“Toda tecnología lo suficientemente avanzada es indistinguible de la magia”.

El famoso aforismo de Arthur C. Clarke ha gozado durante muchos años de absoluta vigencia entre la mayor parte de la sociedad en lo referente a las tecnologías de verificación biométrica de la identidad. Todos hemos contemplado con fascinación escenas en series y películas en las que se reconocía rápidamente a los criminales gracias a una imagen de una cámara de seguridad, una llamada de teléfono o una huella. En grandes pantallas táctiles se comparaban a toda velocidad perfiles biométricos hasta que llegaba la esperada coincidencia, y al final siempre la misma pregunta ¿es posible?.

Casi sin darnos cuenta hemos pasado a desbloquear el móvil con la huella dactilar, a abrir una cuenta bancaria con una imagen facial o a identificarnos a través de la voz y con ello la pregunta ha pasado a ser ¿cómo lo hacen?

 

¿Cómo funcionan las tecnologías de identificación biométrica?

Parece necesario por tanto tener conocimiento de los fundamentos y funcionamiento de las tecnologías de reconocimiento basadas en biometría que nos van a acompañar en el futuro para ser conscientes de las oportunidades que aportan y también de los eventuales riesgos que puede llevar asociado un uso no legítimo de los mismos.

Existe un principio básico aplicable a cualquier forma de verificación presente o futura: todo rasgo físico o de comportamiento susceptible de ser capturado y matematizado es firme candidato para ser utilizado en un proceso biométrico. Existen multitud de factores que son actualmente empleados: huella, cara, iris, voz, patrón vascular o ADN e incluso el análisis del comportamiento ante cierto tipo de situaciones como la firma, la marcha o los gestos.

pin   Una vez que cualquiera de los rasgos biométricos anteriormente descritos ha sido capturado con un dispositivo electrónico (una cámara, un micrófono, un sensor de huellas…) es posible extraer una serie de características que representen de la mejor manera posible a cada uno de ellos.

pin   Una vez que cualquiera de los rasgos biométricos anteriormente descritos ha sido capturado con un dispositivo electrónico (una cámara, un micrófono, un sensor de huellas…) es posible extraer una serie de características que representen de la mejor manera posible a cada uno de ellos.

Hasta la explosión reciente del aprendizaje profundo el proceso de elección y extracción de características era el pilar fundamental del éxito de los sistemas biométricos basados en aprendizaje automático, invirtiendo una gran parte del tiempo en la selección de características con dos exigencias fundamentales: deben representar al rasgo biométrico de manera unívoca y además propiciar la mayor separación posible entre individuos diferentes.

Cada tipo de aplicación concreta cuenta con sus propios requerimientos: si necesitamos diseñar un sistema que sea capaz de reconocer si una nota de voz pertenece a un hombre o una mujer la frecuencia fundamental jugará un papel importante gracias a su poder discriminativo (más alto en mujeres que en hombres), pero sin embargo si todas las muestras de voz son de hombres o de mujeres esta característica quedaría en un segundo plano a favor de otras más adecuadas.

Cuando hemos seleccionado las características que mejor representan cada rasgo biométrico, es momento de dar paso al proceso de aprendizaje automático.

Proceso de aprendizaje automático en la verificación biométrica de identidad

Este concepto ahora tan presente en nuestro día a día acoge a toda una serie de algoritmos cuyo propósito es inducir a las máquinas a tomar decisiones “inteligentes” ante problemas para los que no habían sido programadas de manera explícita: decidir si una nota de voz completamente nueva pertenece a un hombre o una mujer después de haber sido entrenada con cientos de notas de voz de personas diferentes.

De manera clásica los procesos de aprendizaje automático se han dividido en dos grandes grupos: supervisados y no supervisados:

  1. En el primer caso se entrena a la máquina con ejemplos etiquetados, es decir, se indica la salida deseada para cada caso de manera que sea posible establecer fronteras de decisión para cada clase.
  2. En el segundo es la propia máquina la que deberá buscar patrones de clasificación para establecer las fronteras.

Este ha sido a grandes rasgos el método empleado en los procesos de verificación biométrica hasta que hace aproximadamente cinco años todo cambió…

pin  El acceso a grandes bases de datos disponibles en internet y el abaratamiento y mejora de hardware para cálculo intensivo (GPUs) hizo que volvieran a la palestra las arquitecturas de redes neuronales que habían otorgado hasta entonces unos resultados discretos.

pin  El acceso a grandes bases de datos disponibles en internet y el abaratamiento y mejora de hardware para cálculo intensivo (GPUs) hizo que volvieran a la palestra las arquitecturas de redes neuronales que habían otorgado hasta entonces unos resultados discretos.

Con el cambio de paradigma ya no es necesario ser un experto en cada aplicación concreta de biometría ni pasar largas horas experimentando con los conjuntos de características más apropiados para cada caso: las redes neuronales profundas son capaces de crear capas de representación de datos con diferentes niveles de abstracción, desde características de bajo nivel hasta otras más generales.

Aprendizaje Profundo y Redes Neuronales aplicadas a la verificación biométrica

El concepto de aprendizaje profundo comporta cierta complejidad pero un ejemplo concreto facilita una primera aproximación.

Imaginemos que nos enfrentamos al problema de evaluar si una imagen facial corresponde a un hombre o a una mujer y para ello vamos a utilizar una red neuronal profunda. Lo primero que necesitamos es una base de datos lo suficientemente amplia para representar los diferentes perfiles faciales a los que el sistema se puede enfrentar y comenzar el proceso de entrenamiento.

Dejando a un lado el proceso de configuración de la arquitectura de la red y centrándonos exclusivamente en el funcionamiento de la misma, las diferentes capas en las que se estructura el sistema irán creando representaciones de datos con diferentes niveles de abstracción: las de bajo nivel se centrarán en características como bordes orientados o sombras, las siguientes en otras de mayor complejidad como texturas y formas básicas y finalmente las de más alto nivel en formas complejas. La salida de cada capa servirá de entrada a la siguiente, facilitando y optimizando el proceso de aprendizaje.

Una vez que la red neuronal profunda haya llegado al punto de máximo aprendizaje posible (en nuestro caso el mayor poder discriminativo entre géneros) se dará el proceso de entrenamiento por terminado y ya será posible comenzar a utilizarla para realizar predicciones.

La imagen facial que queremos clasificar como masculina o femenina recorrerá la red extrayendo todas sus características y finalmente será etiquetada como perteneciente a uno u otro grupo.

Los métodos basados en aprendizaje profundo han supuesto un notable incremento en las prestaciones de los sistemas biométricos, mejorando la fiabilidad y seguridad de los mismos y es por esto que son el estándar actual de la industria.

En Mobbeel somos plenamente conscientes de esta circunstancia y por ello desde el departamento de innovación llevamos a cabo una labor de investigación constante en tecnologías de aprendizaje profundo para aplicarlas a todos nuestros productos. ¡Que la magia continúe!

Related Post