عنوان: آپ کا چہرہ پاس ورڈ نہیں ہے

فلپائن کا نیشنل پرائیویسی کمیشن ایک ایسا خطرہ پر مبنی فریم ورک (risk-based framework) متعارف کروا چکا ہے جو بایومیٹرک ڈیٹا کے جمع کرنے اور اس کے استعمال کو منظم کرتا ہے، جس سے چہرے کی شناخت کرنے والے نظام (facial-recognition systems) فوری ریگولیٹری نگرانی کے دائرے میں آ گئے ہیں۔ وہ ڈیولپرز جو ایسا سافٹ ویئر بناتے ہیں جو چہروں کو اسکین، اسٹور یا موازنہ کرتا ہے، انہیں اب اپنے پائپ لائنز کو دوبارہ ڈیزائن کرنا، آڈٹ ٹریلز کو سخت کرنا اور ڈیٹا برقرار رکھنے کی پالیسیوں کو دوبارہ لکھنا ہوگا۔

یہ تبدیلی کیوں اہم ہے

اب تک، فلپائن میں پرائیویسی امپیکٹ اسیسمنٹ محض ایک چیک لسٹ کی مشق ہوتی تھی—ایک فارم بھریں، منظوری لیں اور آگے بڑھ جائیں۔ نیا فریم ورک بایومیٹرک ڈیٹا کو تعریف کے مطابق "زیادہ خطرے" (high-risk) کے طور پر لیبل کرتا ہے، خاص طور پر جب یہ ہجوم میں لوگوں کی شناخت کرتا ہے۔ ایک لیک شدہ پاس ورڈ کو ری سیٹ کیا جا سکتا ہے؛ لیکن ایک کمپرومائزڈ فیشل ٹیمپلیٹ کو تبدیل نہیں کیا جا سکتا، جو کہ ایک مستقل سیکیورٹی ذمہ داری بن جاتا ہے۔ کمیشن کی ہدایات تنظیموں کو اس بات کا ثبوت دینے پر مجبور کرتی ہیں کہ تصاویر جمع کرنا شروع کرنے سے پہلے انہوں نے اس خطرے کو کم کر لیا ہے۔

چہرے کی شناخت بمقابلہ چہرے کا موازنہ

یہ قوانین فیشل AI کے دو عام استعمال کے درمیان ایک واضح لکیر کھینچتے ہیں:

  • چہرے کی شناخت (Facial recognition) – ہجوم کو اسکین کرنا اور ہر چہرے کا ایک بڑے ڈیٹا بیس سے موازنہ کرنا۔ یہ زیادہ خطرے والا کام ہے۔
  • چہرے کا موازنہ (Facial comparison) – دو مخصوص تصاویر کا آپس میں موازنہ کرنا، جیسے سیلفی کے ذریعے کوئی ڈیوائس کھولنا۔ یہ کم خطرے والا ہے اور آڈٹ کے دوران اس کا جواز پیش کرنا آسان ہے۔

ڈیولپرز کو کیا تبدیلیاں کرنی ہوں گی

ضرورت کوڈ بیس کے لیے اس کا کیا مطلب ہے
ڈیٹا کلیئرنگ ہکس (Data-clearing hooks) ہر ماڈیول جو چہرے کو کیپچر یا پراسیس کرتا ہے، اس میں ایک بلٹ ان فنکشن ہونا چاہیے جو خام تصاویر (raw images)، فیچر ویکٹرز اور کسی بھی حاصل شدہ ڈیٹا کو ضرورت ختم ہوتے ہی مٹا دے۔
تفصیلی آڈٹ لاگز (Granular audit logs) سسٹم کو یہ ریکارڈ کرنا چاہیے کہ کس نے، کب اور کس مقصد کے لیے کس بایومیٹرک ریکارڈ تک رسائی حاصل کی، یہاں تک کہ اس الگورتھمک فیصلے تک جس کی وجہ سے میچ ملا۔
غیر معینہ مدت تک اسٹوریج نہیں بایومیٹرک ٹیمپلیٹس ہمیشہ کے لیے ڈیٹا بیس میں نہیں رہ سکتے۔ ڈیٹا برقرار رکھنے کی پالیسیوں میں ڈیٹا حذف کرنے کے درست اوقات متعین ہونے چاہئیں اور خودکار طریقے سے ڈیٹا صاف کرنے (purge) کا عمل شروع ہونا چاہیے۔
قابل فہم ریاضی (Explainable math) ٹیموں کو مماثلت کی حد (similarity thresholds)، چہروں کی ریاضیاتی نمائندگی ("vectorization logic")، اور غلط قبولیت کی شرح (False Acceptance Rate - یعنی کسی دھوکے باز کے غلطی سے قبول ہو جانے کا امکان) کو دستاویزی شکل دینی چاہیے۔
ڈیٹا جمع کرنے سے پہلے کی پرائیویسی اسیسمنٹ کسی بھی تصویر کو کیپچر کرنے سے پہلے، ایک رسمی خطرے کا اندازہ (risk assessment) مکمل اور منظور شدہ ہونا چاہیے، اور پرائیویسی انجینئرنگ کو CI/CD پائپ لائن میں شامل کیا جانا چاہیے۔
رضامندی کے طریقے (Consent flows) واضح، 'آپشنل' (opt-in) طریقہ کار ضروری ہے، جس میں صارف کی اجازت کا ریکارڈ بایومیٹرک ڈیٹا کے ساتھ محفوظ کیا جائے۔

یہ تبدیلیاں محض ایک بار کے آڈٹ چیک لسٹ سے کہیں زیادہ ہیں۔ ان کے لیے ضروری ہے کہ پرائیویسی کے تحفظ کو ترقی کے ہر مرحلے میں شامل کیا جائے، ماڈل کی تربیت (model training) سے لے کر تعیناتی (deployment) اور بالآخر اسے ختم کرنے (decommissioning) تک۔