικές συναλλαγές.

Υπεύθυνη χρήση

Η τεχνητή νοημοσύνη (AI) που εφαρμόζεται μέσω της μηχανικής μάθησης (ML) θα είναι μια από τις πιο μετασχηματιστικές τεχνολογίες της γενιάς μας, αντιμετωπίζοντας μερικά από τα πιο δύσκολα προβλήματα της ανθρωπότητας, αυξάνοντας την ανθρώπινη απόδοση και μεγιστοποιώντας την παραγωγικότητα. Η υπεύθυνη χρήση αυτών των τεχνολογιών είναι το κλειδί για την προώθηση της συνεχούς καινοτομίας. Η AWS δεσμεύεται να αναπτύξει δίκαιες και ακριβείς υπηρεσίες AI και ML και να σας παρέχει τα εργαλεία και την καθοδήγηση που απαιτούνται για την υπεύθυνη κατασκευή εφαρμογών AI και ML.

Καθώς υιοθετείτε και αυξάνετε τη χρήση AI και ML, το AWS προσφέρει αρκετούς πόρους με βάση την εμπειρία μας για να σας βοηθήσει στην υπεύθυνη ανάπτυξη και χρήση του AI και του ML:

Βέλτιστες πρακτικές και κοινά λάθη που πρέπει να αποφεύγονται

Σε αυτήν την ενότητα, συζητάμε τις ακόλουθες βέλτιστες πρακτικές:

• Χρησιμοποιήστε ένα αρκετά μεγάλο δείγμα εικόνων
• Αποφύγετε σύνολα δεδομένων ανοιχτού κώδικα και συνθετικών προσώπων
• Αποφύγετε χειροκίνητο και συνθετικό χειρισμό εικόνας
• Ελέγξτε την ποιότητα της εικόνας κατά τη στιγμή της αξιολόγησης και με την πάροδο του χρόνου
• Παρακολούθηση FMR και FNMR με την πάροδο του χρόνου
• Χρησιμοποιήστε έναν άνθρωπο στην ανασκόπηση βρόχου
• Μείνετε ενημερωμένοι με το Amazon Rekognition

Χρησιμοποιήστε ένα αρκετά μεγάλο δείγμα εικόνων

Χρησιμοποιήστε ένα αρκετά μεγάλο αλλά λογικό δείγμα εικόνων. Τι είναι ένα λογικό μέγεθος δείγματος; Εξαρτάται από το επιχειρηματικό πρόβλημα. Εάν είστε εργοδότης και έχετε 10,000 υπαλλήλους που θέλετε να ελέγξετε την ταυτότητα, τότε η χρήση και των 10,000 εικόνων είναι πιθανώς λογική. Ωστόσο, ας υποθέσουμε ότι είστε ένας οργανισμός με εκατομμύρια πελάτες που θέλετε να ενσωματώσετε. Σε αυτήν την περίπτωση, η λήψη ενός αντιπροσωπευτικού δείγματος πελατών όπως 5,000–20,000 είναι πιθανώς επαρκής. Ακολουθούν ορισμένες οδηγίες σχετικά με το μέγεθος του δείγματος:

• Μέγεθος δείγματος 100 – 1,000 ζεύγη εικόνων αποδεικνύουν τη σκοπιμότητα
• Μέγεθος δείγματος 1,000 – 10,000 ζεύγη εικόνων είναι χρήσιμα για τη μέτρηση της μεταβλητότητας μεταξύ των εικόνων
• Μέγεθος δείγματος 10,000 – 1 εκατομμύριο ζεύγη εικόνων παρέχουν ένα μέτρο λειτουργικής ποιότητας και γενίκευσης

Το κλειδί με τη δειγματοληψία ζευγών εικόνων είναι να διασφαλίσετε ότι το δείγμα παρέχει αρκετή μεταβλητότητα μεταξύ του πληθυσμού των προσώπων στην εφαρμογή σας. Μπορείτε να επεκτείνετε περαιτέρω τη δειγματοληψία και τις δοκιμές σας για να συμπεριλάβετε δημογραφικές πληροφορίες όπως τον τόνο του δέρματος, το φύλο και την ηλικία.

Αποφύγετε σύνολα δεδομένων ανοιχτού κώδικα και συνθετικών προσώπων

Υπάρχουν δεκάδες επιμελημένα σύνολα δεδομένων εικόνων προσώπου ανοιχτού κώδικα, καθώς και εκπληκτικά ρεαλιστικά συνθετικά σετ προσώπων που χρησιμοποιούνται συχνά στην έρευνα και στη μελέτη σκοπιμότητας. Η πρόκληση είναι ότι αυτά τα σύνολα δεδομένων γενικά δεν είναι χρήσιμα για το 99% των πραγματικών περιπτώσεων χρήσης απλώς και μόνο επειδή δεν αντιπροσωπεύουν τις κάμερες, τα πρόσωπα και την ποιότητα των εικόνων που είναι πιθανό να συναντήσει η εφαρμογή σας στη φύση. Αν και είναι χρήσιμα για την ανάπτυξη εφαρμογών, τα μέτρα ακρίβειας αυτών των συνόλων εικόνων δεν γενικεύονται σε αυτό που θα συναντήσετε στη δική σας εφαρμογή. Αντίθετα, συνιστούμε να ξεκινήσετε με ένα αντιπροσωπευτικό δείγμα πραγματικών εικόνων από τη λύση σας, ακόμα κι αν τα ζεύγη εικόνων του δείγματος είναι μικρά (κάτω από 1,000).

Αποφύγετε χειροκίνητο και συνθετικό χειρισμό εικόνας

Υπάρχουν συχνά περιπτώσεις αιχμής που οι άνθρωποι ενδιαφέρονται να κατανοήσουν. Πράγματα όπως η ποιότητα λήψης εικόνας ή η συσκότιση συγκεκριμένων χαρακτηριστικών του προσώπου έχουν πάντα ενδιαφέρον. Για παράδειγμα, συχνά μας ρωτούν για την επίδραση της ηλικίας και της ποιότητας της εικόνας στην αναγνώριση προσώπου. Θα μπορούσατε απλώς να παλαιώσετε συνθετικά ένα πρόσωπο ή να χειριστείτε την εικόνα για να κάνετε το θέμα να φαίνεται μεγαλύτερο ή να χειριστείτε την ποιότητα της εικόνας, αλλά αυτό δεν μεταφράζεται καλά στην πραγματική γήρανση των εικόνων. Αντίθετα, η σύστασή μας είναι να συγκεντρώσετε ένα αντιπροσωπευτικό δείγμα πραγματικών περιπτώσεων αιχμής που σας ενδιαφέρει να δοκιμάσετε.

Ελέγξτε την ποιότητα της εικόνας κατά τη στιγμή της αξιολόγησης και με την πάροδο του χρόνου

Η τεχνολογία της κάμερας και των εφαρμογών αλλάζει αρκετά γρήγορα με την πάροδο του χρόνου. Ως βέλτιστη πρακτική, συνιστούμε την παρακολούθηση της ποιότητας της εικόνας με την πάροδο του χρόνου. Από το μέγεθος των προσώπων που συλλαμβάνονται (χρησιμοποιώντας πλαίσια οριοθέτησης), στη φωτεινότητα και την ευκρίνεια μιας εικόνας, στη στάση ενός προσώπου, καθώς και πιθανές συσκότισης (καπέλα, γυαλιά ηλίου, γένια κ.λπ.), όλες αυτές οι εικόνες και τα χαρακτηριστικά του προσώπου αλλάζουν με την πάροδο του χρόνου.

Παρακολούθηση FNMR και FMR με την πάροδο του χρόνου

Προκύπτουν αλλαγές, είτε πρόκειται για τις εικόνες, την εφαρμογή ή τα όρια ομοιότητας που χρησιμοποιούνται στην εφαρμογή. Είναι σημαντικό να παρακολουθείτε περιοδικά τα ποσοστά ψευδών αντιστοιχιών και μη αντιστοίχισης με την πάροδο του χρόνου. Οι αλλαγές στα ποσοστά (ακόμη και ανεπαίσθητες αλλαγές) μπορεί συχνά να υποδεικνύουν προκλήσεις ανάντη με την εφαρμογή ή τον τρόπο χρήσης της εφαρμογής. Οι αλλαγές στα όρια ομοιότητας και στους επιχειρηματικούς κανόνες που χρησιμοποιούνται για τη λήψη αποφάσεων αποδοχής ή απόρριψης μπορεί να έχουν σημαντικό αντίκτυπο στις εμπειρίες χρήστη ενσωμάτωσης και ελέγχου ταυτότητας.

Χρησιμοποιήστε έναν άνθρωπο στην ανασκόπηση βρόχου

Τα συστήματα επαλήθευσης ταυτότητας λαμβάνουν αυτοματοποιημένες αποφάσεις αντιστοίχισης και μη με βάση τα όρια ομοιότητας και τους επιχειρηματικούς κανόνες. Εκτός από τις κανονιστικές και εσωτερικές απαιτήσεις συμμόρφωσης, μια σημαντική διαδικασία σε κάθε αυτοματοποιημένο σύστημα λήψης αποφάσεων είναι η χρήση ανθρώπινων αναθεωρητών ως μέρος της συνεχούς παρακολούθησης της διαδικασίας λήψης αποφάσεων. Η ανθρώπινη εποπτεία αυτών των αυτοματοποιημένων συστημάτων λήψης αποφάσεων παρέχει επικύρωση και συνεχή βελτίωση καθώς και διαφάνεια στην αυτοματοποιημένη διαδικασία λήψης αποφάσεων.

Μείνετε ενημερωμένοι με το Amazon Rekognition

Το μοντέλο προσώπων αναγνώρισης Amazon ενημερώνεται περιοδικά (συνήθως ετησίως) και αυτή τη στιγμή βρίσκεται στην έκδοση 6. Αυτή η ενημερωμένη έκδοση έκανε σημαντικές βελτιώσεις στην ακρίβεια και την ευρετηρίαση. Είναι σημαντικό να παραμένετε ενημερωμένοι με τις νέες εκδόσεις μοντέλων και να κατανοείτε πώς να χρησιμοποιείτε αυτές τις νέες εκδόσεις στην εφαρμογή επαλήθευσης ταυτότητας. Όταν κυκλοφορούν νέες εκδόσεις του μοντέλου προσώπου Amazon Rekognition, είναι καλή πρακτική να επαναλαμβάνετε τη διαδικασία αξιολόγησης επαλήθευσης ταυτότητας και να προσδιορίζετε τυχόν πιθανές επιπτώσεις (θετικές και αρνητικές) στα ποσοστά ψευδούς αντιστοίχισης και μη αντιστοίχισης.

Συμπέρασμα

Αυτή η ανάρτηση εξετάζει τα βασικά στοιχεία που απαιτούνται για την αξιολόγηση της πτυχής απόδοσης της λύσης επαλήθευσης ταυτότητάς σας σε σχέση με διάφορες μετρήσεις ακρίβειας. Ωστόσο, η ακρίβεια είναι μόνο μία από τις πολλές διαστάσεις που πρέπει να αξιολογήσετε όταν επιλέγετε μια συγκεκριμένη υπηρεσία εποπτείας περιεχομένου. Είναι σημαντικό να συμπεριλάβετε άλλες παραμέτρους, όπως το συνολικό σύνολο δυνατοτήτων της υπηρεσίας, την ευκολία χρήσης, τις υπάρχουσες ενσωματώσεις, το απόρρητο και την ασφάλεια, τις επιλογές προσαρμογής, τις επιπτώσεις της επεκτασιμότητας, την εξυπηρέτηση πελατών και την τιμολόγηση.

Για να μάθετε περισσότερα σχετικά με την επαλήθευση ταυτότητας στο Amazon Rekognition, επισκεφτείτε Επαλήθευση ταυτότητας με χρήση του Amazon Rekognition.

Σχετικά με τους Συγγραφείς

Μάικ Έιμς είναι ένας επιστήμονας δεδομένων που έγινε ειδικός σε λύσεις επαλήθευσης ταυτότητας, με εκτενή εμπειρία στην ανάπτυξη λύσεων μηχανικής μάθησης και τεχνητής νοημοσύνης για την προστασία των οργανισμών από απάτη, σπατάλη και κατάχρηση. Στον ελεύθερο χρόνο του, μπορείτε να τον βρείτε να κάνει πεζοπορία, ποδηλασία βουνού ή να παίζει freebee με τον σκύλο του Max.

Amit Gupta είναι Senior AI Services Solutions Architect στην AWS. Είναι παθιασμένος με το να παρέχει στους πελάτες τη δυνατότητα να χρησιμοποιούν καλά σχεδιασμένες λύσεις μηχανικής μάθησης σε κλίμακα.

Ζουχάιρ Ραγκίμπ είναι αρχιτέκτονας λύσεων υπηρεσιών AI στην AWS. Ειδικός στην εφαρμοσμένη AI/ML, είναι παθιασμένος με το να δίνει τη δυνατότητα στους πελάτες να χρησιμοποιούν το cloud για να καινοτομούν πιο γρήγορα και να μεταμορφώνουν τις επιχειρήσεις τους.

Μαρσέλ Πιβιντάλ είναι αρχιτέκτονας λύσεων υπηρεσιών τεχνητής νοημοσύνης στον Παγκόσμιο Οργανισμό Εξειδικεύσεων. Ο Marcel έχει περισσότερα από 20 χρόνια εμπειρίας στην επίλυση επιχειρηματικών προβλημάτων μέσω τεχνολογίας για fintechs, παρόχους πληρωμών, φαρμακεία και κρατικούς φορείς. Οι τρέχοντες τομείς εστίασής του είναι η διαχείριση κινδύνου, η πρόληψη της απάτης και η επαλήθευση ταυτότητας.