Trong nhận diện khuôn mặt, không phải kết quả nào cũng rõ ràng. Ảnh mờ, thiếu sáng, bị che một phần hoặc người đứng quá xa camera có thể làm điểm so khớp khó diễn giải. Một sản phẩm tốt không cố biến mọi trường hợp thành “đúng” hoặc “sai” ngay lập tức, mà cần có trạng thái chưa chắc chắn và quy trình xử lý phù hợp.
AttFace Core cung cấp các thành phần phát hiện, đánh giá ảnh, landmarks, nhận diện và liveness có thể được kết hợp thành một pipeline. Cách hệ thống ra quyết định cuối cùng phụ thuộc vào rủi ro của từng ứng dụng.
Hình minh họa cách đánh giá và giải thích kết quả Face AI.
Điểm tương đồng không phải xác suất đúng
Một cosine similarity hoặc khoảng cách embedding cho biết độ gần nhau theo mô hình, chứ không tự động là xác suất 95% rằng hai người giống nhau. Muốn diễn giải thành xác suất cần quy trình hiệu chuẩn riêng với dữ liệu và điều kiện phù hợp.
Ngưỡng dùng cho đăng nhập 1:1, kiosk 1:N và truy vấn kho ảnh không nhất thiết giống nhau. Danh sách tìm kiếm càng lớn, rủi ro có ứng viên ngẫu nhiên đủ điểm càng cần được đánh giá cẩn thận.
Bốn tín hiệu trả lời bốn câu hỏi
Detection: Trong ảnh có khuôn mặt và vị trí của nó ở đâu? Quality: Ảnh có đủ điều kiện để so khớp đáng tin không? Liveness/PAD: Có dấu hiệu tấn công trình diện qua ảnh in hoặc màn hình không? Matching: Mẫu hiện tại tương đồng với danh tính hay tập tham chiếu ở mức nào?
Các tín hiệu này không thay thế nhau. Ảnh rõ vẫn có thể là ảnh giả; một khuôn mặt thật vẫn có thể không khớp với người đã khai báo.
Kiến trúc minh họa, thứ tự và các ngưỡng có thể thay đổi theo ứng dụng.
Thiết kế ba trạng thái quyết định
Thay vì hai trạng thái “khớp/không khớp”, nên xem xét ba hướng: chấp nhận khi đạt mọi điều kiện, từ chối khi có bằng chứng không đáp ứng và cần xử lý thêm khi đầu vào hoặc điểm số chưa đáng tin.
Trạng thái thứ ba có thể kích hoạt hướng dẫn chụp lại, chuyển sang xác thực 1:1 theo ID, dùng yếu tố khác hoặc nhờ người được phân quyền duyệt. Mục tiêu là giảm nguy cơ nhận nhầm mà không làm người dùng hợp lệ bị từ chối không cần thiết.
Cải thiện bằng chứng đầu vào trước khi thêm mô hình
Đổi vị trí đèn, điều chỉnh khung hình, kiểm tra độ nét và khoảng cách camera có thể hiệu quả hơn việc tăng độ phức tạp mô hình. Nên đánh giá các lỗi ảnh theo thiết bị và địa điểm cụ thể. Một ngưỡng được tối ưu trên ảnh thử nghiệm đẹp không chắc phù hợp khi người dùng đeo kính hoặc đứng dưới ánh sáng ngược.
Khi nào cần thêm phương thức khác?
Một phương thức sinh trắc học bổ sung, yếu tố sở hữu hoặc bước hỗ trợ của con người có thể hữu ích trong những trường hợp nhất định. Nhưng cần xác định rõ đang tăng cường bảo mật hay chỉ cung cấp lựa chọn thay thế. Nếu thêm quá nhiều yếu tố không cần thiết, trải nghiệm và tính riêng tư có thể xấu đi.
Ngưỡng phải phản ánh quyết định nghiệp vụ
Đội tích hợp cần chọn ngưỡng dựa trên chi phí của false accept và false reject, dữ liệu kiểm thử đại diện và mức rủi ro. Với 1:N, phải đo theo quy mô gallery và cơ chế chọn ứng viên. Không nên công bố một con số độ chính xác duy nhất cho mọi ứng dụng.
Dùng log để chẩn đoán, không biến thành kho ảnh mới
Nhật ký cần đủ để phân tích lỗi, thời gian, phiên bản mô hình và trạng thái xử lý. Tuy nhiên, không nên lưu mọi ảnh thô hoặc mở rộng quyền truy cập dữ liệu sinh trắc học chỉ để tiện debug. Có thể dùng mã nguyên nhân, thống kê tổng hợp và chính sách lưu dữ liệu tối thiểu.
AttFace Core như pipeline có thể cấu hình
Khi tách detection, quality, liveness và matching, đối tác có thể chọn các bước phù hợp với thiết bị và chính sách của sản phẩm. Hiệu quả cần được đánh giá trên toàn bộ quy trình: tỷ lệ hoàn thành, độ trễ, số lần chụp lại và mức độ xử lý ngoại lệ, không chỉ một điểm similarity.
Bước tiếp theo: Liên hệ AttFace để đánh giá luồng xác thực có trạng thái không chắc chắn trong ứng dụng của bạn.
Tài nguyên bổ sung: AttFace Core
