Meta 50 ദശലക്ഷം ഫോണുകളിൽ പെന്റഗൺ ഫേസ് സ്കാനിംഗ് സാങ്കേതികവിദ്യ വിന്യസിച്ചു
Meta അടുത്തിടെ തങ്ങളുടെ സ്മാർട്ട് ഗ്ലാസ്സ് ഇക്കോസിസ്റ്റത്തിൽ ബയോമെട്രിക് കോഡ് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. പെന്റഗണുമായി ബന്ധപ്പെട്ട ഒരു സപ്ലയറിൽ നിന്നാണ് ഈ കോഡ് ലഭിച്ചത്. കമ്പ്യൂട്ടർ വിഷനിൽ (computer vision) വലിയൊരു മാറ്റമാണ് ഈ നീക്കം സൂചിപ്പിക്കുന്നത്.
മിലിട്ടറി നിലവാരത്തിലുള്ള ഫേഷ്യൽ അനാലിസിസ് (facial analysis) ഇപ്പോൾ ഉപഭോക്താക്കളുടെ ഉപകരണങ്ങളിൽ പ്രവർത്തിപ്പിക്കാൻ പാകത്തിൽ ചെറുതായിട്ടുണ്ട്. ഒരു ലളിതമായ ആപ്പ് അപ്ഡേറ്റ് വഴിയാണ് Meta ഇത് നടപ്പിലാക്കിയത്.
ഡെവലപ്പർമാർക്കുള്ള സാങ്കേതിക വിവരങ്ങൾ:
- ആപ്പ് അപ്ഡേറ്റുകൾ വഴി മൊബൈൽ ഉപകരണങ്ങളിൽ ഇപ്പോൾ ഫേഷ്യൽ കമ്പാരിസൺ (facial comparison) സാധ്യമാണ്.
- 'one-to-many matching'-നായുള്ള അൽഗോരിതങ്ങൾ ഇപ്പോൾ അതീവ കാര്യക്ഷമമാണ്.
- എഡ്ജ് കമ്പ്യൂട്ടിംഗ് (Edge computing) തൽക്ഷണ തിരിച്ചറിയൽ സാധ്യമാക്കുന്നു.
- Neural Processing Unit പോലുള്ള ഹാർഡ്വെയറുകൾ കഠിനമായ ജോലികൾ കൈകാര്യം ചെയ്യുന്നു.
- ക്ലൗഡ് സെർവറുകൾ ഒഴിവാക്കുന്നതിലൂടെ ഇത് ലേറ്റൻസി (latency) കുറയ്ക്കുന്നു.
ഫേഷ്യൽ റെക്കഗ്നിഷനും (facial recognition) ഫേഷ്യൽ കമ്പാരിസണും (facial comparison) തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്. റെക്കഗ്നിഷൻ എന്നത് ഐഡന്റിറ്റി കണ്ടെത്തുന്നതിനായി ജനക്കൂട്ടത്തെ സ്കാൻ ചെയ്യുന്നതാണ്. കമ്പാരിസൺ എന്നത് രണ്ട് പ്രത്യേക ചിത്രങ്ങൾ തമ്മിൽ ഒത്തുനോക്കി അവ യോജിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുന്നതാണ്.
മാനുവൽ അനാലിസിസിൽ നിന്ന് അംബിയന്റ് ഐഡന്റിഫിക്കേഷനിലേക്ക് (ambient identification) Meta മാറി. ഇത് ഡെവലപ്പർമാർക്ക് ഒരു 'ബ്ലാക്ക് ബോക്സ്' അവസ്ഥ സൃഷ്ടിക്കുന്നു. ബയോമെട്രിക് ലൈബ്രറികൾ കൺസ്യൂമർ SDK-കൾക്കുള്ളിൽ ഒളിഞ്ഞിരിക്കുകയാണെങ്കിൽ, സുതാര്യത ഇല്ലാതാകും.
അന്വേഷകർക്ക് ഉപയോഗിക്കുന്ന പ്രൊഫഷണൽ ടൂളുകൾക്ക് ഉയർന്ന കൃത്യത ആവശ്യമാണ്. കൺസ്യൂമർ ടൂളുകളിൽ പലപ്പോഴും ഉയർന്ന 'ഫോൾസ് പോസിറ്റീവ്' (false-positive) നിരക്കുണ്ടാകാറുണ്ട്. ഇത്തരം പിശകുകൾ കോടതികളിൽ നിലനിൽക്കില്ല.
പ്രൊഫഷണൽ സോഫ്റ്റ്വെയറുകൾ താഴെ പറയുന്നവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു:
- കൃത്യമായ യൂക്ലിഡിയൻ ഡിസ്റ്റൻസ് അനാലിസിസ് (Euclidean distance analysis).
- പരിശോധിക്കാവുന്ന സൈഡ്-ബൈ-സൈഡ് ഡാറ്റ.
- കേസ് സ്റ്റഡികൾക്കായി നിയന്ത്രിത സാഹചര്യങ്ങൾ.
- നിയമപാലകർക്കായി കൃത്യമായ റിപ്പോർട്ടിംഗ്.
നിങ്ങൾ കമ്പ്യൂട്ടർ വിഷൻ പ്രോജക്റ്റുകൾ നിർമ്മിക്കുമ്പോൾ ഒരു തിരഞ്ഞെടുപ്പിനെ നേരിടേണ്ടി വരും. നിങ്ങൾക്ക് ഒളിഞ്ഞിരിക്കുന്ന ഓട്ടോമേഷനായുള്ള ടൂളുകൾ നിർമ്മിക്കാം. അല്ലെങ്കിൽ കൃത്യതയ്ക്കും ധാർമ്മികമായ സമ്മതത്തിനും (ethical consent) മുൻഗണന നൽകുന്ന ടൂളുകൾ നിർമ്മിക്കാം.
ഡാറ്റാ സമ്മതത്തിന്റെ ആവശ്യകതയും എഡ്ജ് കമ്പ്യൂട്ടിംഗ് വേഗതയും നിങ്ങൾ എങ്ങനെ സന്തുലിതമാക്കും?
Optional learning community: https://t.me/GyaanSetuAi