Even Top Tattoo AI Misidentifies Cases, Raising False-Positive Fears in Courts

NIST 100,000 ടാറ്റൂ ചിത്രങ്ങൾ അടങ്ങിയ ഒരു ഡാറ്റാബേസിനെതിരെ 12 അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ടാറ്റൂ തിരിച്ചറിയുന്ന സോഫ്റ്റ്‌വെയറിന്റെ വൻതോതിലുള്ള പരീക്ഷണം പൂർത്തിയാക്കി. ഈ സാങ്കേതികവിദ്യ വെറുമൊരു വിനോദപരമായ തിരച്ചിലിൽ നിന്ന് ഫോറൻസിക് നിലവാരമുള്ള വിഷ്വൽ മാച്ചിംഗിലേക്ക് മാറുന്നതായും, ഇത് കമ്പ്യൂട്ടർ വിഷൻ എഞ്ചിനീയർമാരെ അവരുടെ പൈപ്പ്‌ലൈനുകളും യൂസർ ഇന്റർഫേസുകളും പുനർരൂപകൽപ്പന ചെയ്യാൻ പ്രേരിപ്പിക്കുന്നുവെന്നും ഏജൻസി പറയുന്നു.

കീവേഡുകളിൽ നിന്ന് വക്രതകളിലേക്ക്

വർഷങ്ങളായി, പൊതുജനങ്ങൾക്ക് ലഭ്യമായ ടാറ്റൂ സെർച്ച് ടൂളുകൾ "നീല മഷി" (blue ink), "ഡ്രാഗൺ" (dragon), "കോമ്പസ്" (compass) എന്നിങ്ങനെയുള്ള ലളിതമായ ടെക്സ്റ്റ് ടാഗുകളെയാണ് ആശ്രയിച്ചിരുന്നത്. അപ്‌ലോഡ് ചെയ്ത വ്യക്തിയും തിരയുന്ന വ്യക്തിയും ഒരേ പദപ്രയോഗങ്ങൾ ഉപയോഗിക്കുമ്പോൾ മാത്രമേ ഈ ടാഗുകൾ ഫലപ്രദമാകൂ. തെളിവുകൾ കൃത്യമായി വീണ്ടും നിർമ്മിക്കപ്പെടേണ്ട നിയമപാലനത്തിലോ കോടതി നടപടികളിലോ കീവേഡ് സെർച്ച് വിശ്വസനീയമല്ല എന്നതിലേക്ക് ഈ അസ്ഥിരത നയിക്കുന്നു.

NIST മൂല്യനിർണ്ണയം ഓരോ ടാറ്റൂയെയും ഒരു വിരലടയാളം പോലെ ഒരു ബയോമെട്രിക് പാറ്റേൺ ആയി പരിഗണിക്കുന്നു. ഒരു വാക്ക് മാച്ച് ആകുന്നുണ്ടോ എന്ന് നോക്കുന്നതിന് പകരം, അൽഗോരിതങ്ങൾ വരികളുടെ വക്രത (line curvature), നിറ വ്യതിയാനങ്ങൾ (color gradients), മൊത്തത്തിലുള്ള ആകൃതി എന്നിവ വിശകലനം ചെയ്യുകയും ഓരോ ടാറ്റൂയെയും ഒരു ഹൈ-ഡൈമൻഷണൽ വെക്റ്ററായി (high-dimensional vector) മാറ്റുകയും ചെയ്യുന്നു. രണ്ട് വെക്റ്ററുകൾ തമ്മിൽ താരതമ്യം ചെയ്യുമ്പോൾ ലഭിക്കുന്ന സമാനതാ സ്കോർ (similarity score), വെളിച്ചത്തിലോ ആംഗിളിലോ ചർമ്മത്തിന്റെ അവസ്ഥയിലോ വരുന്ന മാറ്റങ്ങളെ പ്രതിരോധിച്ചുകൊണ്ട് കൃത്യത നൽകുന്നു.

മുഖത്തേക്കാൾ ടാറ്റൂകൾ തിരിച്ചറിയാൻ പ്രയാസമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

മുഖം തിരിച്ചറിയുന്ന സാങ്കേതികവിദ്യയ്ക്ക് കണ്ണുകൾ, മൂക്ക്, വായ എന്നിങ്ങനെ ചിത്രങ്ങളിൽ ഏകദേശം ഒരേപോലെ നിലനിൽക്കുന്ന സ്ഥിരമായ ലാൻഡ്‌മാർക്കുകൾ (landmarks) ഉണ്ട്. എന്നാൽ ടാറ്റൂകൾക്ക് ഇത്തരം സ്ഥിരമായ പോയിന്റുകൾ ഇല്ല. ഒരാൾ ചലിക്കുമ്പോൾ പേശികൾ മഷി വലിച്ചുനീട്ടുകയും, പ്രായം അല്ലെങ്കിൽ ശരീരഭാരം മാറുന്നതിനനുസരിച്ച് ചർമ്മത്തിന്റെ ഘടന മാറുകയും ചെയ്യുന്നു. വൃത്തിയുള്ളതും നേർക്കുനേരമുള്ളതുമായ ഒരു ചിത്രത്തിൽ മികച്ച സ്കോർ നൽകുന്ന ഒരു അൽഗോരിതം, അതേ ടാറ്റൂ കുറഞ്ഞ വെളിച്ചത്തിൽ വശങ്ങളിൽ നിന്ന് കാണപ്പെടുമ്പോൾ പരാജയപ്പെട്ടേക്കാം.

NIST-ന്റെ 100,000 ചിത്രങ്ങൾ അടങ്ങിയ പരീക്ഷണം ഈ പോരായ്മ വെളിപ്പെടുത്തി. 12 അൽഗോരിതങ്ങളിൽ പലതും കുറച്ച് ആയിരം തിരഞ്ഞെടുത്ത ചിത്രങ്ങളിൽ മികച്ച പ്രകടനം കാഴ്ചവെച്ചെങ്കിലും, ഡാറ്റാസെറ്റിലുടനീളം ആയിരക്കണക്കിന് രൂപങ്ങളിൽ കാണപ്പെടുന്ന സിംഹങ്ങൾ, തലയോട്ടി (skulls), കോമ്പസ് റോസ് തുടങ്ങിയ സാധാരണ ഡിസൈനുകൾ വന്നപ്പോൾ അവയുടെ കൃത്യത ഗണ്യമായി കുറഞ്ഞു.

ഡെവലപ്പർമാർ എന്താണ് മാറ്റേണ്ടത്?

• ബൈനറി തീരുമാനങ്ങൾ ഒഴിവാക്കുക. "അതെ/അല്ല" എന്ന രീതിയിലുള്ള മാച്ചിംഗ് ഇനി പ്രായോഗികമല്ല. സിസ്റ്റങ്ങൾ ഓരോന്നിനും വ്യക്തമായ സമാനതാ സ്കോർ നൽകിക്കൊണ്ട് സ്ഥാനനിർണ്ണയം നടത്തിയ ഒരു പട്ടിക നൽകണം.
• മനുഷ്യനെ അന്തിമ തീരുമാനമെടുക്കുന്ന ആളാക്കുക. സോഫ്റ്റ്‌വെയറിന് സാധ്യതകൾ ചുരുക്കാൻ കഴിയും, എന്നാൽ ഒരു നിയമപരമായ നിഗമനത്തിൽ എത്തുന്നതിന് മുമ്പ് പരിശീലനം ലഭിച്ച ഒരു അനലിസ്റ്റ് ആ മാച്ചിംഗ് സ്ഥിരീകരിക്കണം.
• വിശദീകരിക്കാനുള്ള ശേഷിക്ക് (explainability) മുൻഗണന നൽകുക. ഒരു കോടതിയിൽ, അൽഗോരിതം എങ്ങനെയാണ് ഏറ്റവും അനുയോജ്യമായ ഉദ്യോഗാർത്ഥികളെ കണ്ടെത്തിയതെന്ന് പ്രോസിക്യൂഷൻ കാണിക്കേണ്ടതുണ്ട്. മാച്ച് ചെയ്യുന്ന വക്രതകളെയോ നിറങ്ങളെയോ ഹൈലൈറ്റ് ചെയ്യുന്ന ലളിതമായ വിഷ്വൽ ഓവർലേകൾ ഇതിന് സഹായിക്കും.
• വിശ്വസനീയമായ യൂസർ ഇന്റർഫേസുകൾ രൂപകൽപ്പന ചെയ്യുക. ഒരു സിംഗിൾ "മാച്ച്" ബട്ടൺ മാത്രം കാണിക്കുന്ന ഇന്റർഫേസുകൾ അമിതവിശ്വാസത്തിന് കാരണമാകും. ഡാഷ്‌ബോർഡുകൾ സ്കോർ വിതരണം കാണിക്കണം, ഉപയോക്താക്കൾക്ക് പരിധികൾ (thresholds) ക്രമീകരിക്കാൻ അനുവദിക്കണം, കൂടാതെ വിശ്വാസ്യതയുടെ അളവ് വ്യക്തമായി രേഖപ്പെടുത്തുകയും വേണം.

ഫോറൻസിക് കമ്മ്യൂണിറ്റിക്കുള്ള പ്രാധാന്യം

ഒരു ടാറ്റൂ മാച്ചിംഗ്, ഒരു വിരലടയാളമോ ഡിഎൻഎ പ്രൊഫൈലോ പോലെ കൃത്യതയോടെ അവതരിപ്പിക്കാൻ കഴിയുമെങ്കിൽ, സംശയിക്കുന്ന വ്യക്തിയുടെ ശരീരത്തിലെ ടാറ്റൂ മാത്രമാണ് തിരിച്ചറിയാൻ കഴിയുന്ന ഏക അടയാളമായ കേസുകളിൽ അന്വേഷകർക്ക് ശക്തമായ ഒരു പുതിയ വഴി खुलेക്കും. കോൾഡ് കേസ് (cold-case) പുനപരിശോധനകൾക്കും കാണാതായ ആളുകളെക്കുറിച്ചുള്ള അന്വേഷണങ്ങൾക്കും ഇത് വലിയ സഹായമാകും.

എന്നാൽ തെറ്റായ ആത്മവിശ്വാസം ഉണ്ടാകാനുള്ള അപകടസാധ്യതയും ഇതിനുണ്ട്. NIST പരീക്ഷണത്തിൽ മികച്ച പ്രകടനം കാഴ്ചവെച്ച അൽഗോരിതം പോലും, ചെറിയൊരു ശതമാനം കേസുകളിൽ മാച്ച് ചെയ്യാത്ത ടാറ്റൂവിനെ പ്രധാന ഉദ്യോഗാർത്ഥിയായി തെറ്റായി അടയാളപ്പെടുത്തിയിട്ടുണ്ട്. സാങ്കേതികവിദ്യയുടെ വിശ്വാസ്യതയെക്കുറിച്ച് അമിതമായി അവകാശപ്പെടുന്നത് തെറ്റായ ആരോപണങ്ങളിലേക്ക് നയിച്ചേക്കാം, പ്രത്യേകിച്ച് വിഷ്വൽ സമാനതാ സ്കോറുകളെക്കുറിച്ച് അറിവില്ലാത്ത ജൂറികൾക്ക് മുന്നിൽ.

തിരിച്ചടി: നിലവിലെ സാങ്കേതികവിദ്യയുടെ പരിമിതികൾ

ടാറ്റൂകൾ സ്വാഭാവികമായും മാറിക്കൊണ്ടിരിക്കുന്നവയാണെന്നും ഡിഎൻഎ വിശകലനത്തിന്റെ കൃത്യത ഒരു അൽഗോരിതത്തിനും ഒരിക്കലും കൈവരിക്കാൻ കഴിയില്ലെന്നും വിമർശകർ വാദിക്കുന്നു. പല ടാറ്റൂകളും ശൈലീബദ്ധമായവയാണെന്നും (stylized), വിദേശ ഭാഷകളിലുള്ള എഴുത്തുകൾ അടങ്ങിയവയാണെന്നും, അല്ലെങ്കിൽ വസ്ത്രങ്ങൾ കൊണ്ട് ഭാഗികമായി മറയ്ക്കപ്പെട്ടവയാണെന്നും അവർ ചൂണ്ടിക്കാട്ടുന്നു. ഇവയെല്ലാം മാച്ചിംഗ് പ്രകടനം കുറയ്ക്കുന്നു. തെറ്റായ പോസിറ്റീവ് നിരക്ക് (false-positive rate) നിലവിലുള്ള ബയോമെട്രിക്സുമായി താരതമ്യം ചെയ്യാവുന്ന നിലയിലേക്ക് എത്തുന്നതുവരെ, കോടതികൾ ടാറ്റൂ തെളിവുകളെ പൂർണ്ണമായി അംഗീകരിക്കാൻ മടിക്കக்கூടാം.

ഇനി എന്താണ് ശ്രദ്ധിക്കേണ്ടത്?

പരീക്ഷിച്ച 12 സിസ്റ്റങ്ങളുടെയും വിശദമായ പ്രകടന സൂചകങ്ങൾ (performance metrics) പുറത്തിറക്കാൻ NIST പദ്ധതിയിടുന്നു. ഇത് ഡെവലപ്പർമാർക്ക് അവരുടെ പൈപ്പ്‌ലൈനുകൾ പൊതു മാനദണ്ഡങ്ങളുമായി താരതമ്യം ചെയ്യാൻ സഹായിക്കും. ചലനങ്ങളുള്ള വീഡിയോകൾ ഉപയോഗിച്ച് (live-capture scenarios) അൽഗോരിതങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് പരിശോധിക്കുന്ന അടുത്ത ഘട്ടത്തെക്കുറിച്ചും ഏജൻസി സൂചന നൽകിയിട്ടുണ്ട്.

കമ്പ്യൂട്ടർ വിഷൻ ടൂളുകൾ നിർമ്മിക്കുന്നവർക്ക് സന്ദേശം വ്യക്തമാണ്: ടാറ്റൂ തിരിച്ചറിയൽ എന്നത് വെറുമൊരു പുതിയ ഫീച്ചറിൽ നിന്ന് ഒരു ഫോറൻസിക് ഉപകരണമായി മാറുകയാണ്. ഈ മാറ്റത്തിന് ഗണിതശാസ്ത്രത്തിലും ഫലങ്ങൾ ഉപയോക്താക്കൾക്ക് അവതരിപ്പിക്കുന്ന രീതിയിലും കണിശത ആവശ്യമാണ്.