تصور کنید تنها ۳۰ ثانیه فرصت دارید تا بفهمید کسی که در حال باز کردن حساب بانکی است، یک انسان واقعی است یا یک مدل ریاضی بسیار دقیق. در دنیای امروز، همین بازه زمانی کوتاه به میدان نبردی فنی میان بانک‌ها و شبکه‌های عصبی تبدیل شده است.
بر اساس گزارشی که در ۲۲ ژوئیه ۲۰۲۶ در وب‌سایت dev.to منتشر شد، کلاهبرداری با هویت‌های ساختگی اکنون یک مشکل ۲۳ میلیارد دلاری است. توسعه‌دهندگان برای مقابله با شبکه‌های مولد تخاصمی (GAN) — که شبیه نقاشی‌گری است که با دیدن هزاران چهره، یاد می‌گیرد چهره‌ای بسازد که هیچ‌کس تا به حال ندیده اما کاملاً واقعی به نظر برسد — دیگر به بررسی سادهٔ «سلفی و کارت شناسایی» اکتفا نمی‌کنند.
برای بسیاری از کاربران، احراز هویت (IDV) فقط یک مرحلهٔ خسته‌کننده در ثبت‌نام اپلیکیشن است. اما برای مهندسان، این یک مسابقه با مدل‌هایی است که می‌توانند مختصات را در یک فضای نهان (Latent Space) تغییر دهند تا هویت‌های جعلی اما باورپذیر بسازند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های مولد اشاره کردیم، این رقایه‌ی تسلیحاتی، استانداردهای اعتبارسنجی را تغییر داده است. این حساسیت‌ها در پلتفرم‌های اجتماعی نیز دیده می‌شود، جایی که اجبار به تایید بیومتریک برای احراز سن منجر به واکنش‌های شدید بازار و کاهش ارزش سهام برخی شرکت‌ها شد.
در قلب این دفاع، تحلیل فاصله اقلیدسی (Euclidean Distance) قرار دارد. در این روش، سیستم به جای مقایسه پیکسل‌ها، چهره را به یک بردار معنایی (Embedding) — مثل یک کارت معرفی عددی که موقعیت چهره را در یک فضای ریاضی مشخص می‌کند — تبدیل می‌کند. طبق اعلام متخصصان، زمانی که فاصله بین دو نقطه (کارت شناسایی و تصویر زنده) از یک حد مشخص کمتر شود، تطبیق تایید می‌شود؛ فرآیندی که اغلب با توابع Triplet Loss بهینه می‌شود.
برای مقابله با هویت‌های ساخته‌شده توسط هوش مصنوعی، صنعت اکنون «الزامات زنده‌بودن» سخت‌گیرانه‌تری را اجرا می‌کند:
- تحلیل بافت‌های ریز: شناسایی منافذ پوست و نواقص طبیعی.
- حرکات غیرارادی: ردیابی پلک زدن و تکان‌های ظریف صورت.
- انعکاس نور: بررسی نحوه بازتاب نور از یک سطح سه‌بعدی در مقابل یک نمایشگر دوبعدی.
این رویکرد بر تحلیل رفتارهای فیزیکی متکی است؛ مشابه راهکاری که کلودفلر برای شناسایی عامل‌های هوش مصنوعی با تحلیل لرزش دست و چرخش مچ به کار گرفته است.
به گزارش پلتفرم CaraComp، پیاده‌سازی این بررسی‌ها بار محاسباتی سنگینی ایجاد می‌کند. توسعه‌دهندگان باید بین تأخیر در استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی و نه دوره‌ی آموزش آشپز — و دقت بالا تعادل برقرار کنند. در این شرایط، مهلت ۳۰ ثانیه‌ای برای مجموعه‌ای از مدل‌های پیچیده که به دنبال آثار جعل عمیق می‌گردند، بسیار کوتاه است.
این تغییر، هدف امنیتی را جابه‌جا کرده است. سؤال اصلی دیگر این نیست که «آیا این چهره با کارت شناسایی یکی است؟»، بلکه این است که «آیا این چهره متعلق به یک انسان سه‌بعدی است؟»
برای متخصصان بیمه و بازرسان کلاهبرداری، این یعنی گذار از «بررسی چشمی» به پردازش دسته‌ای تصاویر با قطعیت ریاضی. این افراد اکنون با استفاده از بردارهای معنایی سطح سازمانی، پرونده‌هایی را در چند دقیقه می‌بندند که پیش‌تر ساعت‌ها زمان می‌برد.
در نهایت، ظهور هویت‌های ساختگی یعنی «درب ورودی» تنها نقطه بازرسی است که اهمیت دارد. اگر تشخیص زنده‌بودن در لحظه ورود شکست بخورد، سایر لایه‌های امنیتی بی‌اثر می‌شوند.
گام بعدی شما
- اگر توسعه‌دهنده هستید، مدل‌های تشخیص Liveness را جایگزین تطبیق ساده تصاویر کنید.
- برای کاهش تأخیر در استنتاج، از تکنیک‌های کوانتش در لایه‌های پردازش تصویر استفاده کنید.
- استانداردهای جدید تحلیل بافت پوست را در پایپ‌لاین‌های احراز هویت خود بگنجانید.
اما اثر این تحولات بر سخت‌افزارهای تشخیص چهره حتی پیچیده‌تر است؛ برای درک نقش تراشه‌های تخصصی در این پردازش‌ها، تحلیل ما درباره‌ی NPUها را بخوانید.
گفتگو