Биометрия, которая работает не так, как вы ожидали

Анализ результатов реальных внедрений и полученные статистические характеристики в реальных полевых условиях показывают: практически любая биометрия работает не так, как ожидают заказчики и те, кто использует ее в бизнес-процессах. Ведь обычно они ждут сразу всего и в одном флаконе, да еще и бесплатно. А такого не бывает…

Когда заказчики говорят: "Хотим мгновенную автоматическую биометрию 100%-ной точности", понятно, что они не видят разницы между идентификацией и верификацией, и более того, оперируют не биометрическими понятиями ошибок первого и второго рода, а некой "точностью". Да и всегда ли нужна заказчику именно 100%-ная "точность"? Зачастую им нужно совсем не это, а снижение издержек и экономия ресурсов. Например, ритейлу нужно повышение лояльности и доверия покупателей, страховым компаниям и банкам – активная защита ресурсов, имущества и финансовых активов, а конечным потребителям – максимальное удобство использования.

В чем здесь проблема? А в том, что существует разрыв между реальными возможностями технологий (не только биометрических) и маркетинговыми обещаниями и рекламным хайпом.

На самом деле и разработчикам биометрии, и внедренцам, и тем, кто занимается СКУД, прежде всего необходимо:

1. Четко отделять маркетинг от реальности и возможностей любой технологии.
   
2. При разговоре с потребителем придерживаться четкой, ясной методологии и в рамках единого понятийного аппарата.
   
3. Четко представлять Use-Case (сценарий использования), так как в одних ситуациях одну технологию можно использовать, а другую – бессмысленно.
   
4. Честно (по возможности) обрисовать проблемы (а они есть!).
   

О методологии

Чтобы выбрать качественную и надежную биометрию, важно опираться на следующие критерии:

1. Уровень ошибок, или FAR при определенном FRR (именно так, а не пресловутая "точность"). Ошибки первого рода – вероятность того, что система пропускает незарегистрированного человека. Ошибка второго рода – система не пропускает своего,  зарегистрированного, человека. Очевидно, что они между собой связаны, и это краеугольный камень любой биометрии. При внедрении нужно отталкиваться от конкретных задач, так как где-то нужно использовать очень точную биометрию, а где-то – обойтись системой с вероятностью ошибки первого рода 1 к 100.
   
2. Устойчивость самого биометрического параметра (например, старение лица).
   
3. Зависимость от внешней среды, условий эксплуатации и железа, на котором работает биометрия.
   
4. Скорость работы и производительность.
   
5. Простота использования, бесконтактные методы и т.д.
   

Как показывает практика, если подойти к выбору решения недостаточно ответственно, то дальше начинаются те самые проблемы…

FAR при определенном FRR

Что делают разработчики биометрии для улучшения статистики по FRR? Берут и выбрасывают из эталонной базы "плохие" шаблоны. Понятно, что для подтверждения алгоритмов и качества работы их надо выбросить, но в реальных условиях этого сделать нельзя! В итоге эффективность работы биометрии зависит от первоначального сбора биометрических шаблонов, а набрав достаточно большую базу именно в реальных условиях, можно подтверждать уровни ошибок первого и второго рода в соответствии с действующими стандартами (ГОСТ Р ИСО/МЭК 19795–2015 – Методология проведения оперативных испытаний в биометрии).

Оборудование

Вот с чем приходится часто сталкиваться на деле при использовании биометрического сканера:

• сканер не заметил, что кто-то появился в поле зрения;
  
• сканер неправильно выставил фокус;
  
• сканер засвечен внешним светом;
  
• сканер захватил не то, что нужно.
  

В результате алгоритм, который при распознавании человека по установочной базе в тестовых условиях дает точность 99,9%, в реальности зачастую выдает 20–30% отказов. И именно тогда потребители начинают предъявлять претензии. А все потому, что не учли, в каких условиях система будет использоваться и что модель базы неидеальна. Зачастую это проблема не базового алгоритма, а используемого железа и реальных условий его эксплуатации.

Внешние условия и сохранность параметров

Я неоднократно сталкивался с конкретными ситуациями, когда технология отпечатка пальцев, неплохая с точки зрения ошибок первого и второго рода, недостаточно эффективна на производстве, в химии, индустрии и т.д. Бывает 20–30% отказов.

Алгоритмы выявления локальных признаков, масштабно-инвариантные преобразования, гистограммы направленных градиентов, методы опорных векторов в ряде случаев начинают сбоить. Например, алгоритм учета черных очков может выдать ошибку, если кто-то надел очки большего размера. Или может быть сбой, если человек надел капюшон либо козырек от кепки дал тень на лицо. Я даже как-то сам завел свою фотографию в одной системе, а потом сфотографировался еще раз, с недостаточным освещением, где меня не очень хорошо видно. В результате система меня не распознала.

Есть люди, которые вообще не распознаются по многим биометрическим технологиям, не только по лицу. Очень плохо распознаются по пальцам маленькие дети и пожилые люди. Некоторые не распознаются по ладони. А иногда не срабатывает даже самая надежная и точная биометрия по радужке глаза. Так происходит, потому что изначально их биометрические параметры находятся вне моделей алгоритмов. Например, модель не предполагает, что у человека может быть слишком большая ладонь или двойной зрачок. Даже если система дает уровень ошибок первого рода 10-9, но ей попадется двойной или несимметричный зрачок, то алгоритм не сработает. 

Сила сопротивления

Еще одна распространенная проблема заключается в том, что люди не хотят пользоваться чем-то новым, в особенности если это их контролирует. А биометрия их контролирует, отсюда и огромное сопротивление.

В своей практике мы столкнулись со случаем, когда генеральный директор одного предприятия обязал всех сотрудников сдать биометрию по глазам, что вызвало бурю эмоций. Определенный процент людей отказался сдавать биометрию – "Нас пытаются зачиповать", "Вся ваша биометрия – это число дьявола" и т.д. Но правило есть правило, и обязали всех. В итоге одна сотрудница, подходя к сканеру, каждый раз истово крестится…

Можно предположить, что внедрение новых инновационных технологий еще долго будет сталкиваться с подобными проявлениями.

Биометрия  для массовых СКУД

Резюмируя, обозначим ключевые требования при внедрении биометрии, выполнения которых будет достаточно для хороших результатов в процессе эксплуатации на обычных объектах:

1. Четкое понимание Use-Case.
   
2. Выбор – идентификация или верификация.
   
3. Минимальное количество ошибок (особенно для идентификации)
   
4. Возможность простой интеграции по определенным интерфейсам.
   
5. Учет всех проблем, о которых говорилось выше.

Оптимистичный прогноз

Что нас ждет в дальнейшем? Лично меня как эксперта радуют открывающиеся перспективы:

1. Совершенствование биометрических алгоритмов.
   
2. Совершенствование архитектуры биометрических сканеров для использования в различных Use-Case.
   
3. Совершенствование элементной базы микроэлектроники, в частности матрицы.
   
4. Дальнейшее проникновение нейросетевых подходов, особенно в области биометрии лица.
   
5. Многомодальность не для верификации, а именно для идентификации.
   
6. Переход биометрии от стадии накопления данных/опыта к стадии набора потребительской массы, и как следствие – расширение рынка.
   

Биометрия – достаточно молодая отрасль в нашей стране, и мы все еще проходим стадию накопления данных и опыта и только подступаем к этапу набора потребительской массы. Тем не менее уже есть реальные внедрения (хоть их не так много) и статистика, на базе которых можно и нужно дальше совершенствовать технологии, за которыми будущее.

Опубликовано в журнале "Системы безопасности" №6/2019