यह बदलाव क्यों महत्वपूर्ण है

भारत लंबे समय से सिम-पंजीकरण (SIM-registration) धोखाधड़ी से जूझ रहा है, जहाँ स्कैम, स्पैम और अवैध गतिविधियों के लिए एक ही पहचान का उपयोग करके दर्जनों या सैकड़ों फोन नंबर प्राप्त किए जाते हैं। पंजीकरण को एक ऐसे बायोमेट्रिक से जोड़कर जिसे डुप्लिकेट करना कठिन है—यानी व्यक्ति का चेहरा—अधिकारी स्रोत पर ही डिस्पोजेबल नंबरों की आपूर्ति को कम करने की उम्मीद करते हैं।

दांव बहुत ऊंचे हैं। सुरक्षा और कंप्यूटर-विज़न (computer-vision) टूल्स विकसित करने वालों के लिए, ASTR इस बात का एक राष्ट्र-स्तरीय परीक्षण है कि जब डेटाबेस अरबों प्रविष्टियों (entries) तक बढ़ जाता है, तो फेशियल-मैचिंग पाइपलाइन्स कितनी अच्छी तरह काम करती हैं।

ASTR कैसे काम करता है

जब कोई उपयोगकर्ता नए सिम के लिए आवेदन करता है, तो एक कैमरा चेहरे की तस्वीर लेता है जिसे सिस्टम एक न्यूमेरिक वेक्टर (numeric vector) में बदल देता है, जिसे फेशियल एम्बेडिंग (facial embedding) कहा जाता है। इसके बाद सिस्टम उस एम्बेडिंग को सेंट्रल रिपॉजिटरी के साथ खोजता है। यदि वही चेहरा असामान्य रूप से बड़ी संख्या में फोन नंबरों से जुड़ा हुआ पाया जाता है, तो पंजीकरण को फ्लैग या ब्लॉक कर दिया जाता है। व्यवहार में, यह वेक्टर एक प्राइमरी की (primary key) की तरह काम करता है: सिस्टम केवल यह नहीं पूछ रहा है कि "क्या यह एक वास्तविक व्यक्ति है?" बल्कि यह पूछ रहा है कि "क्या यह चेहरा पहले से ही सिस्टम में कहीं और मौजूद है?"

चूंकि खोज लगभग वास्तविक समय (near-real time) में होनी चाहिए, इसलिए बैकएंड हाई-परफॉर्मेंस वेक्टर-सर्च इंजनों पर निर्भर करता है। Milvus जैसे ओपन-सोर्स प्रोजेक्ट या Pinecone जैसी कमर्शियल सेवाएं ठीक इसी पैटर्न के लिए बनाई गई हैं: लाखों से अरबों हाई-डायमेंशनल वेक्टर्स को स्टोर करना और मिलीसेकंड के भीतर उनके निकटतम पड़ोसियों (nearest neighbours) को प्राप्त करना।

डेवलपर्स को किन बातों का ध्यान रखना चाहिए

  • लगभग शून्य गलत स्वीकृति (Near-zero false acceptance)। एक गलत मिलान (false match) किसी वैध उपयोगकर्ता को उस फोन नंबर से वंचित कर सकता है जिसकी उन्हें बैंकिंग, काम या व्यक्तिगत संचार के लिए आवश्यकता है। टीमें फॉल्स एक्सेप्टेंस रेट (FAR) को शून्य के करीब रखने के लिए डिसीजन थ्रेशोल्ड (decision threshold) को ट्यून करती हैं, भले ही इससे फॉल्स-रिजेक्शन रेट बढ़ जाए, जिसे वे सेकेंडरी चेक के माध्यम से कम कर सकती हैं।
  • सत्यापन तर्क (verification logic) में बदलाव। पारंपरिक KYC पाइपलाइन पहचान दस्तावेजों को सत्यापित करती हैं। ASTR के बाद, प्राथमिक प्रश्न यह हो जाता है कि क्या चेहरे का प्रोफाइल पहले से ही डेटाबेस में मौजूद है, जिससे चेहरे की समानता (facial similarity) एक अद्वितीय पहचानकर्ता (unique identifier) बन जाती है।
  • इंफ्रास्ट्रक्चर पर दबाव। अरबों वेक्टर्स के विरुद्ध वास्तविक समय में मिलान करने के लिए स्केलेबल स्टोरेज, GPU-एक्सेलरेटेड इंडेक्सिंग और सटीक लेटेंसी (latency) गारंटी की आवश्यकता होती है। जिन टीमों ने केवल फेशियल डिटेक्शन या छोटे पैमाने के सत्यापन का उपयोग किया है, उन्हें वेक्टर डेटाबेस अपनाने की आवश्यकता होगी और संभवतः एसिंक्रोनस मैचिंग परिणामों को संभालने के लिए अपने API कॉन्ट्रैक्ट्स को फिर से डिज़ाइन करना होगा।

सिक्के का दूसरा पहलू

आलोचकों ने चेतावनी दी है कि बायोमेट्रिक सिस्टम गलत परिणाम दे सकते हैं, विशेष रूप से उन लोगों के लिए जिनके चेहरे की विशेषताएं असामान्य हैं, लाइटिंग खराब है, या कैप्चर डिवाइस की गुणवत्ता कम है। एक फॉल्स नेगेटिव (false negative)—यानी एक वास्तविक उपयोगकर्ता को अस्वीकार करना—लाखों लोगों को आवश्यक सेवाओं से वंचित कर सकता है।

आगे क्या है

निष्कर्ष

ASTR चेहरे को फोन नंबर के लिए डी-फैक्टो (de-facto) कुंजी में बदल देता है, जिससे पूरा सुरक्षा इकोसिस्टम चेहरे की समानता को एक प्राथमिक पहचानकर्ता के रूप में मानने के लिए मजबूर हो जाता है। जो डेवलपर्स बड़े पैमाने पर अल्ट्रा-सटीक, लो-लेटेंसी वेक्टर सर्च प्रदान कर सकते हैं, वे ही भारत के मोबाइल नेटवर्क को उपयोगी और सुरक्षित बनाए रखने में मदद करेंगे। इसका दूसरा पहलू गलत मिलान से बचने और राष्ट्रव्यापी बायोमेट्रिक रिपॉजिटरी की रक्षा करने की बढ़ी हुई जिम्मेदारी है।