เมตริกสำหรับการประเมินโซลูชันการยืนยันตัวตน

ทั่วโลกมีการเปลี่ยนแปลงอย่างรวดเร็วไปสู่ประสบการณ์ผู้ใช้ดิจิทัลที่ไร้แรงเสียดทาน ไม่ว่าจะเป็นการลงทะเบียนที่เว็บไซต์ ทำธุรกรรมออนไลน์ หรือเพียงแค่เข้าสู่ระบบบัญชีธนาคารของคุณ องค์กรต่าง ๆ ต่างพยายามที่จะลดความขัดแย้งที่ลูกค้าได้รับในขณะเดียวกันก็ปรับปรุงความปลอดภัย การปฏิบัติตามข้อกำหนด และมาตรการป้องกันการฉ้อโกง การเปลี่ยนไปสู่ประสบการณ์ผู้ใช้ที่ไร้แรงเสียดทานได้ก่อให้เกิดโซลูชันการยืนยันตัวตนด้วยไบโอเมตริกซ์แบบใช้ใบหน้า ซึ่งมีเป้าหมายเพื่อตอบคำถาม "คุณจะยืนยันตัวตนบุคคลในโลกดิจิทัลได้อย่างไร"

มีข้อดีหลักสองประการของไบโอเมตริกใบหน้าเมื่อพูดถึงคำถามเกี่ยวกับการระบุตัวตนและการรับรองความถูกต้อง ประการแรก เป็นเทคโนโลยีที่สะดวกสำหรับผู้ใช้: ไม่จำเป็นต้องจำรหัสผ่าน จัดการกับความท้าทายหลายปัจจัย คลิกลิงก์ยืนยัน หรือไขปริศนา CAPTCHA ประการที่สอง การรักษาความปลอดภัยในระดับสูงทำได้: การระบุตัวตนและการรับรองความถูกต้องบนพื้นฐานของไบโอเมตริกใบหน้ามีความปลอดภัยและมีความอ่อนไหวต่อการฉ้อโกงและการโจมตีน้อยกว่า

ในโพสต์นี้ เราจะเจาะลึกกรณีการใช้งานหลักสองกรณีของการยืนยันตัวตน: การเริ่มต้นใช้งานและการรับรองความถูกต้อง จากนั้น เราจะดำดิ่งสู่เมตริกสำคัญสองรายการที่ใช้ในการประเมินความแม่นยำของระบบไบโอเมตริก ได้แก่ อัตราการจับคู่ที่ผิดพลาด (หรือที่เรียกว่าอัตราการยอมรับที่ผิดพลาด) และอัตราการไม่จับคู่ที่ผิดพลาด (หรือที่รู้จักกันในชื่ออัตราการปฏิเสธที่ผิดพลาด) องค์กรใช้มาตรการทั้งสองนี้อย่างแพร่หลายในการประเมินความแม่นยำและอัตราความผิดพลาดของระบบไบโอเมตริก สุดท้าย เราจะหารือเกี่ยวกับกรอบการทำงานและแนวทางปฏิบัติที่ดีที่สุดสำหรับการประเมินบริการยืนยันตัวตน

อ้างถึงเอกสารประกอบ สมุดบันทึก Jupyter ที่อธิบายทุกขั้นตอนที่กล่าวถึงในโพสต์นี้

กรณีการใช้งาน: การเริ่มต้นใช้งานและการรับรองความถูกต้อง

มีสองกรณีการใช้งานหลักสำหรับโซลูชั่นไบโอเมตริกซ์: การเริ่มต้นใช้งานของผู้ใช้ (มักเรียกว่าการยืนยัน) และการพิสูจน์ตัวตน (มักเรียกว่าการระบุตัวตน) การเริ่มใช้งานเกี่ยวข้องกับการจับคู่ใบหน้าแบบหนึ่งต่อหนึ่งระหว่างภาพสองภาพ ตัวอย่างเช่น การเปรียบเทียบภาพเซลฟี่กับเอกสารระบุตัวตนที่เชื่อถือได้ เช่น ใบขับขี่หรือหนังสือเดินทาง ในทางกลับกัน การยืนยันตัวตนเป็นการค้นหาแบบหนึ่งต่อหลายใบหน้าเทียบกับคอลเลกชั่นใบหน้าที่เก็บไว้ เช่น การค้นหาคอลเลกชั่นใบหน้าของพนักงานเพื่อดูว่าพนักงานได้รับอนุญาตให้เข้าถึงชั้นเฉพาะในอาคารหรือไม่

ประสิทธิภาพความแม่นยำของกรณีการใช้งานออนบอร์ดและการรับรองความถูกต้องนั้นวัดจากข้อผิดพลาดในเชิงบวกและเชิงลบที่เป็นเท็จที่โซลูชันไบโอเมตริกสร้างขึ้นได้ คะแนนความคล้ายคลึง (ตั้งแต่ 0% หมายถึงไม่มีการแข่งขันจนถึง 100% หมายถึงการจับคู่ที่สมบูรณ์แบบ) ใช้ในการตัดสินการแข่งขันหรือไม่แข่งขัน ผลบวกลวงเกิดขึ้นเมื่อโซลูชันพิจารณาว่าภาพของบุคคลสองคนที่แตกต่างกันเป็นบุคคลคนเดียวกัน ในทางกลับกัน False Negative หมายความว่าวิธีแก้ปัญหาถือว่าภาพสองภาพของบุคคลคนเดียวกันนั้นแตกต่างกัน

การเริ่มต้นใช้งาน: การยืนยันแบบตัวต่อตัว

กระบวนการขึ้นเครื่องด้วยไบโอเมตริกซ์ทำให้กระบวนการง่ายขึ้นและปลอดภัย สิ่งสำคัญที่สุดคือทำให้องค์กรและลูกค้าพร้อมสำหรับประสบการณ์การเริ่มต้นใช้งานที่แทบจะไม่ติดขัด ในการทำเช่นนี้ ผู้ใช้เพียงแค่ต้องแสดงรูปภาพของเอกสารระบุตัวตนที่เชื่อถือได้บางรูปแบบที่มีใบหน้าของผู้ใช้ (เช่น ใบขับขี่หรือหนังสือเดินทาง) รวมทั้งถ่ายภาพเซลฟี่ในระหว่างขั้นตอนการขึ้นเครื่อง หลังจากที่ระบบมีรูปภาพสองรูปนี้แล้ว ระบบจะเปรียบเทียบใบหน้าภายในรูปภาพทั้งสอง เมื่อความคล้ายคลึงกันมากกว่าเกณฑ์ที่ระบุ แสดงว่าคุณมีการจับคู่ มิฉะนั้นคุณจะมีการแข่งขันที่ไม่ตรงกัน แผนภาพต่อไปนี้สรุปกระบวนการ

ลองพิจารณาตัวอย่างของ Julie ผู้ใช้ใหม่ที่เปิดบัญชีธนาคารดิจิทัล วิธีแก้ไขจะให้เธอถ่ายภาพใบขับขี่ (ขั้นตอนที่ 2) และถ่ายเซลฟี่ (ขั้นตอนที่ 3) หลังจากที่ระบบตรวจสอบคุณภาพของภาพ (ขั้นตอนที่ 4) ระบบจะเปรียบเทียบใบหน้าในเซลฟี่กับใบหน้าในใบขับขี่ (การจับคู่แบบหนึ่งต่อหนึ่ง) และให้คะแนนความคล้ายคลึงกัน (ขั้นตอนที่ 5) หากคะแนนความคล้ายคลึงกันน้อยกว่าเกณฑ์ความคล้ายคลึงกันที่จำเป็น ความพยายามเริ่มต้นใช้งานโดย Julie จะถูกปฏิเสธ นี่คือสิ่งที่เราเรียกว่าการปฏิเสธที่ไม่ตรงกันหรือการปฏิเสธที่ผิดพลาด: วิธีแก้ปัญหาถือว่าภาพสองภาพของบุคคลคนเดียวกันนั้นแตกต่างกัน ในทางกลับกัน หากคะแนนความคล้ายคลึงกันมากกว่าค่าความคล้ายคลึงกันที่ต้องการ วิธีแก้ไขจะถือว่าภาพทั้งสองเป็นภาพบุคคลคนเดียวกันหรือตรงกัน

การรับรองความถูกต้อง: การระบุตัวตนแบบหนึ่งต่อหลาย

จากการเข้าไปในอาคาร การเช็คอินที่ตู้คีออสก์ ไปจนถึงการเตือนให้ผู้ใช้เซลฟี่เพื่อยืนยันตัวตน การยืนยันตัวตนจากศูนย์ถึงแรงเสียดทานต่ำผ่านการจดจำใบหน้ากลายเป็นเรื่องธรรมดาสำหรับหลายองค์กร แทนที่จะทำการจับคู่แบบภาพต่อภาพ กรณีการใช้งานการรับรองความถูกต้องนี้จะใช้ภาพเดียวและเปรียบเทียบกับคอลเลกชันภาพที่ค้นหาได้สำหรับการจับคู่ที่เป็นไปได้ ในกรณีการใช้งานการตรวจสอบสิทธิ์โดยทั่วไป ผู้ใช้จะได้รับแจ้งให้ถ่ายภาพเซลฟี่ ซึ่งจะถูกเปรียบเทียบกับใบหน้าที่จัดเก็บไว้ในคอลเลกชัน ผลลัพธ์ของการค้นหาให้ผลการจับคู่ที่เป็นไปได้เป็นศูนย์ หนึ่งรายการขึ้นไป โดยมีคะแนนความคล้ายคลึงที่สอดคล้องกันและตัวระบุภายนอก หากไม่มีการจับคู่กลับ แสดงว่าผู้ใช้ไม่ได้รับการพิสูจน์ตัวตน อย่างไรก็ตาม สมมติว่าการค้นหาแสดงผลลัพธ์ที่ตรงกันอย่างน้อยหนึ่งรายการ ระบบจะทำการตัดสินใจรับรองความถูกต้องตามคะแนนความคล้ายคลึงและตัวระบุภายนอก หากคะแนนความคล้ายคลึงเกินเกณฑ์ความเหมือนที่กำหนด และตัวระบุภายนอกตรงกับตัวระบุที่คาดไว้ ผู้ใช้จะได้รับการรับรองความถูกต้อง (ตรงกัน) ไดอะแกรมต่อไปนี้แสดงตัวอย่างกระบวนการยืนยันตัวตนด้วยไบโอเมตริกซ์ตามใบหน้า

ลองพิจารณาตัวอย่างของ Jose ซึ่งเป็นคนขับรถส่งของแบบประหยัดกิ๊ก บริการจัดส่งตรวจสอบสิทธิ์ผู้ขับรถส่งของโดยแจ้งให้คนขับถ่ายรูปเซลฟี่ก่อนเริ่มส่งของโดยใช้แอปพลิเคชันมือถือของบริษัท ปัญหาหนึ่งที่ผู้ให้บริการ gig-economy เผชิญคือการแบ่งปันงาน โดยพื้นฐานแล้วผู้ใช้สองคนขึ้นไปแชร์บัญชีเดียวกันเพื่อเล่นเกมระบบ เพื่อต่อสู้กับปัญหานี้ บริการจัดส่งจำนวนมากใช้กล้องในรถยนต์เพื่อถ่ายภาพ (ขั้นตอนที่ 2) ของคนขับในเวลาสุ่มระหว่างการจัดส่ง (เพื่อให้แน่ใจว่าคนขับรถส่งของเป็นคนขับที่ได้รับอนุญาต) ในกรณีนี้ โชเซ่ไม่เพียงแค่ถ่ายเซลฟี่ตอนเริ่มส่งของเท่านั้น แต่กล้องในรถยังจับภาพของเขาระหว่างส่งของอีกด้วย ระบบทำการตรวจสอบคุณภาพ (ขั้นตอนที่ 3) และค้นหา (ขั้นตอนที่ 4) การรวบรวมไดรเวอร์ที่ลงทะเบียนไว้เพื่อตรวจสอบตัวตนของไดรเวอร์ หากตรวจพบไดรเวอร์อื่น บริการจัดส่งแบบประหยัดกิ๊กจะสามารถตรวจสอบเพิ่มเติมได้

การจับคู่ที่ผิดพลาด (ผลบวกลวง) เกิดขึ้นเมื่อโซลูชันพิจารณาว่าภาพสองภาพขึ้นไปของบุคคลที่แตกต่างกันเป็นบุคคลเดียวกัน ในกรณีการใช้งานของเรา สมมติว่าแทนที่จะเป็นคนขับที่ได้รับอนุญาต Jose เขาให้ Miguel น้องชายของเขาทำหน้าที่ส่งของให้เขา หากวิธีแก้ปัญหาจับคู่เซลฟีของมิเกลกับภาพของโฮเซ่ไม่ถูกต้อง จะเกิดการจับคู่ที่ผิดพลาด (ผลบวกลวง)

เพื่อต่อสู้กับศักยภาพของการจับคู่ที่ผิดพลาด เราขอแนะนำให้คอลเล็กชันมีรูปภาพหลายภาพของแต่ละเรื่อง แนวทางปฏิบัติทั่วไปในการจัดทำดัชนีเอกสารระบุตัวตนที่เชื่อถือได้ประกอบด้วยใบหน้า รูปเซลฟีขณะขึ้นเครื่อง และเซลฟีจากการตรวจสอบระบุตัวตนหลายครั้งล่าสุด การจัดทำดัชนีรูปภาพหลายๆ รูปของวัตถุช่วยให้สามารถรวมคะแนนความคล้ายคลึงกันของใบหน้าที่ส่งกลับมาได้ ซึ่งจะช่วยปรับปรุงความแม่นยำของการระบุตัวตน นอกจากนี้ ตัวระบุภายนอกยังใช้เพื่อจำกัดความเสี่ยงของการยอมรับที่ผิดพลาด ตัวอย่างกฎทางธุรกิจอาจมีลักษณะดังนี้:

หากคะแนนรวมความคล้ายคลึงกัน >= เกณฑ์ความคล้ายคลึงกันที่ต้องการ และตัวระบุภายนอก == ตัวระบุที่คาดไว้ จากนั้นตรวจสอบสิทธิ์

มาตรการความแม่นยำทางชีวภาพที่สำคัญ

ในระบบไบโอเมตริก เราสนใจอัตราการจับคู่เท็จ (FMR) และอัตราการไม่จับคู่เท็จ (FNMR) โดยพิจารณาจากคะแนนความคล้ายคลึงกันจากการเปรียบเทียบใบหน้าและการค้นหา ไม่ว่าจะเป็นกรณีการใช้งานแบบออนบอร์ดหรือการรับรองความถูกต้อง ระบบไบโอเมตริกจะตัดสินใจยอมรับหรือปฏิเสธใบหน้าที่ตรงกันของผู้ใช้โดยพิจารณาจากคะแนนความคล้ายคลึงกันของภาพสองภาพขึ้นไป เช่นเดียวกับระบบการตัดสินใจอื่นๆ จะมีข้อผิดพลาดที่ระบบยอมรับหรือปฏิเสธความพยายามในการเริ่มต้นใช้งานหรือการรับรองความถูกต้องอย่างไม่ถูกต้อง ส่วนหนึ่งของการประเมินโซลูชันการยืนยันตัวตนของคุณ คุณต้องประเมินระบบที่เกณฑ์ความคล้ายคลึงกันต่างๆ เพื่อลดการจับคู่ที่ผิดพลาดและอัตราที่ไม่ตรงกันที่ผิดพลาด รวมทั้งเปรียบเทียบข้อผิดพลาดเหล่านั้นกับต้นทุนของการปฏิเสธและการยอมรับที่ไม่ถูกต้อง เราใช้ FMR และ FNMR เป็นสองเมตริกหลักในการประเมินระบบไบโอเมตริกใบหน้า

อัตราที่ไม่ตรงกันที่เป็นเท็จ

เมื่อระบบการยืนยันตัวตนล้มเหลวในการระบุหรือให้สิทธิ์ผู้ใช้จริงอย่างถูกต้อง การไม่ตรงกันที่ผิดพลาดจะเกิดขึ้น หรือที่เรียกว่าผลลบที่ผิดพลาด False non-match rate (FNMR) เป็นตัววัดว่าระบบมีแนวโน้มที่จะระบุหรือให้สิทธิ์ผู้ใช้จริงอย่างไม่ถูกต้องได้อย่างไร

FNMR จะแสดงเป็นเปอร์เซ็นต์ของอินสแตนซ์ที่มีการพยายามเริ่มต้นใช้งานหรือการตรวจสอบความถูกต้อง โดยที่ใบหน้าของผู้ใช้ถูกปฏิเสธอย่างไม่ถูกต้อง (ค่าลบที่ผิดพลาด) เนื่องจากคะแนนความคล้ายคลึงกันต่ำกว่าเกณฑ์ที่กำหนด

ผลบวกจริง (TP) คือเมื่อโซลูชันพิจารณาว่าภาพของบุคคลคนเดียวกันตั้งแต่สองภาพขึ้นไปเหมือนกัน นั่นคือ ความคล้ายคลึงกันของการเปรียบเทียบหรือการค้นหานั้นสูงกว่าเกณฑ์ความคล้ายคลึงกันที่จำเป็น

False Negative (FN) คือเมื่อโซลูชันพิจารณาว่าภาพของบุคคลคนเดียวกันตั้งแต่ XNUMX ภาพขึ้นไปมีความแตกต่างกัน นั่นคือ ความคล้ายคลึงกันของการเปรียบเทียบหรือการค้นหาต่ำกว่าเกณฑ์ความคล้ายคลึงกันที่กำหนด

สูตรสำหรับ FNMR คือ:

FNMR = จำนวนลบเท็จ / (จำนวนบวกจริง + จำนวนลบเท็จ)

ตัวอย่างเช่น สมมติว่าเราพยายามตรวจสอบความถูกต้องของแท้ 10,000 ครั้ง แต่ 100 ครั้งถูกปฏิเสธเนื่องจากความคล้ายคลึงกับภาพอ้างอิงหรือคอลเลกชันต่ำกว่าเกณฑ์ความคล้ายคลึงกันที่ระบุ ที่นี่เรามีผลบวกจริง 9,900 รายการและผลลบเท็จ 100 รายการ ดังนั้น FNMR ของเราคือ 1.0%

FNMR = 100 / (9900 + 100) หรือ 1.0%

อัตราการจับคู่ที่ผิดพลาด

เมื่อระบบการยืนยันตัวตนระบุอย่างไม่ถูกต้องหรือให้สิทธิ์ผู้ใช้ที่ไม่ได้รับอนุญาตว่าเป็นของแท้ การจับคู่ที่ผิดพลาดจะเกิดขึ้นหรือที่เรียกว่าผลบวกปลอม อัตราการจับคู่ที่ผิดพลาด (FMR) เป็นตัววัดว่าระบบมีแนวโน้มที่จะระบุหรือให้สิทธิ์ผู้ใช้ที่ไม่ได้รับอนุญาตอย่างไม่ถูกต้องได้อย่างไร โดยวัดจากจำนวนการยืนยันตัวตนที่ผิดพลาดหรือการรับรองความถูกต้องหารด้วยจำนวนความพยายามในการระบุตัวตนทั้งหมด

ผลบวกลวงเกิดขึ้นเมื่อโซลูชันพิจารณาว่าภาพของบุคคลที่แตกต่างกันตั้งแต่ XNUMX ภาพขึ้นไปเป็นบุคคลคนเดียวกัน นั่นคือ คะแนนความคล้ายคลึงกันของการเปรียบเทียบหรือการค้นหานั้นสูงกว่าเกณฑ์ความคล้ายคลึงกันที่กำหนด โดยพื้นฐานแล้ว ระบบจะระบุหรือให้สิทธิ์ผู้ใช้อย่างไม่ถูกต้องเมื่อระบบควรปฏิเสธความพยายามระบุตัวตนหรือการตรวจสอบสิทธิ์ของผู้ใช้

สูตรสำหรับ FMR คือ:

FMR = จำนวนบวกเท็จ / (ความพยายามทั้งหมด)

ตัวอย่างเช่น สมมติว่าเราพยายามตรวจสอบสิทธิ์ 100,000 ครั้ง แต่ผู้ใช้ปลอม 100 รายไม่ได้รับอนุญาตอย่างไม่ถูกต้อง เนื่องจากความคล้ายคลึงกันของพวกเขากับภาพอ้างอิงหรือคอลเลกชันนั้นสูงกว่าเกณฑ์ความคล้ายคลึงกันที่ระบุ ที่นี่เรามีผลบวกลวง 100 รายการ ดังนั้น FMR ของเราคือ 0.01%

FMR = 100 / (100,000) หรือ 0.01%

อัตราการจับคู่ที่ผิดพลาดเทียบกับอัตราการไม่จับคู่ที่ผิดพลาด

อัตราการจับคู่ที่ผิดพลาดและอัตราการไม่จับคู่ที่ผิดพลาดนั้นขัดแย้งกัน เมื่อเกณฑ์ความคล้ายคลึงเพิ่มขึ้น ศักยภาพในการจับคู่ที่ผิดพลาดจะลดลง ในขณะที่ศักยภาพในการจับคู่ที่ไม่ตรงกันที่ผิดพลาดจะเพิ่มขึ้น อีกวิธีหนึ่งในการคิดเกี่ยวกับการแลกเปลี่ยนนี้คือเมื่อเกณฑ์ความคล้ายคลึงกันเพิ่มขึ้น โซลูชันจะมีข้อจำกัดมากขึ้น ทำให้จับคู่ความคล้ายคลึงกันต่ำน้อยลง ตัวอย่างเช่น เป็นเรื่องปกติสำหรับกรณีการใช้งานที่เกี่ยวข้องกับความปลอดภัยสาธารณะและความปลอดภัยในการตั้งค่าเกณฑ์ความคล้ายคลึงกันที่ตรงกันค่อนข้างสูง (99 ขึ้นไป) อีกทางหนึ่ง องค์กรอาจเลือกเกณฑ์ความคล้ายคลึงกันที่มีข้อจำกัดน้อยกว่า (90 ขึ้นไป) ซึ่งผลกระทบของความขัดแย้งต่อผู้ใช้มีความสำคัญมากกว่า แผนภาพต่อไปนี้แสดงให้เห็นถึงการแลกเปลี่ยนเหล่านี้ ความท้าทายสำหรับองค์กรคือการหาเกณฑ์ที่ลดทั้ง FMR และ FNMR ตามข้อกำหนดขององค์กรและแอปพลิเคชันของคุณ

การเลือกเกณฑ์ความคล้ายคลึงกันขึ้นอยู่กับแอปพลิเคชันทางธุรกิจ ตัวอย่างเช่น สมมติว่าคุณต้องการจำกัดความขัดแย้งของลูกค้าระหว่างการเริ่มต้นใช้งาน (เกณฑ์ความคล้ายคลึงกันที่มีข้อจำกัดน้อยกว่า ดังที่แสดงในรูปต่อไปนี้ทางด้านซ้าย) ที่นี่คุณอาจมีเกณฑ์ความคล้ายคลึงกันที่จำเป็นต่ำกว่า และยินดีรับความเสี่ยงในการต้อนรับผู้ใช้เมื่อความมั่นใจในการจับคู่ระหว่างภาพเซลฟี่กับใบขับขี่ต่ำกว่า ในทางตรงกันข้าม สมมติว่าคุณต้องการให้แน่ใจว่าเฉพาะผู้ใช้ที่ได้รับอนุญาตเท่านั้นที่จะเข้าสู่แอปพลิเคชันได้ ที่นี่คุณอาจดำเนินการด้วยเกณฑ์ความคล้ายคลึงกันที่ค่อนข้างจำกัด (ดังแสดงในรูปด้านขวา)

ขั้นตอนในการคำนวณอัตราการจับคู่ที่ผิดพลาดและไม่ตรงกัน

มีหลายวิธีในการคำนวณเมตริกทั้งสองนี้ ต่อไปนี้เป็นวิธีการที่ค่อนข้างง่ายในการแบ่งขั้นตอนในการรวบรวมคู่ภาพจริง สร้างการจับคู่แอบอ้าง (ภาพที่ไม่ควรตรงกัน) และสุดท้ายใช้โพรบวนซ้ำคู่ภาพที่คาดไว้และไม่ตรงกัน จับภาพ เกิดความคล้ายคลึงกัน ขั้นตอนมีดังนี้:

1. รวบรวมชุดภาพตัวอย่างของแท้ เราขอแนะนำให้เริ่มต้นด้วยชุดของคู่รูปภาพและกำหนดตัวระบุภายนอก ซึ่งใช้ในการกำหนดการจับคู่อย่างเป็นทางการ ทั้งคู่ประกอบด้วยภาพต่อไปนี้:
   1. รูปภาพต้นฉบับ – รูปภาพต้นฉบับที่เชื่อถือได้ของคุณ เช่น ใบขับขี่
   2. รูปภาพเป้าหมาย – เซลฟี่หรือรูปภาพที่คุณจะเปรียบเทียบด้วย
2. รวบรวมชุดภาพการแข่งขันแอบอ้าง ภาพเหล่านี้เป็นคู่ภาพที่แหล่งที่มาและเป้าหมายไม่ตรงกัน สิ่งนี้ใช้เพื่อประเมิน FMR (ความน่าจะเป็นที่ระบบจะจับคู่ใบหน้าของผู้ใช้สองคนที่แตกต่างกันอย่างไม่ถูกต้อง) คุณสามารถสร้างชุดภาพแอบอ้างโดยใช้คู่ภาพโดยสร้างผลคูณคาร์ทีเซียนของภาพ จากนั้นกรองและสุ่มตัวอย่างผลลัพธ์
3. ตรวจสอบชุดการจับคู่ของแท้และของปลอมโดยการวนซ้ำคู่ภาพ เปรียบเทียบแหล่งที่มาและเป้าหมายของปลอม และจับความคล้ายคลึงกันที่เกิดขึ้น
4. คำนวณ FMR และ FNMR โดยการคำนวณผลบวกลวงและผลลบเท็จที่เกณฑ์ความคล้ายคลึงกันขั้นต่ำที่แตกต่างกัน

คุณสามารถประเมินค่าใช้จ่ายของ FMR และ FNMR ได้ที่เกณฑ์ความคล้ายคลึงกันที่แตกต่างกัน โดยสัมพันธ์กับความต้องการของแอปพลิเคชันของคุณ

ขั้นตอนที่ 1: รวบรวมตัวอย่างคู่ภาพของแท้

การเลือกตัวอย่างคู่ภาพที่เป็นตัวแทนในการประเมินเป็นสิ่งสำคัญเมื่อประเมินบริการยืนยันตัวตน ขั้นตอนแรกคือการระบุชุดภาพคู่ที่แท้จริง เหล่านี้คือรูปภาพต้นทางและเป้าหมายที่ทราบของผู้ใช้ การจับคู่ภาพของแท้จะใช้ในการประเมิน FNMR โดยหลักแล้วคือความน่าจะเป็นที่ระบบจะไม่จับคู่สองใบหน้าของบุคคลเดียวกัน หนึ่งในคำถามแรกๆ ที่มักถูกถามคือ “ต้องใช้ภาพกี่คู่?” คำตอบคือ ขึ้นอยู่กับกรณีการใช้งานของคุณ แต่คำแนะนำทั่วไปมีดังต่อไปนี้:

• ระหว่าง 100–1,000 คู่ภาพให้การวัดความเป็นไปได้
• คู่ภาพมากถึง 10,000 คู่มีขนาดใหญ่พอที่จะวัดความแปรปรวนระหว่างภาพ
• คู่ภาพมากกว่า 10,000 คู่ให้การวัดคุณภาพการดำเนินงานและความสามารถทั่วไป

ข้อมูลเพิ่มเติมดีกว่าเสมอ อย่างไรก็ตาม ให้ใช้คู่รูปภาพอย่างน้อย 1,000 คู่เป็นจุดเริ่มต้น อย่างไรก็ตาม ไม่ใช่เรื่องแปลกที่จะใช้คู่ภาพมากกว่า 10,000 คู่เป็นศูนย์ใน FNMR หรือ FMR ที่ยอมรับได้สำหรับปัญหาทางธุรกิจที่กำหนด

ต่อไปนี้คือไฟล์การแมปคู่รูปภาพตัวอย่าง เราใช้ไฟล์การจับคู่ภาพเพื่อขับเคลื่อนกระบวนการประเมินส่วนที่เหลือ

ขั้นตอนที่ 2: สร้างคู่ภาพแอบอ้าง ชุด

ตอนนี้ คุณมีไฟล์ของคู่อิมเมจของแท้แล้ว คุณสามารถสร้างผลิตภัณฑ์คาร์ทีเซียนของอิมเมจเป้าหมายและแหล่งที่มา โดยที่ตัวระบุภายนอกไม่สามารถแมชชีนได้ สิ่งนี้สร้างคู่ต้นทางกับเป้าหมายที่ไม่ควรตรงกัน การจับคู่นี้ใช้เพื่อประเมิน FMR โดยพื้นฐานแล้วคือความน่าจะเป็นที่ระบบจะจับคู่ใบหน้าของผู้ใช้รายหนึ่งกับใบหน้าของผู้ใช้รายอื่น

ขั้นตอนที่ 3: ตรวจสอบชุดภาพคู่แท้และปลอม

เราใช้โปรแกรมไดรเวอร์ ความหมายของ Amazon เปรียบเทียบใบหน้า API เหนือคู่ภาพและจับความเหมือน คุณยังสามารถบันทึกข้อมูลเพิ่มเติม เช่น ท่าทาง คุณภาพ และผลลัพธ์อื่นๆ ของการเปรียบเทียบ คะแนนความคล้ายคลึงกันจะใช้ในการคำนวณอัตราการจับคู่เท็จและอัตราที่ไม่ตรงกันในขั้นตอนต่อไปนี้

ในตัวอย่างโค้ดต่อไปนี้ เราใช้ ComprehensiveFaces API กับคู่รูปภาพทั้งหมดและเติมคะแนนความคล้ายคลึงกันทั้งหมดในตาราง:

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()

ข้อมูลโค้ดให้ผลลัพธ์ต่อไปนี้

การวิเคราะห์การกระจายของคะแนนความคล้ายคลึงกันโดยการทดสอบเป็นจุดเริ่มต้นในการทำความเข้าใจคะแนนความคล้ายคลึงกันตามคู่ภาพ ข้อมูลโค้ดต่อไปนี้และแผนภูมิผลลัพธ์แสดงตัวอย่างง่ายๆ ของการแจกแจงคะแนนความคล้ายคลึงกันตามชุดการทดสอบ ตลอดจนสถิติเชิงพรรณนาที่เป็นผลลัพธ์:

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

ในตัวอย่างนี้ เราจะเห็นว่าค่าเฉลี่ยและความคล้ายคลึงกันของค่ามัธยฐานสำหรับคู่แท้คือ 91.7 และ 99.1 ในขณะที่คู่ปลอมคือ 2.8 และ 0.8 ตามลำดับ ตามที่คาดไว้ นี่แสดงให้เห็นคะแนนความคล้ายคลึงกันสูงสำหรับคู่รูปภาพของแท้ และคะแนนความคล้ายคลึงกันต่ำสำหรับคู่รูปภาพปลอม

ขั้นตอนที่ 4: คำนวณ FMR และ FNMR ที่ระดับเกณฑ์ความคล้ายคลึงกันที่แตกต่างกัน

ในขั้นตอนนี้ เราจะคำนวณอัตราการจับคู่ที่ผิดพลาดและไม่ตรงกันที่เกณฑ์ความคล้ายคลึงกันที่ต่างกัน ในการทำเช่นนี้ เราเพียงวนซ้ำเกณฑ์ความคล้ายคลึงกัน (เช่น 90–100) ที่แต่ละเกณฑ์ความคล้ายคลึงกันที่เลือก เราจะคำนวณเมทริกซ์ความสับสนของเราซึ่งประกอบด้วยจำนวนค่าบวกจริง ค่าลบจริง ค่าบวกเท็จ และค่าลบเท็จ ซึ่งใช้ในการคำนวณ FMR และ FNMR ในแต่ละความคล้ายคลึงที่เลือก

ในการทำเช่นนี้ เราสร้างฟังก์ชันที่ส่งคืนจำนวนบวกและลบที่เป็นเท็จ และวนซ้ำผ่านช่วงคะแนนความคล้ายคลึงกัน (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

ตารางต่อไปนี้แสดงผลของการนับในแต่ละเกณฑ์ความคล้ายคลึงกัน

เกณฑ์ความคล้ายคลึงกันส่งผลต่ออัตราการไม่ตรงกันที่ผิดพลาดอย่างไร

สมมติว่าเรามีความพยายามเริ่มต้นใช้งานของผู้ใช้จริง 1,000 ครั้ง และเราปฏิเสธ 10 ครั้งในความพยายามเหล่านี้โดยพิจารณาจากความคล้ายคลึงกันขั้นต่ำที่กำหนดที่ 95% จึงจะถือว่าตรงกัน ที่นี่เราปฏิเสธการพยายามเริ่มต้นใช้งานของแท้ 10 ครั้ง (ผลลบที่ไม่เป็นจริง) เนื่องจากความคล้ายคลึงกันนั้นต่ำกว่าเกณฑ์ความคล้ายคลึงกันที่จำเป็นขั้นต่ำที่ระบุ ในกรณีนี้ FNMR ของเราคือ 1.0%

FNMR = จำนวนลบเท็จ / (จำนวนบวกจริง + จำนวนลบเท็จ)

FNMR = 10 / (990 + 10) หรือ 1.0%

ในทางตรงกันข้าม สมมติว่าแทนที่จะมีผู้ใช้จริง 1,000 คนเข้าร่วม เรามีผู้ใช้จริง 990 คนและผู้ใช้ปลอมแปลง 10 คน (ผลบวกลวง) ที่ความคล้ายคลึงกันขั้นต่ำ 95% สมมติว่าเรายอมรับผู้ใช้ทั้งหมด 1,000 คนว่าเป็นของแท้ ที่นี่เราจะมี FMR 1%

FMR = จำนวนบวกเท็จ / (ความพยายามทั้งหมด)

FMR = 10 / (1,000) หรือ 1.0%

ประเมินค่าใช้จ่ายของ FMR และ FNMR เมื่อเริ่มใช้งาน

ในกรณีการใช้งานแบบออนบอร์ด ค่าใช้จ่ายของการไม่ตรงกันที่เป็นเท็จ (การปฏิเสธ) มักเกี่ยวข้องกับปัญหาเพิ่มเติมของผู้ใช้หรือการสูญเสียการลงทะเบียน ตัวอย่างเช่น ในกรณีการใช้งานธนาคารของเรา สมมติว่า Julie แสดงภาพของตัวเอง XNUMX ภาพ แต่ถูกปฏิเสธอย่างไม่ถูกต้องเมื่อเริ่มต้นใช้งาน เนื่องจากความคล้ายคลึงกันระหว่างภาพทั้งสองต่ำกว่าความคล้ายคลึงกันที่เลือกไว้ (การไม่ตรงกันแบบผิดๆ) สถาบันการเงินอาจเสี่ยงที่จะสูญเสีย Julie ในฐานะลูกค้าที่มีศักยภาพ หรืออาจทำให้ Julie มีปัญหามากขึ้นโดยกำหนดให้เธอดำเนินการตามขั้นตอนเพื่อพิสูจน์ตัวตนของเธอ

ในทางกลับกัน สมมติว่าภาพของ Julie ทั้งสองเป็นภาพคนละคนกัน และการต้อนรับของ Julie ควรถูกปฏิเสธ ในกรณีที่ Julie ได้รับการยอมรับอย่างไม่ถูกต้อง (จับคู่เท็จ) ต้นทุนและความเสี่ยงต่อสถาบันการเงินจะแตกต่างกันมาก อาจมีปัญหาด้านกฎระเบียบ ความเสี่ยงของการฉ้อโกง และความเสี่ยงอื่นๆ ที่เกี่ยวข้องกับธุรกรรมทางการเงิน

การใช้อย่างรับผิดชอบ

ปัญญาประดิษฐ์ (AI) ที่ประยุกต์ใช้ผ่านการเรียนรู้ของเครื่อง (ML) จะเป็นหนึ่งในเทคโนโลยีที่มีการเปลี่ยนแปลงมากที่สุดในยุคของเรา โดยจัดการกับปัญหาที่ท้าทายที่สุดของมนุษยชาติ เพิ่มประสิทธิภาพการทำงานของมนุษย์ และเพิ่มผลิตภาพสูงสุด การใช้เทคโนโลยีเหล่านี้อย่างมีความรับผิดชอบเป็นกุญแจสำคัญในการส่งเสริมนวัตกรรมอย่างต่อเนื่อง AWS มุ่งมั่นที่จะพัฒนาบริการ AI และ ML ที่ยุติธรรมและแม่นยำ และจัดหาเครื่องมือและคำแนะนำที่จำเป็นในการสร้างแอปพลิเคชัน AI และ ML อย่างมีความรับผิดชอบ

เมื่อคุณปรับใช้และเพิ่มการใช้ AI และ ML ของคุณ AWS นำเสนอแหล่งข้อมูลมากมายตามประสบการณ์ของเราเพื่อช่วยคุณในการพัฒนาและใช้งาน AI และ ML อย่างรับผิดชอบ:

แนวทางปฏิบัติที่ดีที่สุดและข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

ในส่วนนี้ เราจะพูดถึงแนวทางปฏิบัติที่ดีที่สุดต่อไปนี้:

• ใช้ภาพตัวอย่างขนาดใหญ่เพียงพอ
• หลีกเลี่ยงชุดข้อมูลโอเพนซอร์สและใบหน้าสังเคราะห์
• หลีกเลี่ยงการปรับแต่งภาพด้วยตนเองหรือสังเคราะห์
• ตรวจสอบคุณภาพของภาพในขณะที่ทำการประเมินและเมื่อเวลาผ่านไป
• ตรวจสอบ FMR และ FNMR เมื่อเวลาผ่านไป
• ใช้มนุษย์ในการทบทวนลูป
• อัพเดทอยู่เสมอด้วย Amazon Rekognition

ใช้ภาพตัวอย่างขนาดใหญ่เพียงพอ

ใช้ตัวอย่างรูปภาพที่ใหญ่เพียงพอแต่สมเหตุสมผล ขนาดตัวอย่างที่เหมาะสมคืออะไร? ขึ้นอยู่กับปัญหาทางธุรกิจ หากคุณเป็นนายจ้างและมีพนักงาน 10,000 คนที่คุณต้องการรับรองความถูกต้อง การใช้ภาพทั้งหมด 10,000 ภาพน่าจะสมเหตุสมผล อย่างไรก็ตาม สมมติว่าคุณเป็นองค์กรที่มีลูกค้าหลายล้านรายที่คุณต้องการเข้าร่วม ในกรณีนี้ การสุ่มตัวอย่างลูกค้า เช่น 5,000–20,000 รายก็น่าจะเพียงพอแล้ว นี่คือคำแนะนำบางส่วนเกี่ยวกับขนาดตัวอย่าง:

• ขนาดตัวอย่าง 100 – 1,000 คู่ภาพพิสูจน์ความเป็นไปได้
• ขนาดตัวอย่าง 1,000 – 10,000 คู่ภาพมีประโยชน์ในการวัดความแปรปรวนระหว่างภาพ
• ขนาดตัวอย่าง 10,000 – 1 ล้านคู่ภาพเป็นตัววัดคุณภาพการดำเนินงานและความสามารถทั่วไป

กุญแจสำคัญในการจับคู่ภาพตัวอย่างคือเพื่อให้แน่ใจว่าตัวอย่างมีความแปรปรวนเพียงพอสำหรับประชากรใบหน้าในแอปพลิเคชันของคุณ คุณสามารถขยายการสุ่มตัวอย่างและการทดสอบของคุณเพิ่มเติมเพื่อรวมข้อมูลประชากร เช่น สีผิว เพศ และอายุ

หลีกเลี่ยงชุดข้อมูลโอเพนซอร์สและใบหน้าสังเคราะห์

มีชุดข้อมูลภาพใบหน้าแบบโอเพ่นซอร์สที่รวบรวมไว้หลายสิบชุด ตลอดจนชุดภาพใบหน้าสังเคราะห์ที่เหมือนจริงอย่างน่าอัศจรรย์ ซึ่งมักใช้ในการวิจัยและศึกษาความเป็นไปได้ ความท้าทายคือชุดข้อมูลเหล่านี้โดยทั่วไปไม่มีประโยชน์สำหรับ 99% ของกรณีการใช้งานจริงเพียงเพราะไม่ได้เป็นตัวแทนของกล้อง ใบหน้า และคุณภาพของภาพที่แอปพลิเคชันของคุณน่าจะพบได้ทั่วไป แม้ว่าจะมีประโยชน์สำหรับการพัฒนาแอปพลิเคชัน แต่การวัดความแม่นยำของชุดรูปภาพเหล่านี้ไม่ได้ครอบคลุมถึงสิ่งที่คุณพบในแอปพลิเคชันของคุณเอง เราขอแนะนำให้เริ่มต้นด้วยตัวอย่างที่เป็นตัวแทนของภาพจริงจากโซลูชันของคุณ แม้ว่าคู่ภาพตัวอย่างจะมีขนาดเล็ก (ต่ำกว่า 1,000)

หลีกเลี่ยงการปรับแต่งภาพด้วยตนเองหรือสังเคราะห์

มักจะมีกรณีขอบที่ผู้คนสนใจที่จะทำความเข้าใจ สิ่งต่างๆ เช่น คุณภาพของการจับภาพหรือความยุ่งเหยิงของลักษณะเฉพาะของใบหน้ามักเป็นที่สนใจอยู่เสมอ ตัวอย่างเช่น เรามักถูกถามเกี่ยวกับผลกระทบของอายุและคุณภาพของภาพต่อการจดจำใบหน้า คุณสามารถสังเคราะห์อายุใบหน้าหรือปรับแต่งภาพเพื่อทำให้ตัวแบบดูแก่ขึ้น หรือปรับคุณภาพของภาพ แต่สิ่งนี้ไม่ได้แปลว่าจะทำให้ภาพดูเก่าขึ้นในโลกแห่งความเป็นจริง คำแนะนำของเราคือการรวบรวมตัวอย่างที่เป็นตัวแทนของเคส Edge ในโลกแห่งความเป็นจริงที่คุณสนใจในการทดสอบ

ตรวจสอบคุณภาพของภาพในขณะที่ทำการประเมินและเมื่อเวลาผ่านไป

เทคโนโลยีกล้องและแอพพลิเคชั่นเปลี่ยนแปลงอย่างรวดเร็วเมื่อเวลาผ่านไป ตามแนวทางปฏิบัติที่ดีที่สุด เราขอแนะนำให้ตรวจสอบคุณภาพของภาพเมื่อเวลาผ่านไป ตั้งแต่ขนาดใบหน้าที่จับได้ (โดยใช้กรอบ) ความสว่างและความคมชัดของภาพ ท่าทางของใบหน้า ตลอดจนสิ่งบดบังที่อาจเกิดขึ้น (หมวก แว่นกันแดด หนวดเครา และอื่นๆ) รูปภาพทั้งหมดนี้และ ลักษณะใบหน้าเปลี่ยนไปตามกาลเวลา

ตรวจสอบ FNMR และ FMR เมื่อเวลาผ่านไป

การเปลี่ยนแปลงเกิดขึ้น ไม่ว่าจะเป็นรูปภาพ แอปพลิเคชัน หรือเกณฑ์ความคล้ายคลึงกันที่ใช้ในแอปพลิเคชัน สิ่งสำคัญคือต้องตรวจสอบอัตราการจับคู่ที่ผิดพลาดและไม่ตรงกันเป็นระยะเมื่อเวลาผ่านไป การเปลี่ยนแปลงของอัตรา (แม้แต่การเปลี่ยนแปลงเล็กน้อย) มักจะชี้ไปที่ความท้าทายต้นน้ำกับแอปพลิเคชันหรือวิธีการใช้งานแอปพลิเคชัน การเปลี่ยนแปลงเกณฑ์ความคล้ายคลึงกันและกฎทางธุรกิจที่ใช้ในการตัดสินใจยอมรับหรือปฏิเสธอาจมีผลกระทบอย่างมากต่อประสบการณ์การใช้งานและการพิสูจน์ตัวตนของผู้ใช้

ใช้มนุษย์ในการทบทวนลูป

ระบบการยืนยันตัวตนทำการตัดสินใจโดยอัตโนมัติเพื่อจับคู่และไม่จับคู่ตามเกณฑ์ความคล้ายคลึงกันและกฎทางธุรกิจ นอกเหนือจากข้อกำหนดด้านกฎระเบียบและการปฏิบัติตามกฎระเบียบภายในแล้ว กระบวนการที่สำคัญในระบบการตัดสินใจอัตโนมัติคือการใช้ผู้ตรวจสอบที่เป็นมนุษย์เป็นส่วนหนึ่งของการติดตามกระบวนการตัดสินใจอย่างต่อเนื่อง การกำกับดูแลโดยมนุษย์ของระบบการตัดสินใจอัตโนมัติเหล่านี้ทำให้มีการตรวจสอบความถูกต้องและการปรับปรุงอย่างต่อเนื่อง ตลอดจนความโปร่งใสในกระบวนการตัดสินใจอัตโนมัติ

อัพเดทอยู่เสมอด้วย Amazon Rekognition

โมเดลการจดจำใบหน้าของ Amazon ได้รับการอัปเดตเป็นระยะๆ (โดยปกติจะเป็นรายปี) และปัจจุบันเป็นเวอร์ชัน 6 เวอร์ชันอัปเดตนี้มีการปรับปรุงที่สำคัญในด้านความแม่นยำและการจัดทำดัชนี สิ่งสำคัญคือต้องติดตามเวอร์ชันของโมเดลใหม่อยู่เสมอ และทำความเข้าใจวิธีใช้เวอร์ชันใหม่เหล่านี้ในแอปพลิเคชันการยืนยันตัวตนของคุณ เมื่อเปิดตัวโมเดลใบหน้า Amazon Rekognition เวอร์ชันใหม่ เป็นแนวปฏิบัติที่ดีในการเรียกใช้กระบวนการประเมินการยืนยันตัวตนของคุณอีกครั้ง และพิจารณาผลกระทบที่อาจเกิดขึ้น (บวกและลบ) ต่ออัตราการจับคู่ที่ผิดพลาดและไม่ตรงกัน

สรุป

โพสต์นี้จะกล่าวถึงองค์ประกอบสำคัญที่จำเป็นในการประเมินประสิทธิภาพด้านโซลูชันการยืนยันตัวตนของคุณในแง่ของเมตริกความแม่นยำต่างๆ อย่างไรก็ตาม ความแม่นยำเป็นเพียงหนึ่งในหลายๆ มิติที่คุณต้องประเมินเมื่อเลือกบริการควบคุมเนื้อหาเฉพาะ สิ่งสำคัญคือคุณต้องรวมพารามิเตอร์อื่นๆ เช่น ชุดฟีเจอร์ทั้งหมดของบริการ ความสะดวกในการใช้งาน การผสานรวมที่มีอยู่ ความเป็นส่วนตัวและความปลอดภัย ตัวเลือกการปรับแต่ง ความหมายโดยนัยของความสามารถในการปรับขนาด การบริการลูกค้า และราคา

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการยืนยันตัวตนใน Amazon Rekognition โปรดไปที่ การยืนยันตัวตนโดยใช้ Amazon Rekognition.

เกี่ยวกับผู้เขียน

ไมค์ เอมส์ เป็นนักวิทยาศาสตร์ข้อมูลซึ่งผันตัวมาเป็นผู้เชี่ยวชาญด้านโซลูชันการยืนยันตัวตน โดยมีประสบการณ์มากมายในการพัฒนาแมชชีนเลิร์นนิงและโซลูชัน AI เพื่อปกป้ององค์กรจากการฉ้อโกง การสูญเสีย และการละเมิด ในเวลาว่าง คุณจะพบเขาเดินป่า ขี่จักรยานเสือภูเขา หรือเล่น freebee กับ Max สุนัขของเขา

Amit Gupta เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI ที่ AWS เขาหลงใหลในการช่วยให้ลูกค้าได้รับโซลูชันแมชชีนเลิร์นนิงที่มีสถาปัตยกรรมที่ดีในวงกว้าง

ซูไฮร์ รากิบ เป็นสถาปนิกโซลูชันบริการ AI ที่ AWS เขาเชี่ยวชาญด้าน AI/ML ที่ประยุกต์ใช้ เขามีความกระตือรือร้นในการทำให้ลูกค้าสามารถใช้ระบบคลาวด์เพื่อสร้างนวัตกรรมได้เร็วขึ้นและเปลี่ยนโฉมธุรกิจของพวกเขา

มาร์เซล พิวิดัล เป็นสถาปนิก Sr. AI Services Solutions ในองค์กรผู้เชี่ยวชาญระดับโลก Marcel มีประสบการณ์มากกว่า 20 ปีในการแก้ปัญหาทางธุรกิจผ่านเทคโนโลยีสำหรับฟินเทค ผู้ให้บริการชำระเงิน ยา และหน่วยงานรัฐบาล สิ่งที่เขาสนใจในปัจจุบันคือการจัดการความเสี่ยง การป้องกันการฉ้อโกง และการยืนยันตัวตน