A COVID-19 globális világjárvány felgyorsította a felhasználók online ellenőrzésének és bevonásának szükségességét számos iparágban, például a pénzügyi szolgáltatásokban, a biztosításban és az egészségügyben. Ami a felhasználói élményt illeti, kulcsfontosságú, hogy súrlódásmentes tranzakciót biztosítsunk a személyazonosság-ellenőrzés magas színvonalának fenntartása mellett. A kérdés az, hogyan lehet valódi embereket ellenőrizni a digitális világban?
Amazon felismerés előre betanított arcfelismerési és -elemzési képességeket biztosít a személyazonosság-ellenőrzéshez online alkalmazásaihoz, például banki szolgáltatásokhoz, juttatásokhoz, e-kereskedelemhez és még sok máshoz.
Ebben a bejegyzésben bemutatjuk az „azonosító + szelfi” személyazonosság-ellenőrző tervezési mintát és mintakód segítségével létrehozhatja saját személyazonosság-ellenőrző REST-végpontját. Ez egy általános tervezési minta, amelyet beépíthet olyan meglévő vagy új megoldásokba, amelyek arcalapú személyazonosság-ellenőrzést igényelnek. A felhasználó bemutat egy azonosítót, például jogosítványt vagy útlevelet. A felhasználó valós idejű szelfit készít az alkalmazással. Ezután összehasonlítjuk a dokumentum arcát a készülékükön készült valós idejű szelfivel.
Az Amazon Rekognition CompareFaces API
Az „ID + szelfi” tervezési minta lényege a szelfi arcának és az azonosító okmányon szereplő arcnak az összehasonlítása. Ehhez az Amazon Rekognitiont használjuk CompareFaces
API. Az API összehasonlítja a forrásbemeneti képben lévő arcot a cél bemeneti képen észlelt arccal vagy arcokkal. A következő példában összehasonlítunk egy minta vezetői engedélyt (balra) egy szelfivel (jobbra).
forrás | cél |
A következő példa az API kódra:
Számos értéket ad vissza a CompareFaces API válasz. Arra koncentrálunk Similarity
visszaadott érték FaceMatches
annak ellenőrzéséhez, hogy a szelfi megegyezik-e a megadott azonosítóval.
A kulcshangolási paraméterek megértése
SimilarityThreshold
alapértelmezés szerint 80%-ra van állítva, és csak 80%-nál nagyobb vagy azzal egyenlő hasonlósági pontszámot ad vissza. Állítsa be az értéket a SimilarityThreshold
paraméter.
QualityFilter
egy bemeneti paraméter az észlelt arcok kiszűrésére, amelyek nem felelnek meg a szükséges minőségi sávnak. A minőségi sáv számos általános használati eseten alapul. Használat QualityFilter
megadásával állítsa be a minőségi sávot LOW
, MEDIUM
vagy HIGH
. Ha nem szeretné kiszűrni a rossz minőségű arcokat, adja meg NONE
. Az alapértelmezett érték a NONE
.
Megoldás áttekintése
Létrehozhat egy „ID + Selfie” API-t a digitális személyazonosság-ellenőrzéshez a következő összetevők telepítésével:
- REST API POST metódussal, amely lehetővé teszi, hogy elküldjük a szelfit és az azonosító rakományt, és visszaadja a választ, ebben az esetben a hasonlósági pontszámot
- Egy funkció a hasznos terhelés fogadására, a képek megfelelő formátumra konvertálására és az Amazon Rekognition meghívására
compare_faces
API.
Végrehajtjuk Amazon API átjáró a REST API funkcióhoz és AWS Lambda a funkcióhoz.
A következő diagram a megoldás architektúráját és munkafolyamatát mutatja be.
A munkafolyamat a következő lépéseket tartalmazza:
- A felhasználó feltölti a szükséges személyazonosító okmányt és egy szelfit.
- Az ügyfél elküldi az azonosító dokumentumot és a szelfit a REST végpontnak.
- A REST végpont hasonlósági pontszámot ad vissza az ügyfélnek.
- Az értékelés az alkalmazásban szereplő üzleti logikán keresztül történik. Például, ha a hasonlósági pontszám 80% alatt van, az nem felel meg a digitális személyazonosság-ellenőrzésnek; ellenkező esetben átmegy a digitális személyazonosság ellenőrzésén.
- A kliens elküldi az állapotot a felhasználónak.
Lambda kód
A Lambda függvény a bejövő terhelést base64-ről bájtra konvertálja minden egyes képhez, majd elküldi a forrást (szelfit) és a célt (azonosító) az Amazon Rekognition számára. compare_faces
API-t, és visszaadja az API-válasz törzsében kapott hasonlósági pontszámot. Lásd a következő kódot:
Telepítse a projektet
Ez a projekt telepíthető AWS minták a ... val AWS Cloud Development Kit (AWS CDK). A tárat klónozhatja, és a következő AWS CDK-folyamat segítségével telepítheti az AWS-fiókjába.
- Állítson be egy olyan felhasználót, aki jogosult a megoldási erőforrások programozott telepítésére az AWS CDK-n keresztül.
- Állítsa be a AWS parancssori interfész (AWS CLI). Az utasításokat lásd Az AWS parancssori felület konfigurálása.
- Ha először használja az AWS CDK-t, teljesítse a felsorolt előfeltételeket Az AWS CDK használata Pythonban.
- Klónozza a GitHub tárház.
- Hozzon létre egy virtuális környezetet. A használt parancs az operációs rendszertől függ:
- Windows használata esetén futtassa a következő parancsot a terminál ablakában a klónozott tárhely forrásából:
- Ha Mac vagy Linux rendszert használ, futtassa a következő parancsot a terminál ablakában a klónozott lerakat forrásából:
- A virtuális környezet aktiválása után telepítse az alkalmazás szabványos függőségeit:
- Most, hogy a környezet be van állítva és a követelmények teljesülnek, kiadhatjuk az AWS CDK deployment parancsot a projekt AWS-be való telepítéséhez:
API-hívásokat kezdeményezhet
A hasznos terhet base64 formátumban kell elküldenünk a REST végpontra. Az API-híváshoz Python-fájlt használunk, amely lehetővé teszi a forrás- és célfájlok megnyitását, base64-re való konvertálását, és a hasznos terhelés elküldését az API-átjárónak. Ez a kód elérhető a tárolóban.
Ne feledje, hogy a SOURCE
és a TARGET
A fájlok helye a helyi fájlrendszeren lesz, az URL pedig a projekt létrehozása során generált API-átjáró URL-je.
Tisztítsuk meg
A projekt felépítéséhez az AWS CDK-t használtuk, így helyileg megnyithatjuk projektünket, és kiadhatjuk a következő AWS CDK parancsot az erőforrások megtisztításához:
Következtetés
Itt van az „ID + Selfie” tervezési minta egy egyszerű API-val, amelyet integrálhat az alkalmazásba a digitális személyazonosság-ellenőrzés végrehajtásához. Sorozatunk következő bejegyzésében tovább bővítjük ezt a mintát azáltal, hogy szöveget kinyerünk az azonosító okmányból, és az arcok gyűjteményében keresünk, hogy elkerüljük a többszörözést.
Ha többet szeretne megtudni, nézze meg a Amazon Rekognition fejlesztői útmutató az arcok észlelésében és elemzésében.
A szerzőkről
Mike Ames vezető alkalmazott AI/ML megoldások építésze az AWS-vel. Segít a vállalatoknak a gépi tanulás és az AI-szolgáltatások használatában a csalás, a pazarlás és a visszaélések leküzdésében. Szabadidejében találkozhat vele mountain bike-ozni, kick-boxozni vagy gitározni egy 90-es évek metalbandájában.
Noah Donaldson az AWS megoldástervezője, szövetségi pénzügyi szervezeteket támogat. Izgatott az AI/ML technológia, amely csökkentheti a manuális folyamatokat, javíthatja az ügyfelek élményét, és segíthet megoldani az érdekes problémákat. Munkán kívül szívesen tölt időt a jégen fiával jégkorongozva, legidősebb lányával vadászik, és legfiatalabb lányával karikát lő.
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon felismerés
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- dall's
- mély tanulás
- Alapozó (100)
- google azt
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet