定制的生物识别系统测试为信任奠定基础：生物识别实验室

尽管不同地区的语言有所不同，但大多数生物识别技术法规都要求其稳健、准确、可靠、高效，或者能够很好地实现其目的，而不会犯下严重错误。

测试使这成为可能。标准化测试框架，例如美国国家标准与技术研究所 (NIST) 提供的框架，和为生物识别行业建立信任基础。

但如果测试本身不够稳健怎么办？即使彻底尝试复制现实世界的条件，也可能会错过特定案例部署的细微差别。在实验室中有效的方法可能在现场会失败，并且标准测试可能无法考虑现实条件下的偏差检测、攻击弹性和可用性。

在一个新的生物识别研究所关于负责任的生物识别技术的未来的报告，认为“本地化和定制的测试方法（符合适当的国际标准）对于解决人口偏见、独特的脆弱性和不断变化的监管环境至关重要。”

定制测试可以补充确保生物识别系统满足特定人群、设备和用例的独特要求。在广泛的设备上进行测试适合使用低成本或传统硬件的用户。攻击弹性测试可以衡量算法对欺骗、对抗性人工智能攻击和其他损害其完整性的恶意尝试的抵抗力。将现实世界的变量放入算法中可以评估其在动态照明、湿度或背景噪声条件下运行的能力。

“经常与不同的人群互动并在不同的条件下运作。如果没有本地化测试，组织可能会面临部署系统无意中排除某些群体或无法在特定区域可靠运行的风险。”

多样性是训练面部识别系统的优势

对人口多样性的直接主张认为“某些由于训练数据集的多样性有限，它在深色肤色上表现不佳。” （尽管在 NIST 的最新测试，最准确的算法显示出非常低的差异。）问题部分在于速度：生态系统发展迅速，某些组件已经支离破碎。开发人员之间的信息共享是有限的。

最重要的是，说，“现在人们一致认为，人工智能模型的好坏取决于训练它的数据。”卷积神经网络 (CNN) 可实现基于人脸的深度机器学习人脸识别系统需要多样化的参考资料；没有它，“算法的性能将不足。”

“这是偏见，”费梅说。 “这不一定是恶意的，但它是现实”——它需要“整个生物识别价值链的紧急关注；从软件和传感器开发商到设备原始设备制造商、标准化机构和政府。”

Fime 表示，“要了解评估生物识别系统潜在偏差的最佳指标，重要的是衡量每个指标对系统特异性和准确性的有效性。考虑到这一点，领先的生物识别专家创建了一种创新方法，向生物识别系统注入偏差并评估每个指标的有效性。该系统允许专家为特定的人口统计亚组注入选择性偏差，并控制每个偏差的强度。直接控制生物识别系统的偏差强度。”每个偏差都允许专家根据已知变量监控每个指标的有效性。”

了解您的生物识别测试

你测试得越多，你知道的就越多，并且概述了性能测试、安全测试、，以及法规和合规性测试。

性能测试“衡量生物识别系统在现实场景中的运行情况。”它包括错误接受率 (FAR) 和错误拒绝率 (FRR)（分别指示系统错误接受冒名顶替者或拒绝合法用户的频率的指标）以及用于评估各种材料条件下系统性能的环境测试。

安全测试“对于识别生物识别系统中的漏洞并防止恶意攻击至关重要。”它包括欺骗和演示攻击检测 (PAD)，以评估假指纹、3D 打印面孔或语音模仿的检测能力；确保数据库的安全加密并遵守法规；并模拟现实世界的欺诈策略，包括、合成媒体和注入攻击。

偏见和公平性测试“确保生物识别系统对所有人口群体同样有效，并且对于道德实施至关重要”。多样性评估、跨人口统计的错误率分析和算法审计支持这一过程。

监管和合规性测试根据道德、法律和监管框架（例如 GDPR、伊利诺伊州）来衡量系统（BIPA）和人工智能法案。

Ingenium 表示：“独立实验室和测试设施在生物识别系统进入市场之前对其进行评估方面发挥着至关重要的作用。” NIST 实施“严格的生物识别测试计划，例如面部识别供应商测试 (FRVT) 和指纹系统的 MINEX 评估”。国际标准化组织 (ISO) 提供生物识别测试标准，例如ISO/IEC 19795生物识别系统的性能测试框架和PAD 标准。

以及提供评估和认证的行业机构，例如，也发挥作用。

Ingenium 表示，所有这些都很重要，因为“负责任的生物识别技术的未来取决于严格的测试、道德考虑以及对安全和隐私标准的遵守。”