متا فناوری اسکن چهره پنتاگون را در ۵۰ میلیون گوشی مستقر کرد
متا اخیراً کدهای بیومتریک را در اکوسیستم عینکهای هوشمند خود جاسازی کرده است. این کدها از تأمینکنندهای تهیه شدهاند که با پنتاگون در ارتباط است. این اقدام نشاندهنده تغییری عظیم در بینایی ماشین (computer vision) است.
تحلیل چهره با سطح نظامی اکنون آنقدر کوچک شده است که روی دستگاههای مصرفکننده قابل اجرا باشد. متا این قابلیت را از طریق یک بهروزرسانی ساده اپلیکیشن عرضه کرد.
نکات فنی برای توسعهدهندگان:
- مقایسه چهره اکنون از طریق بهروزرسانیهای اپلیکیشن روی دستگاههای موبایل کار میکند.
- الگوریتمهای تطبیق یکبهچند (one-to-many matching) اکنون بسیار کارآمد هستند.
- محاسبات لبهای (Edge computing) امکان شناسایی فوری را فراهم میکند.
- سختافزارهایی مانند واحد پردازش عصبی (Neural Processing Unit) کارهای سنگین را انجام میدهند.
- این امر با اجتناب از سرورهای ابری، تأخیر (latency) را کاهش میدهد.
تفاوت بزرگی بین تشخیص چهره (facial recognition) و مقایسه چهره (facial comparison) وجود دارد. تشخیص چهره، جمعیت را برای یافتن هویت اسکن میکند، در حالی که مقایسه چهره، دو تصویر مشخص را برای یافتن تطابق تحلیل میکند.
متا از تحلیل دستی به سمت شناسایی محیطی (ambient identification) حرکت کرده است. این امر یک «جعبه سیاه» برای توسعهدهندگان ایجاد میکند. اگر کتابخانههای بیومتریک درون SDKهای مصرفکننده پنهان شوند، شفافیت از بین میرود.
ابزارهای حرفهای برای بازرسان نیازمند دقت بالایی هستند. ابزارهای مصرفکننده اغلب نرخ مثبت کاذب (false-positive) بالایی دارند. این خطاها در دادگاه پذیرفته نیستند.
نرمافزارهای حرفهای بر موارد زیر تمرکز دارند:
- تحلیل دقیق فاصله اقلیدسی (Euclidean distance).
- دادههای قابل تأیید در کنار هم.
- محیطهای کنترلشده برای مطالعات موردی.
- گزارشدهی دقیق برای مجریان قانون.
همانطور که پروژههای بینایی ماشین میسازید، با یک انتخاب روبرو هستید. میتوانید ابزارهایی برای اتوماسیون پنهان بسازید، یا ابزارهایی بسازید که دقت و رضایت اخلاقی را در اولویت قرار میدهند.
چگونه سرعت محاسبات لبهای را با نیاز به رضایت دادهها متعادل میکنید؟
Optional learning community: https://t.me/GyaanSetuAi