کاربرد تکنولوژی یادگیری عمیق در فرایند احراز هویت

برای اینکه درک بهتری از نقش اساسی هوش مصنوعی در سیستم‌های تشخیص هویت شرکت یوآیدی داشته باشید، ابتدا باید درباره دو مفهوم « یادگیری ماشین » و « یادگیری عمیق » در فرایند احراز هویت بیشتر بدانید.

یادگیری ماشین یا Machine Learning

تعریف دقیق اصطلاح یادگیری ماشین شامل الگوریتم‌هایی می‌شود که داده‌ها را تجزیه می‌کنند، از آنها یاد می‌گیرند و از آنها برای تصمیم‌گیری آگاهانه استفاده می‌کنند. به عبارت دیگر، به جای نوشتن کدها به صورت دستی و تعریف روتین و دستورالعمل برای رسیدن به یک هدف خاص، می‌توان یک دستگاه را به گونه‌ای «آموزش داد» که با استفاده از الگوریتم و مجموعه‌های بزرگ داده قابلیت یادگیری و کار کردن داشته باشد. بنابراین این دستگاه‌ها صرفا کاری را می‌کنند که برای آن طراحی شده‌اند.

با پیشرفت این فناوری، یکی از کاربردهای بالقوه برای آن بهبود دید کامپیوتری بود، اما انجام این کار و دریافت نتیجه مناسب همچنان نیازمند کدنویسی حجم زیادی از ویژگی‌ها بود. ما کدهای طبقه‌بندی کننده، مانند تشخیص لبه تصویر را به صورت دستی می‌نویسیم تا سیستم به راحتی نقطه شروع و پایان عکس را تشخیص بدهد. علاوه بر این، ما از فناوری نویسه خوان نوری (OCR) برای شناسایی کاراکترها و حروف می‌کنیم.

اگرچه فناوری‌هایی مانند دید کامپیوتری و یادگیری ماشین مفید هستند، اما در شرایط غیر ایده‌آل عملکرد مناسبی نخواهند داشت (نوردهی بد در زمان تصویربرداری، کج بودن عکس یا تار بودن آن). خطاهای فراوان در فناوری دید کامپیوتری باعث شد که تا همین اواخر نتوانند رقیب مناسبی برای چشم انسان باشند. به همین دلیل، فناوری یادگیری عمیق (Deep Learning) می‌تواند کاربرد بهتری داشته باشد.

یادگیری عمیق یا Deep Learning

از نظر عملی می‌توان یادگیری عمیق را زیرمجموعه یادگیری ماشین دانست. مدل‌های یادگیری عمیق برای تجزیه پیوسته داده با استفاده از یک ساختار منطقی طراحی شده‌اند که شباهت زیادی با روش حل مسئله انسان دارد. به منظور دستیابی به این امر، یادگیری عمیق از ساختار لایه‌ای واحدهای محاسباتی به نام شبکه‌های عصبی مصنوعی (ANN) استفاده می‌کنند. در طراحی ANN از شبکه‌های عصبی بیولوژیکی مغز انسان الهام گرفته شده است. این طراحی امکان ساخت دستگاهی را فراهم می‌کند که بسیار توانمندتر از مدل‌های استاندارد یادگیری ماشین است.

اندرو ان‌جی، یکی از پیشگامان یادگیری عمیق و موسس پروژه گوگل برین (Google Brain) در مصاحبه با کالب گارلین، خبرنگار مجله Wired این‌گونه یادگیری عمیق را توصیف کرد: «به نظر من هوش مصنوعی مثل ساختن یک کاوشگر فضایی است: برای هر دوی آنها به یک موتور بزرگ و مقدار زیادی سوخت احتیاج دارید. اگر موتور بزرگی داشته باشید و مقدار سوخت شما کم باشد حتی به مدار نخواهید رسید. اگر موتور کوچک و مقدار زیادی سوخت داشته باشید حتی نمی‌توانید بلند شوید. بنابراین به هر دوی آنها نیاز دارید. در یادگیری عمیق، موتور همان الگوریتم و مدل‌های یادگیری و سوخت هم حجم بزرگی از داده است که باید به الگوریتم‌ها بدهید».

یادگیری عمیق در پلتفرم احراز هویت یوآیدی

ما چگونه در یوآیدی از یادگیری عمیق استفاده می‌کنیم؟

یوآیدی میلیون‌ها چهره را شناسایی را پردازش کرده و داده به دست آمده از این کار شامل الگوهایی است که چشم انسان توانایی تشخیص آنها را ندارد. یوآیدی در سه زمینه از یادگیری عمیق استفاده می‌کند: استخراج داده، تشخیص جعل، و ارزیابی ریسک

• استخراج داده: یوآیدی برای استخراج داده از مدارک شناسایی از یادگیری عمیق استفاده می‌کند. ابعاد شرکت به ما اجازه می‌دهد تا حجم بزرگی از داده را به الگوریتم‌های خودمان بدهیم تا به بهبود توانایی آن برای شناسایی مدارک شناسایی، و همچنین استخراج داده و درک آنها کمک کنیم.
• شناسایی جعل: یادگیری عمیق به ما در شناسایی ویژگی هویت جعلی کمک می‌کند. این کار شامل شناسایی برجستگی‌های صورت و ویژگی‌های منحصر به فرد برای شناسایی می‌باشد. در صورت جعل یا تغییر در ویژگی‌های چهره و عدم تطابق آن با الگوهای شناخته شده، الگوریتم‌های یادگیری عمیق ما آن را برای بررسی دقیق‌تر علامت‌گذاری می‌کند.
• ارزیابی ریسک: ما همچنین از یادگیری عمیق و ترکیب متغیرهای ریسک برای شناسایی الگوها و احتمال جعل استفاده می‌کنیم. انجام این کار داده‌های مهمی را در اختیار ما قرار داده است.

ترکیب تکنولوژی‌های هوش مصنوعی

یوآیدی در رویکرد ترکیبی خود به طور همزمان از فناوری‌ها (شامل دید کامپیوتری، یادگیری ماشین و یادگیری عمیق) و تشخیص زنده بودن (Liveness Detection) تصویر برای احراز هویت بهره می‌برد. ترکیب این دو روش به ویژه در موارد تطبیق چهره مفید واقع شده است.

یوآیدی با خدمات احراز هویت خود یک قدم فراتر رفته است و تصویر سلفی فرد را با تصویر مندرج روی کارت شناسایی تطبیق می‌دهد. انجام این کار از اهمیت بالایی برخوردار است، چراکه اگر کسی کارت گواهی‌نامه شما را دزدیده باشد و با استفاده از آن یک حساب بانکی افتتاح کند، شکی برای سیستم وجود ندارد که کارت شناسایی معتبر است. با این حال، فردی که از کارت استفاده کرده است لزوما مالک آن نیست.

شناسایی تغییراتی مانند اضافه یا کاهش وزن، رنگ کردن مو، استفاده از عینک، یا حتی شکل گرفتن عکس می‌تواند برای بهترین متخصصان احراز هویت هم چالش بزرگی باشد. اما یوآیدی با استفاده از ترکیب تکنولوژی‌های هوش مصنوعی مانند یادگیری عمیق و پردازش تصویر، این ویژگی‌ها را با دقت بالایی تشخیص می‌دهد. اینجاست که می‌توان کاربرد اصلی یادگیری عمیق را مشاهده کرد. ما پیش از این از یادگیری ماشین برای بررسی تطابق دو تصویر استفاده کرده‌ایم.

ما همچنین موارد تطبیق تصاویر مردود را وارد مدل‌های یادگیری عمیق خود می‌کنیم تا الگوریتم‌های تشخیص چهره را برای تشخیص بهتر تفاوت بین تصاویر و موارد جعل عکس آموزش بدهیم. همانطور که پیش از این مشاهده کردید، توانایی ما برای شناسایی تفاوت‌های جزئی و دقیق بستگی به حجم داده‌هایی دارد که در اختیار مدل‌های ماست.

جمع بندی

فناوری‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق از فواید زیادی برخوردار هستند. اما برای استفاده بهینه از قابلیت آنها، شرکت‌های فعال در زمینه احراز هویت باید به چند نکته کلیدی توجه کنند.

• داده کلان: شرکت‌های احراز هویت باید داده‌های مربوط به کارت‌های شناسایی را در حجم‌های بزرگ تهیه کرده و با وارد کردن آن به الگوریتم‌های یادگیری، به شناسایی الگوها و موارد دستکاری یا تغییر در کارت‌های شناسایی سرعت ببخشند.
• عامل انسانی: بهبود و یادگیری الگوریتم‌ها وابسته به وجود یک حلقه بازخورد است که در آن، هر یک از موارد تطبیق چهره به دو دسته «مورد تایید» و «عدم تایید» تقسیم می‌شوند. هرچقدر که تعداد موارد بازخورد هوش مصنوعی کمتر باشد (مانند سیستم‌های کال سنتر)، توانایی الگوریتم یادگیری عمیق کاهش پیدا می‌کند.
• متخصصان داده: امروزه نیاز فزآینده‌ای به متخصصان داده برای ساخت و بهبود مدل‌های یادگیری عمیق وجود دارد. پیش از خرید محصولات احراز هویت، اطمینان حاصل کنید که فروشنده آنها به اندازه کافی برای استفاده از قابلیت‌های هوش مصنوعی سرمایه‌گذاری کرده است.
• تجربه: شرکت‌های تازه وارد در حوزه احراز هویت معمولا دچار کاستی‌های فراوانی در زمینه یادگیری ماشین و یادگیری عمیق هستند. معمولا این شرکت‌ها فاقد حجم داده کافی برای الگوریتم‌های خود هستند. علاوه براین، متخصصان احراز هویت آنها تجربه کافی برای شناسایی و جدا کردن مدارک شناسایی اصلی و جعلی را نداشته و صرفا با برخی از روش‌های احراز هویت غیرحضوری آشنایی دارند. از سوی دیگر، شرکت‌های باتجربه معمولا موقعیت بهتری از لحاظ توانایی شناخت مدارک جعلی و تطبیق چهره دارند.
• رعایت اصول حریم خصوصی: یوآیدی اصول حریم خصوصی را به عنوان پیش نیاز اصلی تمامی محصولات تجاری خود درنظر می‌گیرد. خوشبختانه تجربه شرکت یوآیدی به استفاده از مدل‌های یادگیری عمیق و سازگاری آنها با قوانین حریم خصوصی کمک کرده و یک مزیت رقابتی را در برابر شرکت‌های کوچک ایجاد می‌کند.

با اینکه ما در یوآیدی از جدیدترین فناوری‌ها استفاده می‌کنیم، باور داریم که به توانایی‌های هوش مصنوعی پی برده‌ایم. سرمایه‌گذاری مداوم ما برای ایجاد محصولات بهتر به اطمینان مشتریان و افزایش بهره‌وری آنها کمک می‌کند. در نهایت، این حلقه بازخورد توانایی ما در تشخیص بهتر مدارک جعلی و بهبود تجربه کاربر را افزایش می‌دهد.