Уровни зрелости технологий компьютерного зрения
Здравствуйте! Наша компания специализируется на разработке систем распознавания образов и обеспечении их безопасности, в том числе путем внедрения мер противодействия мошенничеству. В ходе работы мы накопили богатый опыт, которым хотели бы поделиться с вами.
В данной статье мы рассмотрим несколько практических примеров применения компьютерного зрения (CV) в банковской сфере и других финансовых организациях. Будет продемонстрировано, как CV может быть полезным для конечных пользователей. Материал не содержит сложных технических деталей и предназначен для широкой аудитории, которая сталкивается с технологиями компьютерного зрения в повседневной жизни и желает получить более глубокое понимание их возможностей.
Начнем с определений и теории
Компьютерное зрение (CV) – это область искусственного интеллекта, занимающаяся задачами классификации и распознавания визуальной информации. Оно отвечает за идентификацию объектов, живых существ, ситуаций, символов и всего, что имеет визуальное представление. Точность технологии CV напрямую зависит от качества обучения нейронных сетей, которые выполняют основную работу по распознаванию, а также от грамотного построения пайплайна – процесса распознавания.
В настоящее время CV находится на стадии активного развития. Аналогично искусственному интеллекту в целом, существуют решения для конкретных задач в определенных областях, но пока не существует универсального компьютерного зрения, способного принимать решения так же комплексно, как человек.
График зрелости технологий: красным выделены направления, связанные с распознаванием.
В настоящее время компьютерное зрение не обладает единой универсальной моделью. График демонстрирует прогресс в отдельных областях, таких как распознавание символов и объектов. Однако на графике отсутствуют показатели по распознаванию лиц, силуэтов и других атрибутов людей.
Это связано с тем, что технологии, ориентированные на человека (human-centric recognition), уже достаточно широко применяются, особенно в банковской сфере.
Чаще всего в банках и финансовых сервисах используют распознавание лиц и антифрод
С практической точки зрения технологии, используемые для распознавания людей, можно разделить на две основные категории.
Первая категория охватывает технологии распознавания лиц, включая определение пола, возраста, эмоционального состояния, положения головы и других атрибутов лица, а также качества изображения. Важно отметить наличие технологий, обеспечивающих защиту систем распознавания лиц от фальсификации. Liveness Detection определяет, является ли объект перед камерой живым существом. Детекторы Deepfake защищают систему от проникновения сгенерированных изображений.
Вторая категория сосредоточена на технологиях распознавания силуэтов и их характеристик, таких как тип и цвет одежды, наличие аксессуаров, пол и возраст. Технологии работы с силуэтами не ограничиваются простым распознаванием. На практике часто используется мульти-камерный трекинг, позволяющий строить траектории движения людей.
Третья категория охватывает широкий спектр задач, решаемых с помощью видеоаналитики. К ним относится ситуационный анализ, при котором система автоматически оповещает оператора о потенциальных угрозах. Также можно анализировать происходящее в помещениях, например, в банке: фиксировать очередь у банкомата, определять местоположение сотрудников и другие детали.
В системах распознавания кадр с лицом проходит несколько проверок
В реальных сценариях использования технологии распознавания лиц встречаются как добросовестные клиенты, так и лица с недобрыми намерениями. Давайте рассмотрим применение данной технологии в контексте взаимодействия с добросовестными клиентами.
Предположим, что клиент использует систему распознавания лиц для авторизации в процессе какой-либо транзакции. Процесс выглядит следующим образом: пользователь смотрит в камеру, система выбирает оптимальный кадр и направляет его дальше по цепочке обработки. Далее осуществляется проверка качества выбранного кадра и анализ атрибутов лица: мимика, эмоциональное состояние, открытость глаз и т.д. Параллельно с этим кадр проходит проверку на подлинность (Liveness detection).
При успешном прохождении всех проверок, кадр направляется в систему распознавания лиц. Здесь из него извлекается дескриптор – математическое описание лица на изображении. Полученный дескриптор сравнивается с эталонным дескриптором, предварительно извлечённым из фотографии клиента и хранящимся в базе данных. Если коэффициент совпадения достаточно высокий, система подтверждает личность клиента и разрешает проведение транзакции.
Для каждого сценария атаки предусмотрен набор средств защиты
Рассмотрим потенциальные угрозы безопасности системы при взаимодействии с недобросовестными пользователями или злоумышленниками.
Возможны два основных сценария атак:
- Первый сценарий: атака на биометрическое представление (предъявление). Злоумышленник может попытаться использовать подделку, например, распечатанное фото, маску из бумаги или 3D-материала, для имитации живого человека. Также возможны атаки типа “replay”, когда используется ранее записанное видео. Технология Liveness в этом случае играет решающую роль. Она анализирует предоставленное изображение и определяет его подлинность. Если изображение признается фальшивым, оно отклоняется до этапа распознавания лиц.
- Второй сценарий: DeepFake-атака. В данном случае злоумышленник использует технологии глубокого обучения для создания поддельного видеопотока. Например, с помощью face swap он может наложить лицо жертвы на собственное изображение. Для предотвращения таких атак применяется DeepFake-детектор, который способен распознать и блокировать поддельные видео.
Таким образом, система безопасности, включающая технологии Liveness и DeepFake-детектора, обеспечивает надежную защиту от различных видов атак со стороны злоумышленников.
Распознавание силуэтов работает по схожим принципам, но решает другие бизнес-задачи
Технология распознавания силуэтов находит широкое применение в различных сферах. Рассмотрим, к примеру, сценарий, где система распознавания идентифицирует силуэт пользователя на видеокадре. В зависимости от конкретной задачи, могут быть осуществлены следующие действия: извлечение дескрипторов тела и их сравнение с базой данных для идентификации личности, а также мультикамерный трекинг для отслеживания перемещения пользователя в пространстве.
Данная технология обладает большими перспективами в области клиентской аналитики. С её помощью можно создавать тепловые карты и диаграммы спагетти, которые наглядно демонстрируют зоны повышенной активности посетителей. Это позволяет оптимизировать планировку помещений и повысить эффективность использования пространства.
Распознавание силуэтов в сочетании с видеоаналитикой открывает возможности для оценки происходящего на видео и выявления потенциально опасных или нежелательных событий. Например, система может обнаружить появление очереди, проникновение человека в запрещенную зону, драку или наличие оружия. Для этого используются обученные детекторы, способные распознавать такие ситуации. Оповещения о выявленных инцидентах направляются оператору или службе безопасности.
Технологии CV — это уже часть нашей повседневной жизни
В зависимости от способа реализации, все кейсы можно разделить на две основные категории.
- Онлайн-кейсы, как правило, представляют собой классические сценарии предоставления удалённых услуг, например, onboarding клиентов или подтверждение транзакций.
- Офлайн-кейсы охватывают разнообразные ситуации: от осуществления платежей по биометрическим данным до реализации концепции phygital-офисов и внедрения электронных очередей.
Онлайн-банкинг и удаленное подтверждение транзакции
В данной системе используются технологии, которые были ранее рассмотрены. Клиент, желающий осуществить денежный перевод через сервис или мобильное приложение, может подтвердить транзакцию с помощью биометрической аутентификации по признакам лица. В этом случае запускается pipeline распознавания лиц, включающий механизм Liveness Detection (обнаружение живого объекта). При работе с видеопотоком дополнительно реализуется проверка на DeepFake (поддельные видео). Если система идентифицирует реального человека, кадр передаётся в систему распознавания лиц для верификации пользователя. При успешном прохождении верификации транзакция утверждается.
Данный подход позволяет банкам эффективно противодействовать мошенническим действиям. Один из наших клиентов с помощью указанных технологий предотвратил более 10 000 мошеннических заявок на кредиты, что позволило ему сэкономить 4 миллиарда рублей.
Далее рассмотрим офлайн-случаи применения. Их существует множество, но мы остановимся на четырёх основных.
Платеж по лицу
Технологии распознавания лиц получили широкое распространение в различных сферах, таких как торговля, транспорт и промышленность. Их внедрение приносит неоспоримые выгоды бизнесу, поскольку ускоряет процесс оплаты.
Использование биометрической аутентификации лица позволяет сократить время проведения платежа в три раза по сравнению с традиционным способом оплаты банковской картой.
Процедура идентификации пользователя осуществляется следующим образом:
- Пользователь останавливается перед терминалом самообслуживания.
- Система автоматически обнаруживает лицо пользователя и проводит проверку на признаки “живого” изображения (Liveness Detection).
- В случае успешной проверки генерируется уникальный дескриптор лица.
- Сравнение дескриптора с базой данных пользователей.
Весь процесс идентификации и авторизации платежа занимает не более трех секунд.
Phygital-офис
Это гибридный формат обслуживания, когда физическое пространство комбинируется с цифровыми услугами. Человек заходит в отделение, система его фиксирует и распознает. Менеджер банка получает уведомление, что пришел клиент и ему могут быть интересны какие-то услуги. Электронная очередь в этот момент направляет посетителя в нужное окно. Человеку не приходится ждать, достигается эффект мгновенного обслуживания.
Цифровой ID
Вместо традиционной идентификации посредством документов, может использоваться биометрическая верификация личности. Это позволяет получить доступ к услугам без предъявления паспорта, а также обеспечивает дополнительную защиту от мошенничества.
Технология исключает возможность использования поддельных документов, так как идентичность пользователя подтверждается уникальными биометрическими данными.
Кроме того, цифровой ID может быть использован для авторизации сотрудников, что повышает безопасность корпоративных систем. Биометрическая аутентификация минимизирует риски несанкционированного доступа и утечки конфиденциальной информации.
Видеоаналитика
Представленные кейсы можно классифицировать на две категории: получение дополнительной аналитической информации и повышение уровня безопасности.
В сфере розничной торговли, например, видеоаналитика позволяет полностью оцифровать путь клиента от момента входа в магазин до выхода. С помощью мультикамерного трекинга создаются траектории движения и тепловые карты, измеряется время ожидания обслуживания. Кроме того, технология фиксирует взаимодействие сотрудников с клиентами и оценивает оперативность выполнения ими своих обязанностей.
В контексте безопасности видеоаналитика способствует выявлению потенциально опасных ситуаций, таких как драки. Она также препятствует несанкционированному доступу мошенников к кассовым зонам и местам хранения ценностей.
На практике можно привести пример банка, который осуществил полную оцифровку клиентского пути. В данной реализации также осуществлялось распознавание эмоций клиентов, что позволило создать индекс удовлетворенности в режиме реального времени. Полученные данные способствуют оптимизации бизнес-процессов и улучшению клиентского опыта.
Что важно знать про технологии распознавания лиц
Технологии компьютерного зрения претерпели значительное развитие за последние годы. Компании, такие как VisionLabs, уже более десятилетия занимают лидирующие позиции на рынке. В настоящее время ведущие поставщики решений соревнуются за повышение точности до 99,999% и выше. Такой уровень зрелости систем компьютерного зрения (CV) обеспечивает:
- Высокую точность: Вероятность ошибочной идентификации или отказа в верификации – приблизительно 0,0005%.
- Повышенную безопасность: В России сфера биометрической аутентификации строго регулируется Федеральным законом №572. К компаниям-операторам биометрических персональных данных (БПД) предъявляются самые высокие требования по защите информации. Технологии Liveness и DeepFake-детекторов эффективно противостоят атакам, успешно применяясь в системах с различным уровнем риска по всему миру.
На этом наша информация о применении компьютерного зрения в финансовой сфере завершается. Если у вас остались вопросы, пожалуйста, задайте их в комментариях.
