量身定制的生物識別系統測試為信任奠定了基礎：生物識別實驗室

儘管語言在各個地區都有不同，但是關於生物識別技術的大多數法規都必須使其堅固，準確，可靠，高效或以其他方式能夠很好地達到其目的而無需犯錯誤。

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

但是，如果測試本身還不夠強大怎麼辦？即使是徹底複製現實世界條件的徹底嘗試也可能會錯過特定案件部署的細微差別。實驗室中有效的方法可能會在現場失敗，標準測試可能無法說明在現實情況下的偏見檢測，攻擊彈性和可用性。

在新的生物識別學院報告負責生物識別技術的未來，認為“局部和量身定制的測試方法（對於適當的國際標準）對於解決人口偏見，獨特的脆弱性和不斷發展的監管景觀至關重要。”

量身定制的測試可以補充確保生物識別系統滿足特定人口統計，設備和用例的獨特要求。在廣泛的設備上進行測試是針對具有低成本或舊版硬件的用戶的。攻擊彈性測試可以衡量算法對毒管的抵抗力，對抗性人工智能攻擊和其他惡意嘗試損害其完整性。在算法上投擲現實世界變量可以評估其在動態照明，濕度或背景噪聲條件下運作的能力。

“通常與不同的人群相互作用，並在各種條件下運作。如果沒有局部測試，組織就會冒著部署系統，這些系統無意中排除某些群體或在特定地區無法可靠地執行。”

多樣性是培訓面部識別系統的力量

關於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，因此已顯示出在較深的膚色上表現不佳。” （儘管在Nist的最新測試，最準確的算法顯示出非常低的差異。）問題部分是一個步伐：生態系統的增長迅速，某些組件已經分散。開發人員之間的信息共享是有限的。

最重要的是，說：“現在已經達成共識，即AI模型僅與訓練它的數據一樣好。”卷積神經網絡（CNN），可以基於面部的深度機器學習對於面部識別系統，需要多種參考材料；沒有它，“算法的性能將不足。”

“這是偏見，” Fime說。 “它不一定是惡意的，而是現實” - 它需要“在生物識別鏈中緊急關注；從軟件和傳感器開發人員到設備OEM以及標準化機構和政府。”

Fime說：“要了解評估生物識別系統潛在偏差的最佳指標，衡量每個度量標準對系統的特異性和準確性的效果非常重要。考慮到這一點，領先的生物識別專家創建了一種創新方法來注入生物識別系統的偏見並評估每個度量標準的效果。該系統允許專家為特定的人群子組注入選擇性偏見，並控制每個偏差的強度。對每種偏見的強度進行直接控制，使專家能夠監視每個度量標準對已知變量的效果。”

了解您的生物識別測試

您測試的越多，您知道的越多，概述了性能測試，安全測試，，以及法規和合規性測試。

績效測試“衡量生物識別系統在現實情況下的功能。”它包括錯誤的接受率（FAR）和錯誤拒絕率（FRR） - 分別指示系統錯誤地接受或拒絕合法用戶的頻率以及在各種物質條件下評估系統性能的環境測試。

安全測試“對於確定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功能；確保安全加密數據庫並遵守法規；並模擬現實世界的欺詐策略，包括，合成媒體和注射攻擊。

偏見和公平測試“確保生物識別系統對所有人群群體都同樣有效，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核支持此過程。

監管和合規性測試措施針對GDPR等道德，法律和監管框架進行措施，伊利諾伊州（Bipa）和AI法案。

Ingenium說：“獨立實驗室和測試設施在到達市場之前評估生物識別系統中起著至關重要的作用。” NIST進行“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）提供了生物識別測試標準，例如ISO/IEC 19795生物識別系統的性能測試框架和墊標準。

以及提供評估和認證的行業機構，例如，也起著作用。

根據Ingenium的說法，所有這些都很重要，因為“負責生物識別技術的未來取決於嚴格的測試，道德考慮以及遵守安全和隱私標準。”