Multi-input အသိအမှတ်ပြုမှု- မတူညီသော ဇီဝဗေဒဆိုင်ရာ အချက်အလက်များကို ပေါင်းစပ်ခြင်း။

• Author:
• စာရေးသူနာမည်

  Quantumrun Foresight
• ဖေဖေါ်ဝါရီလ 24, 2023

အရေပြားမျက်နှာပြင်အောက်ရှိ ထူးခြားသောလက္ခဏာရပ်များကို ရှာဖွေခြင်းသည် လူများကို ခွဲခြားသိမြင်နိုင်သော လိမ္မာပါးနပ်သောနည်းလမ်းတစ်ခုဖြစ်သည်။ ဆံပင်ပုံစံများနှင့် မျက်လုံးအရောင်များကို အလွယ်တကူ ပြောင်းလဲနိုင်သည် သို့မဟုတ် ဖုံးအုပ်ထားနိုင်သော်လည်း တစ်စုံတစ်ဦးသည် ၎င်းတို့၏ သွေးကြောဖွဲ့စည်းပုံကို ပြောင်းလဲရန် မဖြစ်နိုင်ပေ။ သက်ရှိလူသားများ လိုအပ်သောကြောင့် ဇီဝဗေဒဆိုင်ရာ စစ်မှန်ကြောင်းအထောက်အထားပြခြင်းသည် လုံခြုံရေးအလွှာကို ထပ်လောင်းပေးပါသည်။

Multi-input အသိအမှတ်ပြုမှုဆက်စပ်

Multimodal biometric စနစ်များကို ဒေတာဆူညံခြင်း သို့မဟုတ် အတုအယောင်ပြုလုပ်ခြင်းကဲ့သို့သော တူညီသောအားနည်းချက်များမရှိသောကြောင့် ၎င်းတို့တွင် တူညီသောအားနည်းချက်များမရှိသောကြောင့် လက်တွေ့အသုံးချမှုတွင် unimodal biometric စနစ်များကို ပိုမိုအသုံးပြုပါသည်။ သို့ရာတွင်၊ ဖော်ထုတ်ခြင်းအတွက် သတင်းအချက်အလက်အရင်းအမြစ်တစ်ခုတည်းကို အားကိုးသည့် စံနစ်တကျစနစ်များ (ဥပမာ၊ မျက်ဝန်း၊ မျက်နှာ) ကို အစိုးရနှင့် အရပ်ဘက်လုံခြုံရေးဆိုင်ရာ အပလီကေးရှင်းများတွင် ယုံကြည်စိတ်ချရပြီး ထိရောက်မှုမရှိဟု သိထားသော်လည်း လူကြိုက်များပါသည်။

အထောက်အထား စစ်မှန်ကြောင်း သက်သေပြခြင်းကို ပိုမိုလုံခြုံစေသည့် နည်းလမ်းမှာ ၎င်းတို့၏ တစ်ဦးချင်း ကန့်သတ်ချက်များကို ကျော်လွှားရန် ဤမတူညီသော စနစ်များကို ပေါင်းစပ်ထားသည်။ ထို့အပြင်၊ ဘက်စုံသုံးစနစ်များသည် သုံးစွဲသူများကို ပိုမိုထိရောက်စွာ စာရင်းသွင်းနိုင်ပြီး ခွင့်ပြုချက်မဲ့ဝင်ရောက်မှုကို ပိုမိုတိကျမှုနှင့် ခံနိုင်ရည်ရှိမှုကို ပေးစွမ်းနိုင်သည်။

University of Bradford ၏ 2017 လေ့လာမှုတစ်ခုအရ Multimodal biometric စနစ်တစ်ခုကို ဒီဇိုင်းဆွဲခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းသည် မကြာခဏ စိန်ခေါ်မှုဖြစ်ပြီး ရလဒ်ကို ကြီးမားစွာထိခိုက်စေနိုင်သည့် ပြဿနာများစွာကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။ ဤစိန်ခေါ်မှုများ၏ နမူနာများမှာ ကုန်ကျစရိတ်၊ တိကျမှု၊ ရရှိနိုင်သော ဇီဝဗေဒဆိုင်ရာ လက္ခဏာရပ်များနှင့် ပေါင်းစပ်ဗျူဟာကို အသုံးပြုထားသည်။ 

Multimodal စနစ်များအတွက် အရေးကြီးဆုံးပြဿနာမှာ မည်သည့် biometric လက္ခဏာများကို အထိရောက်ဆုံးဖြစ်မည်ကို ရွေးချယ်ခြင်းနှင့် ၎င်းတို့အား ပေါင်းစပ်ရန် ထိရောက်သောနည်းလမ်းကို ရှာဖွေခြင်းပင်ဖြစ်သည်။ multimodal biometric စနစ်များတွင်၊ စနစ်သည် ခွဲခြားသတ်မှတ်ခြင်းမုဒ်တွင် လုပ်ဆောင်နေပါက၊ အမျိုးအစားခွဲခွဲမှုတစ်ခုစီ၏ ရလဒ်ကို ယုံကြည်စိတ်ချမှုအဆင့်ဖြင့် စီထားသော ဖြစ်နိုင်သည့် ကိုက်ညီမှုအားလုံးကို ကိုယ်စားပြုသည့် စာရင်းတစ်ခုအဖြစ် စာရင်းသွင်းထားသော ကိုယ်စားလှယ်လောင်းများ၏ စာရင်းတစ်ခုအဖြစ် ရှုမြင်နိုင်ပါသည်။

အနှောင့်အယှက်ဖြစ်စေတယ်။

အစားထိုးဇီဝမက်ထရစ်များကို တိုင်းတာနိုင်သော မတူညီသောကိရိယာများကြောင့် ဘက်စုံထည့်သွင်းမှုကို အသိအမှတ်ပြုခြင်းမှာ လူကြိုက်များလာပါသည်။ ဤနည်းပညာများတိုးတက်လာသည်နှင့်အမျှ၊ သွေးပြန်ကြောများနှင့် မျက်ဝန်းပုံစံများကို ဖောက်ထွင်းဝင်ရောက်ခြင်း သို့မဟုတ် ခိုးယူခြင်းမပြုနိုင်သောကြောင့် အထောက်အထားများကို ပိုမိုလုံခြုံအောင်ပြုလုပ်နိုင်မည်ဖြစ်ပါသည်။ ကုမ္ပဏီအများအပြားနှင့် သုတေသနအဖွဲ့အစည်းများသည် အကြီးစားအသုံးချမှုအတွက် ဘက်စုံထည့်သွင်းသည့်ကိရိယာများကို တီထွင်နေပြီဖြစ်သည်။ 

ဥပမာတစ်ခုသည် သိပ္ပံနှင့်နည်းပညာတက္ကသိုလ်၏ National Taiwan University of the two-factor authentication system သည် အရိုးစု၏ topologies နှင့် finger vein ပုံစံများကို ကြည့်ရှုသည့် စနစ်ဖြစ်သည်။ Finger vein biometrics (vascular biometrics သို့မဟုတ် vein scanning) သည် လူတစ်ဦး၏လက်ချောင်းများတွင် ထူးခြားသောသွေးပြန်ကြောပုံစံများကို အသုံးပြု၍ ၎င်းတို့ကိုသိရှိနိုင်သည်။ သွေးတွင် ဟေမိုဂလိုဘင်ပါ၀င်သောကြောင့်၊ အနီအောက်ရောင်ခြည်အနီး သို့မဟုတ် မြင်နိုင်သောအလင်းရောင်နှင့် ထိတွေ့သောအခါတွင် မတူညီသောအရောင်များပြသသောကြောင့် ဤနည်းလမ်းကို ဖြစ်နိုင်သည်။ ရလဒ်အနေဖြင့်၊ ဇီဝမက်ထရစ်စာဖတ်သူသည် ၎င်းတို့ကို လုံခြုံသောဆာဗာတွင် မသိမ်းဆည်းမီ အသုံးပြုသူ၏ ထူးခြားသောသွေးပြန်ကြောပုံစံများကို စကန်ဖတ်ပြီး ဒစ်ဂျစ်တယ်စနစ်ဖြင့် ပြုလုပ်နိုင်သည်။

ဤအတောအတွင်း၊ ဆန်ဖရန်စစ္စကိုအခြေစိုက် Imageware သည် အထောက်အထားစိစစ်ခြင်းဆိုင်ရာရည်ရွယ်ချက်များအတွက် biometrics အများအပြားကို အသုံးပြုသည်။ ပလပ်ဖောင်းလုံခြုံရေးအတိုင်းအတာကို အကောင်အထည်ဖော်သည့်အခါ စီမံခန့်ခွဲသူများသည် ဇီဝတိုင်းတာမှုတစ်ခု သို့မဟုတ် ဇီဝဗေဒဆိုင်ရာပေါင်းစပ်မှုတစ်ခုကို ရွေးချယ်နိုင်သည်။ ဤဝန်ဆောင်မှုတွင်အသုံးပြုနိုင်သည့် ဇီဝတိုင်းတာမှုအမျိုးအစားများတွင် မျက်ဝန်းမှတ်မိခြင်း၊ မျက်နှာစကင်န်ဖတ်ခြင်း၊ အသံခွဲခြားသတ်မှတ်ခြင်း၊ လက်ဖဝါးသွေးပြန်ကြောစကင်နာများနှင့် လက်ဗွေဖတ်စက်များ ပါဝင်သည်။

ImageWare Systems ၏ multimodal biometrics ဖြင့် အသုံးပြုသူများသည် ၎င်းတို့၏ အထောက်အထားကို မည်သည့်နေရာနှင့်မဆို အခြေအနေအောက်တွင် စစ်မှန်ကြောင်း အထောက်အထားပြနိုင်သည်။ Federated Login ဆိုသည်မှာ အသုံးပြုသူများသည် ၎င်းတို့၏ အထောက်အထားကို တစ်ကြိမ်ဖန်တီးပြီး ၎င်းတို့နှင့်အတူ ရွေ့လျားနေသောကြောင့် လုပ်ငန်းတစ်ခုစီ သို့မဟုတ် ပလပ်ဖောင်းတစ်ခုစီအတွက် အထောက်အထားအသစ်များ ဖန်တီးရန် မလိုအပ်ပါ။ ထို့အပြင်၊ မတူညီသောပလပ်ဖောင်းများနှင့် အပြန်အလှန်သဟဇာတဖြစ်သော တစ်ခုတည်းသောအထောက်အထားများသည် ဒေတာဟက်ကာများကို ထိတွေ့မှုနည်းစေပါသည်။

Multi-input အသိအမှတ်ပြုခြင်း၏သက်ရောက်မှုများ

Multi-input အသိအမှတ်ပြုခြင်း၏ ကျယ်ပြန့်သောသက်ရောက်မှုများ ပါဝင်နိုင်သည်- 

• နိုင်ငံသားအများစုသည် သမားရိုးကျ စကားဝှက်များနှင့် ရုပ်ပိုင်းဆိုင်ရာ/ဒစ်ဂျစ်တယ်သော့များကို အစားထိုးရန်အတွက် နိုင်ငံသားအများစုသည် ၎င်းတို့၏ကိုယ်ရေးကိုယ်တာအချက်အလက်များကို လုံခြုံစေရန်အတွက် ဆိုက်ဘာလုံခြုံရေးစံနှုန်းများအတွက် လူဦးရေအတိုင်းအတာကို မြှင့်တင်ပေးပါသည်။
• အဆောက်အဦ လုံခြုံရေးနှင့် အရေးကြီးသော အများသူငှာနှင့် ပုဂ္ဂလိက ဒေတာများကို တိုးမြှင့်လုံခြုံရေး မြှင့်တင်မှုများကို တွေ့ကြုံနေရသည့် (ရေရှည်) ဝန်ထမ်းများသည် အရေးကြီးသော နေရာများနှင့် ဒေတာများကို ဝင်ရောက်ကြည့်ရှုနိုင်သောကြောင့် ဘက်စုံထည့်သွင်းသည့် အသိအမှတ်ပြုမှုစနစ်များကို အသုံးပြုရန် တာဝန်ပေးမည်ဖြစ်သည်။
• ဤမတူညီသော ဇီဝမက်ထရစ်အချက်အလက်ကို မှန်ကန်စွာ အဆင့်သတ်မှတ်ရန်နှင့် ခွဲခြားသတ်မှတ်ရန် နက်နဲသော အာရုံကြောကွန်ရက်များ (DNNs) ကို အသုံးပြုသည့် multi-input အသိအမှတ်ပြုမှုစနစ်များကို အသုံးပြုသည့်ကုမ္ပဏီများ။
• အသံ-၊ နှလုံး-နှင့် မျက်နှာပရင့်များအပါအဝင် ပေါင်းစပ်အမျိုးမျိုးဖြင့် ဘက်စုံအသိအမှတ်ပြုမှုစနစ်များကို တီထွင်ဖန်တီးရန် အာရုံစိုက်သည့် Startup များ။
• ၎င်းတို့ ဟက်ကာ သို့မဟုတ် အတုအယောင်များ မခံရစေရန် သေချာစေရန် ဤ biometric စာကြည့်တိုက်များ လုံခြုံစေရန်အတွက် ရင်းနှီးမြှုပ်နှံမှုများ တိုးလာပါသည်။
• လိမ်လည်မှုနှင့် အထောက်အထားခိုးယူမှုများအတွက် အစိုးရအေဂျင်စီများ၏ ဇီဝဗေဒဆိုင်ရာ အချက်အလက်များ၏ အလားအလာရှိသော အဖြစ်အပျက်များ။
• ဇီဝမက်ထရစ်အချက်အလက် မည်မျှစုဆောင်းသည်၊ ၎င်းကို သိမ်းဆည်းပုံနှင့် ၎င်းတို့အသုံးပြုသည့်အခါတွင် ကုမ္ပဏီများကို ပွင့်လင်းမြင်သာမှုရှိရန် Civic အဖွဲ့များက တောင်းဆိုထားသည်။

မှတ်ချက်ပေးရန်မေးခွန်းများ

• အကယ်၍ သင်သည် multimodal biometric အသိအမှတ်ပြုမှုစနစ်ကို စမ်းသုံးဖူးပါက၊ မည်မျှလွယ်ကူပြီး တိကျသနည်း။
• Multi-input recognition စနစ်များ၏ အခြားအလားအလာကောင်းများကား အဘယ်နည်း။