ไบโอเมตริกซ์ด้วยเสียง - ไบโอเมตริกซ์ด้วยเสียง

ในการเริ่มต้น สิ่งสำคัญคือต้องรู้ว่าไม่มีข้อมูลไบโอเมตริกใดที่แม่นยำ 100% ตัวอย่างเช่น, NS การศึกษาเกี่ยวกับการจดจำม่านตาในปี 2014 การกำหนดความแม่นยำของระบบอาจอยู่ระหว่าง 90 ถึง 99% ซึ่งเป็นช่วงกว้าง ความแม่นยำของไบโอเมตริกซ์ของเสียงยังอยู่ในช่วงนี้ด้วยเหตุผลหลายประการ อย่างไรก็ตาม แม้จะมีข้อบกพร่อง แต่ข้อมูลไบโอเมตริกซ์ด้วยเสียงก็เป็นเครื่องมืออันล้ำค่า

วิธีการประเมินความแม่นยำของระบบไบโอเมตริกซ์ด้วยเสียงคือ “Equal Error Rate” หรือ “EER” EER คือจุดที่ "อัตราการยอมรับที่ผิดพลาด" หรือ "FAR" (เช่น ปล่อยให้ผู้ฉ้อโกงผ่านไป) เท่ากับ "อัตราการปฏิเสธที่ผิดพลาด" หรือ "FRR" (เช่น การปฏิเสธการเข้าถึงผู้ใช้ที่ถูกต้อง) ระบบการให้คะแนนไบโอเมตริกซ์ด้วยเสียงนั้นขึ้นอยู่กับความน่าจะเป็นทางสถิติ ดังนั้นจึงจำเป็นต้องพิจารณาถึงข้อที่เสียระหว่างข้อผิดพลาดเหล่านี้ ตัวอย่างเช่น หากคุณตั้งค่าระดับความน่าเชื่อถือเป็น "สูง" เพื่อป้องกันมิจฉาชีพ คุณอาจบล็อกผู้ใช้ที่ถูกต้องได้มากขึ้น ทำให้เกิดการหยุดชะงัก การตั้งค่าระดับความน่าเชื่อถือ "ต่ำลง" จะให้ความสะดวกสบายแก่ผู้ใช้ที่ถูกต้องของคุณมากขึ้น แต่คุณอาจปล่อยให้ผู้ฉ้อโกงเข้ามาได้มากขึ้น VBG จะทำงานร่วมกับคุณเพื่อสร้างสมดุลที่เหมาะสมที่สุดระหว่างความปลอดภัยและความสะดวกสบาย โปรดทราบว่ามีการวัด EER สำหรับการทดลองครั้งเดียว การอนุญาตให้ลองซ้ำในแอปพลิเคชันของคุณ ช่วยเพิ่มโอกาสที่ผู้ใช้ที่ถูกต้องจะสามารถผ่านการลองซ้ำครั้งที่สองหรือสามได้ แม้ว่าในตอนแรกคุณจะตั้งค่าความมั่นใจในระดับสูงในการปฏิเสธผู้ฉ้อโกงก็ตาม

โปรดทราบว่าผลลัพธ์ EER, FAR และ FRR มาจากชุดตัวอย่างเสียงที่ใช้ในการประมวลผลและรับการวัดเหล่านี้ ระวังค่า EER ที่ต่ำมากซึ่งโฆษณาโดยผู้จำหน่ายบางราย เนื่องจากผลลัพธ์ EER ที่ได้จากห้องปฏิบัติการสามารถจัดการได้อย่างง่ายดายโดยการลบตัวอย่างที่ส่งผลเสียต่อผลลัพธ์ ผลลัพธ์ของ EER จะดีก็ต่อเมื่อสุ่มตัวอย่างข้อมูลเพื่อการคำนวณเท่านั้น ผลลัพธ์ในโลกแห่งความเป็นจริงที่ไม่คาดคิดสามารถ (และจะเกิดขึ้น) ได้หากการสุ่มตัวอย่างของคุณไม่ได้เป็นตัวแทนของประชากรผู้ใช้ ภาษาและภาษาถิ่นที่เจาะจง ประเภทของอุปกรณ์ที่ใช้ สภาพแวดล้อมที่รวบรวมคำพูด ฯลฯ ดังนั้น เราขอแนะนำให้คุณเปรียบเทียบระบบไบโอเมตริกซ์ด้วยเสียงโดยอิงตามผู้ใช้จริง รวมถึงการทดลองใช้งานในสภาพแวดล้อมการผลิตที่คุณต้องการ

ปัจจัยสำคัญอื่นๆ ที่มีอิทธิพลต่อ EER ในโลกแห่งความเป็นจริงคือเนื้อหาของตัวอย่างคำพูดและการมีเสียงรบกวน หากตัวอย่างคำพูดดังเกินไป หรือหากมีการพูดถึงข้อมูลที่ไม่ถูกต้องกับระบบไบโอเมตริกซ์เสียง ระบบไบโอเมตริกซ์เสียงจะมีปัญหาในการใช้ตัวอย่างคำพูดเพื่อการพิจารณาที่แม่นยำ การใช้อุปกรณ์ประเภทต่างๆ อาจส่งผลต่อผลลัพธ์ได้เช่นกัน 

ตัวอย่างเช่น เครือข่ายโทรศัพท์มือถือใช้เทคนิคการบีบอัดข้อมูลที่แตกต่างกันเมื่อเปรียบเทียบกับโทรศัพท์บ้าน ซึ่งจะส่งผลต่อกระบวนการไบโอเมตริกซ์เสียงที่แยกลักษณะเสียงที่เป็นเอกลักษณ์จากตัวอย่างคำพูด