உங்கள் முகம் ஒரு கடவுச்சொல் அல்ல

பிலிப்பைன்ஸ் நாட்டின் தேசிய தனியுரிமை ஆணையம் (National Privacy Commission), பயோமெட்ரிக் தரவைச் சேகரித்தல் மற்றும் பயன்படுத்துவதைக் கட்டுப்படுத்தும் ஒரு இடர் சார்ந்த கட்டமைப்பை (risk-based framework) அறிமுகப்படுத்தியுள்ளது. இது முக அங்கீகார அமைப்புகளை (facial-recognition systems) உடனடி ஒழுங்குமுறை ஆய்வுக்கு உட்படுத்தியுள்ளது. முகங்களை ஸ்கேன் செய்யும், சேமிக்கும் அல்லது ஒப்பிடும் மென்பொருள்களை உருவாக்கும் மென்பொருள் உருவாக்குநர்கள், இப்போது தங்கள் செயல்முறைத் தொடர்களை (pipelines) மறுவடிவமைப்பு செய்ய வேண்டும், தணிக்கைப் பதிவுகளை (audit trails) வலுப்படுத்த வேண்டும் மற்றும் தரவுத் தக்கவைப்பு கொள்கைகளை (data-retention policies) மீண்டும் எழுத வேண்டும்.

இந்த மாற்றம் ஏன் முக்கியமானது

இதுவரை, பிலிப்பைன்ஸில் தனியுரிமை தாக்க மதிப்பீடுகள் (privacy impact assessments) என்பது ஒரு சரிபார்ப்புப் பட்டியலைப் போன்ற செயல்பாடாக மட்டுமே இருந்தது—ஒரு படிவத்தைப் பூர்த்தி செய்து, ஒப்புதல் பெற்றுவிட்டு அடுத்த கட்டத்திற்குச் செல்வது போல இருந்தது. புதிய கட்டமைப்பு, பயோமெட்ரிக் தரவை இயல்பாகவே அதிக ஆபத்துடையதாகக் கருதுகிறது, குறிப்பாக கூட்டத்தில் உள்ள நபர்களை அடையாளம் காணும் போது இது அதிகம் பொருந்தும். கசிந்த ஒரு கடவுச்சொல்லை மீண்டும் மாற்றியமைக்க முடியும்; ஆனால், திருடப்பட்ட அல்லது பாதிப்படைந்த ஒரு முக வார்ப்புருவை (facial template) மாற்ற முடியாது, இது ஒரு நிரந்தரப் பாதுகாப்புப் பொறுப்பை உருவாக்குகிறது. தரவுகளைச் சேகரிக்கத் தொடங்குவதற்கு முன்பே, அந்த இடரைத் தணித்துள்ளார்கள் என்பதை நிரூபிக்க வேண்டிய கட்டாயத்தை ஆணையத்தின் வழிகாட்டுதல் நிறுவனங்களுக்கு விதிக்கிறது.

முக அங்கீகாரம் vs முக ஒப்பீடு

இந்த விதிகள் முக அங்கீகார AI-ன் இரண்டு பொதுவான பயன்பாடுகளுக்கு இடையே தெளிவான கோட்டை வரைகின்றன:

  • முக அங்கீகாரம் (Facial recognition) – ஒரு கூட்டத்தில் உள்ள ஒவ்வொரு முகத்தையும் ஒரு மிகப்பெரிய தரவுத்தளத்துடன் ஒப்பிட்டுப் பார்ப்பது. இது அதிக ஆபத்துடையது.
  • முக ஒப்பீடு (Facial comparison) – ஒரு செல்ஃபி மூலம் சாதனத்தைத் திறப்பது போன்ற இரண்டு குறிப்பிட்ட படங்களை ஒன்றுடன் ஒன்று ஒப்பிட்டுப் பார்ப்பது. இது குறைந்த ஆபத்துடையது மற்றும் தணிக்கையின் போது எளிதாக நியாயப்படுத்தக்கூடியது.

உருவாக்குநர்கள் எதை மாற்ற வேண்டும்

தேவை குறியீட்டுத் தொகுப்பிற்கு (codebase) இதன் பொருள் என்ன
தரவு நீக்க இணைப்புகள் (Data-clearing hooks) முகத்தைப் பதிவு செய்யும் அல்லது செயலாக்கும் ஒவ்வொரு தொகுதியும் (module), மூலப் படங்கள், அம்ச வெக்டர்கள் (feature vectors) மற்றும் பெறப்பட்ட தரவுகள் தேவைப்படாதவுடன் அவற்றை அழிப்பதற்கான ஒரு உள்ளமைக்கப்பட்ட செயல்பாட்டை (built-in function) கொண்டிருக்க வேண்டும்.
விரிவான தணிக்கைப் பதிவுகள் (Granular audit logs) யார், எந்த பயோமெட்ரிக் பதிவை, எப்போது மற்றும் எந்த நோக்கத்திற்காக அணுகினார்கள் என்பதைத் தொடங்கி, ஒரு பொருத்தம் (match) ஏற்பட வழிவகுத்த அல்காரிதமிக் முடிவு வரை அமைப்புகள் பதிவு செய்ய வேண்டும்.
காலவரையற்ற சேமிப்பு கூடாது (No indefinite storage) பயோமெட்ரிக் வார்ப்புருக்கள் (templates) ஒரு தரவுத்தளத்தில் என்றென்றும் இருக்க முடியாது. தரவுத் தக்கவைப்பு கொள்கைகள் துல்லியமான நீக்க கால அவகாசங்களை வரையறுக்க வேண்டும் மற்றும் தானியங்கி நீக்க முறையை (automatic purge) செயல்படுத்த வேண்டும்.
விளக்கக்கூடிய கணிதம் (Explainable math) குழுக்கள் ஒற்றுமை வரம்புகள் (similarity thresholds), முகங்களின் கணிதப் பிரதிநிதித்துவம் ("vectorization logic") மற்றும் தவறான ஏற்பு விகிதம் (False Acceptance Rate - ஒரு போலியாக இருப்பவரைத் தவறுதலாக ஏற்றுக்கொள்வதற்கான வாய்ப்பு) ஆகியவற்றை ஆவணப்படுத்த வேண்டும்.
சேகரிப்பிற்கு முந்தைய தனியுரிமை மதிப்பீடு (Pre-collection privacy assessment) எந்தப் படமும் எடுக்கப்படுவதற்கு முன்பு, முறையான இடர் மதிப்பீடு முடிக்கப்பட்டு அங்கீகரிக்கப்பட வேண்டும், மேலும் தனியுரிமைப் பொறியியலை (privacy engineering) CI/CD pipeline-உடன் ஒருங்கிணைக்க வேண்டும்.
ஒப்புதல் செயல்முறைகள் (Consent flows) தெளிவான, விருப்பத்தேர்வு (opt-in) வழிமுறைகள் தேவை, மேலும் பயனர் அனுமதியின் பதிவுகள் பயோமெட்ரிக் தரவோடு சேமிக்கப்பட வேண்டும்.

இந்த மாற்றங்கள் ஒருமுறை செய்யப்படும் தணிக்கைப் பட்டியலைத் தாண்டியது. மாதிரிப் பயிற்சி (model training) முதல் பயன்பாட்டுக்குக் கொண்டு வருதல் (deployment) மற்றும் இறுதியாகப் பயன்பாட்டிலிருந்து நீக்குதல் (decommissioning) வரை, வளர்ச்சியின் ஒவ்வொரு நிலையிலும் தனியுரிமை அம்சங்கள் ஒருங்கிணைக்கப்பட வேண்டும் என்பதை இவை கோருகின்றன.