हा बदल का महत्त्वाचा आहे

भारत बऱ्याच काळापासून सिम-नोंदणी फसवणुकीशी (SIM-registration fraud) लढत आहे, जिथे फसवणूक, स्पॅम आणि बेकायदेशीर कृत्यांसाठी एकाच ओळखीचा वापर करून डझनभर किंवा शेकडो फोन नंबर मिळवले जातात. नोंदणीला अशा बायोमेट्रिकशी जोडल्यामुळे—ज्याची नक्कल करणे कठीण आहे, म्हणजेच व्यक्तीचा चेहरा—अधिकार्‍यांना मूळ स्तरावरच तात्पुरत्या नंबरचा पुरवठा कमी करण्याची आशा आहे.

याचे महत्त्व खूप मोठे आहे. सुरक्षा आणि कॉम्प्युटर-व्हिजन टूल्स विकसित करणाऱ्या डेव्हलपर्ससाठी, ASTR हे अब्जावधी नोंदींपर्यंत डेटाबेस वाढल्यावर फेशियल-मॅचिंग पाइपलाइन्स (facial-matching pipelines) किती चांगल्या प्रकारे काम करतात, याचे एक प्रत्यक्ष, राष्ट्रव्यापी परीक्षण आहे.

ASTR कसे कार्य करते

जेव्हा एखादा वापरकर्ता नवीन सिमसाठी अर्ज करतो, तेव्हा कॅमेरा चेहऱ्याचा एक फोटो घेतो, ज्याचे सिस्टम एका 'न्यूमेरिक वेक्टर'मध्ये (numeric vector) रूपांतर करते, ज्याला 'फेशियल एम्बेडिंग' (facial embedding) म्हणतात. त्यानंतर सिस्टम त्या एम्बेडिंगचा मध्यवर्ती रिपॉझिटरीमध्ये शोध घेते. जर तोच चेहरा असामान्यपणे मोठ्या संख्येने फोन नंबरशी जोडलेला आढळला, तर नोंदणीवर निशाणा (flag) लावला जातो किंवा ती ब्लॉक केली जाते. व्यवहारात हा वेक्टर 'प्रायमरी की' (primary key) प्रमाणे काम करतो: सिस्टम फक्त "ही व्यक्ती खरी आहे का?" असे विचारत नाही, तर "हा चेहरा आधीच सिस्टममध्ये इतरत्र अस्तित्वात आहे का?" असे विचारते.

कारण हा शोध जवळजवळ रिअल-टाइममध्ये होणे आवश्यक आहे, त्यामुळे बॅकएंड हाय-परफॉर्मन्स वेक्टर-सर्च इंजिन्सवर अवलंबून असते. Milvus सारखे ओपन-सोर्स प्रोजेक्ट्स किंवा Pinecone सारख्या व्यावसायिक सेवा नेमक्या याच पॅटर्नसाठी बनवल्या गेल्या आहेत: लाखो ते अब्जावधी हाय-डायमेंशनल वेक्टर्स साठवणे आणि मिलिसेकंदात जवळचे शेजारी (nearest neighbours) शोधणे.

डेव्हलपर्सनी कोणत्या गोष्टींकडे लक्ष दिले पाहिजे

  • जवळजवळ शून्य 'फॉल्स एक्सेप्टन्स' (False Acceptance). चुकीच्या मॅचमुळे (false match) बँकिंग, काम किंवा वैयक्तिक संवादासाठी आवश्यक असलेल्या फोन नंबरपासून कायदेशीर वापरकर्त्याला वंचित ठेवले जाऊ शकते. 'फॉल्स एक्सेप्टन्स रेट' (FAR) शून्याच्या जवळ ठेवण्यासाठी टीम्स 'डिसिजन थ्रेशोल्ड' (decision threshold) सेट करतात, जरी यामुळे 'फॉल्स-रिजेक्शन रेट' वाढला तरीही, जो ते दुय्यम तपासणीद्वारे कमी करू शकतात.
  • पडताळणीच्या लॉजिकमध्ये बदल. पारंपारिक KYC पाइपलाइन्स ओळखपत्रे पडताळतात. ASTR नंतर, मुख्य प्रश्न हा असेल की चेहऱ्याचा प्रोफाईल आधीच डेटाबेसमध्ये अस्तित्वात आहे का, ज्यामुळे चेहऱ्याची साम्यता (facial similarity) हे एक युनिक आयडेंटिफायर (unique identifier) बनते.
  • इन्फ्रास्ट्रक्चरवरील ताण. अब्जावधी वेक्टर्स विरुद्ध रिअल-टाइम मॅचिंगसाठी स्केलेबल स्टोरेज, GPU-अॅक्सिलरेटेड इंडेक्सिंग आणि कमी लॅटन्सीच्या (latency) हमीची आवश्यकता असते. ज्या टीम्सनी आतापर्यंत फक्त फेशियल डिटेक्शन किंवा लहान प्रमाणावरील पडताळणी वापरली आहे, त्यांना वेक्टर डेटाबेसचा वापर करावा लागेल आणि कदाचित असिंक्रोनस मॅचिंग रिझल्ट्स हाताळण्यासाठी त्यांच्या API कॉन्ट्रॅक्ट्सची पुनर्रचना करावी लागेल.

नाण्याला दुसरी बाजू

टीकाकारांचा असा इशारा आहे की बायोमेट्रिक सिस्टममध्ये चुका होऊ शकतात, विशेषतः असामान्य चेहऱ्याची ठेवण असलेल्या, खराब प्रकाश असलेल्या किंवा कमी दर्जाच्या कॅप्चर उपकरणांचा वापर करणाऱ्या लोकांसाठी. 'फॉल्स निगेटिव्ह' (false negative)—म्हणजेच खऱ्या वापरकर्त्याला नाकारणे—यामुळे लाखो लोक अत्यावश्यक सेवांपासून वंचित राहू शकतात.

पुढे काय

निष्कर्ष

ASTR चेहऱ्याला फोन नंबरसाठी 'डी-फॅक्टो की' (de-facto key) बनवते, ज्यामुळे संपूर्ण सुरक्षा इकोसिस्टमला चेहऱ्याची साम्यता हे प्राथमिक ओळखकर्ता (primary identifier) म्हणून स्वीकारण्यास भाग पाडले जाते. जे डेव्हलपर्स मोठ्या प्रमाणावर अतिशय अचूक आणि कमी लॅटन्सीसह वेक्टर सर्च देऊ शकतील, तेच भारताचे मोबाईल नेटवर्क वापरण्यायोग्य आणि सुरक्षित ठेवण्यास मदत करतील. दुसरी बाजू म्हणजे, चुकीच्या मॅचेसपासून संरक्षण करणे आणि देशव्यापी बायोमेट्रिक रिपॉझिटरी सुरक्षित ठेवण्याची वाढलेली जबाबदारी.