Title: ನಿಮ್ಮ ಮುಖವು ಪಾಸ್‌ವರ್ಡ್ ಅಲ್ಲ

ಫಿಲಿಪೈನ್ಸ್‌ನ ರಾಷ್ಟ್ರೀಯ ಗೌಪ್ಯತಾ ಆಯೋಗವು ಬಯೋಮೆಟ್ರಿಕ್ ದತ್ತಾಂಶದ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಬಳಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಅಪಾಯ ಆಧಾರಿತ ಚೌಕಟ್ಟನ್ನು (risk-based framework) ಜಾರಿಗೆ ತಂದಿದೆ, ಇದು ಮುಖ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ತಕ್ಷಣದ ನಿಯಂತ್ರಕ ಪರಿಶೀಲನೆಗೆ ಒಳಪಡಿಸುತ್ತದೆ. ಮುಖಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವ, ಸಂಗ್ರಹಿಸುವ ಅಥವಾ ಹೋಲಿಸುವ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್‌ಗಳು ಈಗ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಮರು ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕು, ಆಡಿಟ್ ಟ್ರೈಲ್‌ಗಳನ್ನು ಬಲಪಡಿಸಬೇಕು ಮತ್ತು ದತ್ತಾಂಶ ಸಂರಕ್ಷಣಾ ನೀತಿಗಳನ್ನು (data-retention policies) ಮರು ಬರೆಯಬೇಕಾಗುತ್ತದೆ.

ಈ ಬದಲಾವಣೆ ಏಕೆ ಮುಖ್ಯ

ಇದುವರೆಗೆ, ಫಿಲಿಪೈನ್ಸ್‌ನಲ್ಲಿ ಗೌಪ್ಯತಾ ಪರಿಣಾಮದ ಮೌಲ್ಯಮಾಪನಗಳು ಕೇವಲ ಚೆಕ್‌ಲಿಸ್ಟ್ ಅಭ್ಯಾಸಗಳಾಗಿದ್ದವು—ಒಂದು ಫಾರ್ಮ್ ತುಂಬುವುದು, ಸಹಿ ಪಡೆಯುವುದು ಮತ್ತು ಮುಂದುವರಿಯುವುದು. ಹೊಸ ಚೌಕಟ್ಟು ಬಯೋಮೆಟ್ರಿಕ್ ದತ್ತಾಂಶವನ್ನು ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕಾರವೇ ಹೆಚ್ಚಿನ ಅಪಾಯವೆಂದು ಪರಿಗಣಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಜನಸಂದಣಿಯಲ್ಲಿ ಜನರನ್ನು ಗುರುತಿಸುವಾಗ ಇದು ಹೆಚ್ಚು ಅನ್ವಯಿಸುತ್ತದೆ. ಸೋರಿಕೆಯಾದ ಪಾಸ್‌ವರ್ಡ್ ಅನ್ನು ಮರುಹೊಂದಿಸಬಹುದು (reset); ಆದರೆ ಸೋರಿಕೆಯಾದ ಮುಖದ ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬದಲಾಯಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಇದು ಶಾಶ್ವತ ಭದ್ರತಾ ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಚಿತ್ರಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಆ ಅಪಾಯವನ್ನು ತಗ್ಗಿಸಲಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಲು ಆಯೋಗದ ಮಾರ್ಗದರ್ಶನವು ಸಂಸ್ಥೆಗಳಿಗೆ ಒತ್ತಾಯಿಸುತ್ತದೆ.

ಮುಖ ಗುರುತಿಸುವಿಕೆ (Facial recognition) vs ಮುಖ ಹೋಲಿಕೆ (Facial comparison)

ಈ ನಿಯಮಗಳು ಮುಖದ AI ನ ಎರಡು ಸಾಮಾನ್ಯ ಬಳಕೆಯ ನಡುವೆ ಸ್ಪಷ್ಟವಾದ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸುತ್ತವೆ:

  • ಮುಖ ಗುರುತಿಸುವಿಕೆ (Facial recognition) – ಜನಸಂದಣಿಯನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುವುದು ಮತ್ತು ಪ್ರತಿ ಮುಖವನ್ನು ಬೃಹತ್ ಡೇಟಾಬೇಸ್‌ಗೆ ಹೋಲಿಸುವುದು. ಇದು ಹೆಚ್ಚಿನ ಅಪಾಯವನ್ನು ಹೊಂದಿದೆ.
  • ಮುಖ ಹೋಲಿಕೆ (Facial comparison) – ಸೆಲ್ಫಿಯ ಮೂಲಕ ಸಾಧನವನ್ನು ತೆರೆಯುವಂತಹ ಎರಡು ನಿರ್ದಿಷ್ಟ ಚಿತ್ರಗಳನ್ನು ಪರಸ್ಪರ ಪರಿಶೀಲಿಸುವುದು. ಇದು ಕಡಿಮೆ ಅಪಾಯವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಆಡಿಟ್ ಸಮಯದಲ್ಲಿ ಸಮರ್ಥಿಸಿಕೊಳ್ಳುವುದು ಸುಲಭವಾಗಿದೆ.

ಡೆವಲಪರ್‌ಗಳು ಏನನ್ನು ಬದಲಾಯಿಸಬೇಕು

ಅಗತ್ಯತೆ ಕೋಡ್‌ಬೇಸ್‌ಗೆ ಇದರ ಅರ್ಥವೇನು
ಡೇಟಾ-ಕ್ಲಿಯರಿಂಗ್ ಹುಕ್ಸ್ (Data-clearing hooks) ಮುಖವನ್ನು ಸೆರೆಹಿಡಿಯುವ ಅಥವಾ ಪ್ರೊಸೆಸ್ ಮಾಡುವ ಪ್ರತಿಯೊಂದು ಮಾಡ್ಯೂಲ್ ಕೂಡ, ಕಚ್ಚಾ ಚಿತ್ರಗಳು (raw images), ಫೀಚರ್ ವೆಕ್ಟರ್‌ಗಳು ಮತ್ತು ಯಾವುದೇ ಉತ್ಪನ್ನ ದತ್ತಾಂಶಗಳು (derived data) ಅಗತ್ಯವಿಲ್ಲದ ತಕ್ಷಣ ಅವುಗಳನ್ನು ಅಳಿಸಲು ಅಂತರ್ಗತ ಕಾರ್ಯವನ್ನು (built-in function) ಹೊಂದಿರಬೇಕು.
ವಿವರವಾದ ಆಡಿಟ್ ಲಾಗ್‌ಗಳು (Granular audit logs) ಯಾರು, ಯಾವಾಗ ಮತ್ತು ಯಾವ ಉದ್ದೇಶಕ್ಕಾಗಿ ಯಾವ ಬಯೋಮೆಟ್ರಿಕ್ ದಾಖಲೆಯನ್ನು ಪ್ರವೇಶಿಸಿದರು ಎಂಬುದನ್ನು, ಮತ್ತು ಮ್ಯಾಚ್‌ಗೆ ಕಾರಣವಾದ ಅಲ್ಗಾರಿದಮಿಕ್ ನಿರ್ಧಾರದವರೆಗೆ ವ್ಯವಸ್ಥೆಗಳು ದಾಖಲಿಸಬೇಕು.
ಅನಿಯಮಿತ ಸಂಗ್ರಹಣೆ ಇಲ್ಲ (No indefinite storage) ಬಯೋಮೆಟ್ರಿಕ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಶಾಶ್ವತವಾಗಿ ಇರಲು ಸಾಧ್ಯವಿಲ್ಲ. ದತ್ತಾಂಶ ಸಂರಕ್ಷಣಾ ನೀತಿಗಳು ನಿಖರವಾದ ಅಳಿಸುವ ಸಮಯವನ್ನು (deletion windows) ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು (automatic purge) ಪ್ರಾರಂಭಿಸಬೇಕು.
ವಿವರಿಸಬಹುದಾದ ಗಣಿತ (Explainable math) ತಂಡಗಳು ಸಾಮ್ಯತಾ ಮಿತಿಯನ್ನು (similarity thresholds), ಮುಖಗಳ ಗಣಿತದ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ("vectorization logic"), ಮತ್ತು ಫಾಲ್ಸ್ ಅಕ್ಸೆಪ್ಟೆನ್ಸ್ ರೇಟ್ (False Acceptance Rate - ಅಂದರೆ ಒಬ್ಬ ನಕಲಿ ವ್ಯಕ್ತಿಯನ್ನು ತಪ್ಪಾಗಿ ಒಪ್ಪಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆ) ಅನ್ನು ದಾಖಲಿಸಬೇಕು.
ಸಂಗ್ರಹಣಾ ಪೂರ್ವ ಗೌಪ್ಯತಾ ಮೌಲ್ಯಮಾಪನ (Pre-collection privacy assessment) ಯಾವುದೇ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯುವ ಮೊದಲು, ಔಪಚಾರಿಕ ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ ಅನುಮೋದಿಸಬೇಕು ಮತ್ತು CI/CD ಪೈಪ್‌ಲೈನ್‌ಗೆ ಗೌಪ್ಯತಾ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಸಂಯೋಜಿಸಬೇಕು.
ಸಮ್ಮತಿ ಪ್ರಕ್ರಿಯೆಗಳು (Consent flows) ಸ್ಪಷ್ಟವಾದ, ಬಳಕೆದಾರರ ಒಪ್ಪಿಗೆ ಪಡೆಯುವ (opt-in) ಕಾರ್ಯವಿಧಾನಗಳು ಅಗತ್ಯವಾಗಿವೆ, ಮತ್ತು ಬಳಕೆದಾರರ ಅನುಮತಿಯ ದಾಖಲೆಗಳನ್ನು ಬಯೋಮೆಟ್ರಿಕ್ ದತ್ತಾಂಶದೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಬೇಕು.

ಈ ಬದಲಾವಣೆಗಳು ಕೇವಲ ಒಂದು ಬಾರಿಯ ಆಡಿಟ್ ಚೆಕ್‌ಲಿಸ್ಟ್‌ಗೆ ಸೀಮಿತವಾಗಿಲ್ಲ. ಇವು ಮಾಡೆಲ್ ತರಬೇತಿಯಿಂದ ಹಿಡಿದು ನಿಯೋಜನೆ (deployment) ಮತ್ತು ಅಂತಿಮವಾಗಿ ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವವರೆಗೆ (decommissioning), ಅಭಿವೃದ್ಧಿಯ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಗೌಪ್ಯತಾ ಪರಿಗಣನೆಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತವೆ.