定制的生物識別系統測試為信任奠定基礎：生物識別實驗室

儘管不同地區的語言有所不同，但大多數生物識別技術法規都要求其穩健、準確、可靠、高效，或者能夠很好地實現其目的，而不會犯下嚴重錯誤。

測試使這成為可能。標準化測試框架，例如美國國家標準與技術研究所 (NIST) 提供的框架，和為生物識別行業建立信任基礎。

但如果測試本身不夠穩健怎麼辦？即使徹底嘗試複製現實世界的條件，也可能會錯過特定案例部署的細微差別。在實驗室中有效的方法可能在現場會失敗，並且標準測試可能無法考慮現實條件下的偏差檢測、攻擊彈性和可用性。

在一個新的生物識別研究所關於負責任的生物識別技術的未來的報告，認為“本地化和定制的測試方法（符合適當的國際標準）對於解決人口偏見、獨特的脆弱性和不斷變化的監管環境至關重要。”

定制測試可以補充確保生物識別系統滿足特定人群、設備和用例的獨特要求。在廣泛的設備上進行測試適合使用低成本或傳統硬件的用戶。攻擊彈性測試可以衡量算法對欺騙、對抗性人工智能攻擊和其他損害其完整性的惡意嘗試的抵抗力。將現實世界的變量放入算法中可以評估其在動態照明、濕度或背景噪聲條件下運行的能力。

“經常與不同的人群互動並在不同的條件下運作。如果沒有本地化測試，組織可能會面臨部署系統無意中排除某些群體或無法在特定區域可靠運行的風險。 ”

多樣性是訓練面部識別系統的優勢

對人口多樣性的直接主張認為“某些由於訓練數據集的多樣性有限，它在深色膚色上表現不佳。 ” （儘管在 NIST 的最新測試，最準確的算法顯示出非常低的差異。）問題部分在於速度：生態系統發展迅速，某些組件已經支離破碎。開發人員之間的信息共享是有限的。

最重要的是，說，“現在人們一致認為，人工智能模型的好壞取決於訓練它的數據。”卷積神經網絡 (CNN) 可實現基於人臉的深度機器學習人臉識別系統需要多樣化的參考資料；沒有它，“算法的性能將不足。”

“這是偏見，”費梅說。 “這不一定是惡意的，但它是現實”——它需要“整個生物識別價值鏈的緊急關注；從軟件和傳感器開發商到設備原始設備製造商、標準化機構和政府。”

Fime 表示，“要了解評估生物識別系統潛在偏差的最佳指標，重要的是衡量每個指標對系統特異性和準確性的有效性。考慮到這一點，領先的生物識別專家創建了一種創新方法，向生物識別系統注入偏差並評估每個指標的有效性。該系統允許專家為特定的人口統計亞組注入選擇性偏差，並控制每個偏差的強度。直接控制生物識別系統的偏差強度。”每個偏差都允許專家根據已知變量監控每個指標的有效性。 ”

了解您的生物識別測試

你測試得越多，你知道的就越多，並且概述了性能測試、安全測試、，以及法規和合規性測試。

性能測試“衡量生物識別系統在現實場景中的運行情況。”它包括錯誤接受率 (FAR) 和錯誤拒絕率 (FRR)（分別指示系統錯誤接受冒名頂替者或拒絕合法用戶的頻率的指標）以及用於評估各種材料條件下系統性能的環境測試。

安全測試“對於識別生物識別系統中的漏洞並防止惡意攻擊至關重要。”它包括欺騙和演示攻擊檢測 (PAD)，以評估假指紋、3D 打印面孔或語音模仿的檢測能力；確保數據庫的安全加密並遵守法規；並模擬現實世界的欺詐策略，包括、合成媒體和注入攻擊。

偏見和公平性測試“確保生物識別系統對所有人口群體同樣有效，並且對於道德實施至關重要”。多樣性評估、跨人口統計的錯誤率分析和算法審計支持這一過程。

監管和合規性測試根據道德、法律和監管框架（例如 GDPR、伊利諾伊州）來衡量系統（BIPA）和人工智能法案。

Ingenium 表示：“獨立實驗室和測試設施在生物識別系統進入市場之前對其進行評估方面發揮著至關重要的作用。” NIST 實施“嚴格的生物識別測試計劃，例如面部識別供應商測試 (FRVT) 和指紋系統的 MINEX 評估”。國際標準化組織 (ISO) 提供生物識別測試標準，例如ISO/IEC 19795生物識別系統的性能測試框架和PAD 標準。

以及提供評估和認證的行業機構，例如，也發揮作用。

Ingenium 表示，所有這些都很重要，因為“負責任的生物識別技術的未來取決於嚴格的測試、道德考慮以及對安全和隱私標準的遵守。”