Hai sản phẩm nhận diện khuôn mặt có thể dùng cùng mô hình AI nhưng giải quyết hai bài toán rất khác nhau. Ứng dụng điện thoại hỏi “Đây có phải chủ tài khoản đang đăng nhập không?”; kiosk dùng chung hỏi “Người đang đứng trước camera là ai trong danh sách đã đăng ký?”. Trường hợp đầu là face verification (1:1), trường hợp sau là face identification (1:N).
Đây không chỉ là khác biệt thuật ngữ. Nó quyết định dữ liệu tham chiếu, kiến trúc, ngưỡng so khớp, chi phí xử lý, rủi ro nhận nhầm và cách ứng dụng diễn giải một kết quả không khớp.
Hình minh họa khái niệm, không phải kết quả benchmark độc lập.
Xác thực 1:1 bắt đầu từ một danh tính đã khai báo
Một nhân viên mở ứng dụng chấm công trên điện thoại của mình, hoặc khách hàng đăng nhập tài khoản trước khi xác nhận giao dịch. Phần mềm đã biết người dùng đang khai báo danh tính nào. Nó chỉ lấy một mẫu tham chiếu được cấp quyền rồi so với khuôn mặt vừa chụp.
Pipeline điển hình: chụp ảnh → phát hiện và kiểm tra chất lượng → trích xuất embedding → so với mẫu của tài khoản → áp dụng ngưỡng và chính sách. Nếu cần chống tấn công trình diện, liveness/PAD được xử lý như một tín hiệu riêng.
Một điểm similarity cao không tự động là xác suất người dùng đúng 99% nếu hệ thống chưa có bước hiệu chuẩn xác suất tương ứng.
Sơ đồ minh họa các bước xử lý và quyết định, không phải kết quả đo trực tiếp của AttFace.
Định danh 1:N bắt đầu từ danh sách đã đăng ký
Ở kiosk dùng chung, người dùng có thể không khai báo ID. Hệ thống tạo embedding từ khuôn mặt mới và tìm ứng viên gần nhất trong tập mẫu gồm N người được phép. Kết quả thường là danh sách ứng viên và điểm tương đồng, sau đó ứng dụng quyết định có đủ điều kiện ghi nhận hay cần xác minh thêm.
Với tập tìm kiếm lớn, việc luôn trả về “người gần nhất” không có nghĩa người đó thực sự nằm trong danh sách. Phải có khả năng trả lời không tìm thấy người phù hợp và cần phân biệt tập nhận diện đóng với tình huống có thể xuất hiện người ngoài danh sách.
Cùng embedding, điều kiện vận hành khác nhau
Detection, alignment và trích xuất embedding có thể dùng chung. Nhưng 1:1 chỉ so với một danh tính đã biết; 1:N phải tìm trong tập dữ liệu được kiểm soát, đôi khi cần chỉ mục tìm kiếm và xử lý nhiều ứng viên. Do đó, chi phí, độ trễ và rủi ro nhầm lẫn phụ thuộc vào quy mô danh sách.
| Khía cạnh | Verification 1:1 | Identification 1:N |
|---|---|---|
| Đầu vào danh tính | Đã có tài khoản/ID được khai báo | Chưa biết danh tính cụ thể |
| Tập so khớp | Một mẫu hoặc nhóm mẫu của một người | Danh sách N người được đăng ký |
| Kết quả | Khớp, không khớp hoặc chưa chắc chắn | Ứng viên phù hợp, không tìm thấy hoặc chưa chắc chắn |
| Ví dụ | Đăng nhập, mobile check-in, eKYC | Kiosk dùng chung, tìm kiếm được cấp quyền |
| Điểm cần quản trị | Xác thực mẫu và tài khoản | Quy mô gallery, quyền truy cập, false matches |
Vì sao ngưỡng và quy mô gallery quan trọng?
Hai khuôn mặt khác nhau có thể nhận điểm tương đồng cao do sai số mô hình và dữ liệu. Khi số người trong gallery tăng, cơ hội xuất hiện ứng viên “giống ngẫu nhiên” cũng tăng. Vì vậy, không được áp một ngưỡng 1:1 cho 1:N chỉ vì cả hai cùng dùng cosine similarity.
Hãy đánh giá false match rate và false non-match rate trong 1:1; với 1:N cần thêm các phép đo hiệu quả định danh, tỷ lệ nhận sai và không nhận ra người ngoài danh sách. Kết quả phải gắn với dữ liệu kiểm thử và ngưỡng cụ thể.
Quality và liveness nằm ở đâu?
Ảnh rõ, đủ kích thước và tư thế thích hợp giúp so khớp có ý nghĩa. Liveness/PAD giúp giảm rủi ro người khác dùng ảnh in hoặc màn hình phát lại. Nhưng quality không chứng minh tính sống và liveness không chứng minh đúng danh tính. Cần kiểm tra các tín hiệu riêng và quyết định theo chính sách sản phẩm.
Chọn luồng phù hợp với ứng dụng
Điện thoại cá nhân hoặc app đã đăng nhập: ưu tiên 1:1 vì đã có danh tính khai báo. Kiosk nhiều nhân viên: cân nhắc 1:N với danh sách giới hạn theo địa điểm, hoặc nhập mã trước rồi xác thực 1:1. Kho ảnh/video: kết quả tìm kiếm chỉ là gợi ý cần kiểm tra, không phải khẳng định danh tính. Thi trực tuyến: thường biết thí sinh trước nên 1:1 giúp hạn chế phạm vi xử lý.
Xây dựng quy tắc ra quyết định, không chỉ một demo
Ứng dụng phải xử lý ảnh không đạt, kết quả chưa chắc chắn, thử lại, thu hồi mẫu và trường hợp cần hỗ trợ. Giới hạn lưu dữ liệu, phân quyền truy cập và thu thập đúng mục đích. AttFace Core có thể cung cấp detection, embedding, verification và identification; phần mềm đối tác phải quyết định cách sử dụng chúng an toàn.
Đang chọn Face SDK cho sản phẩm? Xem AttFace Core và trao đổi với AIPractix về lựa chọn 1:1 hoặc 1:N phù hợp.
