NIST نے حال ہی میں ٹیٹو کی شناخت کرنے والے سافٹ ویئر کا ایک بڑے پیمانے پر تجربہ مکمل کیا ہے، جس میں 100,000 ٹیٹو تصاویر کے ڈیٹا بیس کے مقابلے میں 12 الگورتھم کا استعمال کیا گیا۔ ایجنسی کا کہنا ہے کہ یہ نتائج اس ٹیکنالوجی کو محض شوقیہ سطح کی ٹیگ تلاش سے فرانزک معیار کے بصری ملاپ (visual matching) کی طرف لے جاتے ہیں، جس سے کمپیوٹر ویژن انجینئرز کو اپنے پائپ لائنز اور یوزر انٹرفیس کو دوبارہ ڈیزائن کرنے پر مجبور ہونا پڑے گا۔

کلیدی الفاظ سے لکیروں تک

برسوں سے، عوامی سطح پر دستیاب ٹیٹو تلاش کرنے والے ٹولز سادہ ٹیکسٹ ٹیگز پر انحصار کرتے تھے—جیسے "نیلی سیاہی" (blue ink)، "ڈریگن" (dragon)، یا "کمپاس" (compass)۔ یہ ٹیگز صرف اس وقت کام کرتے ہیں جب اپ لوڈ کرنے والا وہی الفاظ استعمال کرے جو تلاش کرنے والا کر رہا ہو۔ یہ عدم تسلسل کلیدی الفاظ کی تلاش کو قانون نافذ کرنے والے اداروں یا عدالت کے کاموں کے لیے ناقابل بھروسہ بنا دیتا ہے، جہاں شواہد کا قابلِ اعادہ (reproducible) ہونا ضروری ہے۔

NIST کا یہ جائزہ ہر ٹیٹو کو ایک بائیومیٹرک پیٹرن کے طور پر لیتا ہے، بالکل ایک انگلی کے نشان (fingerprint) کی طرح۔ الفاظ کے ملاپ کو تلاش کرنے کے بجائے، الگورتھم لکیروں کے خم (curvature)، رنگوں کے اتار چڑھاؤ (color gradients)، اور مجموعی شکل کا تجزیہ کرتے ہیں، جس سے ہر ٹیٹو ایک ہائی ڈائمنشنل ویکٹر (high-dimensional vector) میں تبدیل ہو جاتا ہے۔ دو ویکٹرز کا موازنہ کرنے سے ایک ایسی مماثلت کا اسکور (similarity score) حاصل ہوتا ہے جو روشنی، زاویے، یا جلد کی حالت میں تبدیلی کے باوجود برقرار رہتا ہے۔

ٹیٹو چہروں کے مقابلے میں زیادہ مشکل کیوں ہیں

چہرے کی شناخت (facial recognition) کو مستحکم نشانات (landmarks)—جیسے آنکھیں، ناک، اور منہ—سے فائدہ ملتا ہے جو تصاویر میں تقریباً ایک جیسے رہتے ہیں۔ ٹیٹو میں ایسے کوئی مستقل نکات نہیں ہوتے۔ جب کوئی شخص حرکت کرتا ہے تو پٹھے سیاہی کو کھینچ دیتے ہیں، اور عمر یا وزن میں تبدیلی کے ساتھ جلد کی ساخت بھی بدل جاتی ہے۔ ایک ایسا الگورتھم جو صاف اور سامنے سے لی گئی تصویر پر اچھا اسکور کرتا ہے، وہ اس وقت ناکام ہو سکتا ہے جب وہی ٹیٹو مدھم روشنی میں سائیڈ پروفائل (side profile) میں نظر آئے۔

NIST کے 100,000 تصاویر کے ٹیسٹ نے اس کمزوری کو بے نقاب کیا۔ 12 میں سے بہت سے الگورتھم نے چند ہزار منتخب کردہ تصاویر پر مناسب کارکردگی دکھائی، لیکن جب ان کا سامنا شیر، کھوپڑی، یا کمپاس روز جیسے عام ڈیزائنز سے ہوا جو ڈیٹا سیٹ میں ہزاروں مختلف شکلوں میں موجود ہیں، تو ان کی درستگی نمایاں طور پر گر گئی۔

ڈویلپرز کو کن چیزوں میں تبدیلی کی ضرورت ہے

  • دوہرے فیصلوں (binary decisions) کو ترک کریں۔ اب "ہاں/ناں" کی صورت میں ملاپ بتانا حقیقت پسندانہ نہیں ہے۔ سسٹمز کو امیدواروں کی ایک درجہ بندی شدہ فہرست (ranked list) فراہم کرنی چاہیے، جس میں سے ہر ایک کا واضح مماثلت اسکور (similarity score) ہو۔
  • انسان کو حتمی فیصلہ ساز بنائیں۔ سافٹ ویئر امکانات کو محدود کر سکتا ہے، لیکن کسی بھی قانونی نتیجے پر پہنچنے سے پہلے ایک تربیت یافتہ تجزیہ کار کو ملاپ کی تصدیق کرنی چاہیے۔
  • وضاحت کی صلاحیت (explainability) کو ترجیح دیں۔ عدالت میں، استغاثہ کو یہ دکھانا ہوگا کہ الگورتھم کس طرح اپنے منتخب کردہ امیدواروں تک پہنچا۔ سادہ بصری اوورلے (visual overlays) جو مماثل لکیروں یا رنگوں کے حصوں کو نمایاں کرتے ہیں، اس ذمہ داری کو پورا کرنے میں مدد دیتے ہیں۔
  • اعتماد کے لیے متوازن UI ڈیزائن کریں۔ ایسے انٹرفیس جو صرف ایک واحد "ملاپ" (match) بٹن دکھاتے ہیں، ضرورت سے زیادہ انحصار کی حوصلہ افزائی کرتے ہیں۔ ڈیش بورڈز کو مکمل اسکور کی تقسیم دکھانی چاہیے، صارفین کو تھریش ہولڈ (thresholds) ایڈجسٹ کرنے کی اجازت دینی چاہیے، اور اعتماد کی سطح کو واضح طور پر لیبل کرنا چاہیے۔

فرانزک کمیونٹی کے لیے اہمیت

اگر ٹیٹو کے ملاپ کو انگلی کے نشان یا ڈی این اے پروفائل کی طرح اسی سختی کے ساتھ پیش کیا جا سکے، تو تفتیش کاروں کو ان کیسز میں ایک طاقتور نیا سراغ مل سکتا ہے جہاں مشتبہ شخص کا باڈی آرٹ ہی اس کی پہچان کا واحد ذریعہ ہو۔ اس کا فائدہ یہ ہے کہ کولڈ کیسز (cold-case) کے جائزے اور لاپتہ افراد کی تحقیقات کے لیے شواہد کا ایک وسیع ٹول کٹ دستیاب ہو جائے گا۔

اس کا نقصان غلط اعتماد کا خطرہ ہے۔ NIST کے ٹرائل میں بہترین کارکردگی دکھانے والا الگورتھم بھی کچھ فیصد کیسز میں غیر مماثل ٹیٹو کو ٹاپ امیدوار کے طور پر غلط طور پر شناخت کرتا رہا۔ ٹیکنالوجی کی بھروسہ مندی کو بڑھا چڑھا کر پیش کرنے سے غلط الزامات لگ سکتے ہیں، خاص طور پر جب جیوری کے ارکان بصری مماثلت کے اسکورز سے ناواقف ہوں۔

ایک دوسرا پہلو: موجودہ ٹیکنالوجی کی حدود

نقاد دلیل دیتے ہیں کہ ٹیٹو اپنی نوعیت سے ہی متغیر ہوتے ہیں اور کوئی بھی الگورتھم کبھی بھی ڈی این اے تجزیہ جیسی یقین دہانی حاصل نہیں کر سکتا۔ وہ اس بات کی نشاندہی کرتے ہیں کہ بہت سے ٹیٹو اسٹائلائزڈ ہوتے ہیں، غیر ملکی رسم الخط میں تحریر رکھتے ہیں، یا کپڑوں سے جزوی طور پر چھپے ہوتے ہیں، یہ سب ملاپ کی کارکردگی کو کم کر دیتے ہیں۔ جب تک غلط مثبت شرح (false-positive rate) مستحکم بائیومیٹرکس کے برابر سطح تک نہیں گر جاتی، عدالتیں ٹیٹو کے شواہد کو بلا جھجھک قبول کرنے میں ہچکچاہٹ کا شکار رہ سکتی ہیں۔

آگے کیا دیکھنے کو ملے گا

NIST کا منصوبہ ہے کہ وہ آزمودہ 12 سسٹمز میں سے ہر ایک کے لیے تفصیلی کارکردگی کے پیمانے جاری کرے، تاکہ ڈویلپرز اپنے پائپ لائنز کا عوامی معیار کے ساتھ موازنہ کر سکیں۔ ایجنسی نے ایک اگلے مرحلے کا بھی اشارہ دیا ہے جس میں لائیو کیپچر (live-capture) کے منظرنامے—یعنی ساکن تصاویر کے بجائے ویڈیوز—شامل ہوں گے تاکہ یہ دیکھا جا سکے کہ الگورتھم موشن بلر (motion blur) اور ریئل ٹائم ڈسٹورشن (real-time distortion) سے کتنی بہتر طریقے سے نمٹتے ہیں۔

کمپیوٹر ویژن ٹولز بنانے والے کسی بھی شخص کے لیے سبق واضح ہے: ٹیٹو کی شناخت محض ایک نیا فیچر نہیں بلکہ ایک فرانزک آلے کے طور پر ابھر رہی ہے، اور اس تبدیلی کے لیے ریاضیاتی درستگی اور نتائج کو انسانی صارفین کے سامنے پیش کرنے کے طریقے، دونوں میں سختی درکار ہے۔