連Windows hello都採用的人臉識別,安全靠譜嗎?
連Windows hello都採用的人臉識別,安全靠譜嗎?
2015.09.08 | 科技

前言: 廣泛關注的windows hello在6對雙胞胎中的人臉識別錯了1對,錯誤率達16%,但此技術為何還是受歡迎?同樣是非接觸採集的虹膜識別,號稱精確度最高,為什麼還沒有廣泛應用?

在Nicolas Cage還沒過氣的時代,他和同樣還未過氣的約翰屈伏塔演過一部經典的電影《變臉Face/Off》。這部罪案電影的導演是當時在好萊塢蓄勢待發的吳宇森。影片中警察和罪犯互換臉,因而引發了一連串故事。

現實社會中,人與人倒是不可能這麼容易的換臉,不過在整容技術如此發達的今天,一個人的容貌確實不太可靠。

Windows hello是微軟推出windows 10時採用的一種生物特徵授權方式,讓你能通過識別生物特徵訪問你的windows 10設備。

**據微軟介紹,進行身份驗證的方式有三種,指紋識別、面部識別、虹膜識別。**其中的面部識別是Windows Hello的重點項目。微軟稱,在其內部測試中,windows hello對於人臉的錯誤識別率僅為十萬分之一(0.01%),拒絕識別率為2% - 4%。

最近,這一功能受到了考驗。報紙《The Australian》邀請了六對來自墨爾本和雪梨的雙胞胎(五對女性和一對男性)來進行測試,看windows hello能否正確識別他們。在使用windows hello進行人臉註冊和識別的過程中,前五對雙胞胎均成功通過,但有一對雙胞胎在註冊了一人後,兩人都無法登陸。無法登陸的那對雙胞胎分別叫Isabelle和Natasha,她們的照片如下。

測試中,windows hello無法識別的那對雙胞胎

人臉識別,聽上去似乎比千篇一律的密碼可靠,但是掌握著極高技術的微軟windows hello居然在6對雙胞胎中認錯了1對,錯誤率為16%。

##人臉識別錯誤率這麼高,為什麼依然受歡迎?

**實際上,人臉識別技術達到的最高精度97.25%,是由Facebook在2015年剛剛創造的。**這個精準度大約只相當於人通過肉眼識別的水平。人臉識別如此受歡迎,主要是因為簡單好用。不像指紋需要專門的採集器,虹膜需要紅外攝錄影機,電腦和手機必備的普通攝錄影機就可以輕鬆滿足人臉識別的硬體要求。

**生物認證的匹配過程分為合作式、非合作式兩種。**大部分生物認證系統需要人主動配合,比如一個人有意且自願地按壓手指。然而,指紋的主動配合度還不夠。當一個人熟睡時,別人可以趁機將他的手指放在指紋識別器上,輕鬆解鎖手機,進行支付。

人臉識別也是如此,甚至不需要接觸,就可以通過隱藏攝錄影機或趁人熟睡時拍下照片,進入個人帳戶。不過,正因為人臉識別可以秘密採集數據,在當事人未知的情況下,輕鬆獲取他的臉形,判斷他的身份。因此,人臉識別更適用於鎖定犯罪嫌疑人,只需一個普通攝錄影機。

延伸閱讀:臉被遮住,臉書新臉部辨識功能仍能正確辨識

不足的是,人臉非常容易偽裝,比如中亞地區的人受宗教文化背景影響,女性用黑紗遮住臉,男性留有大鬍子,幾乎只有眼睛可見。人臉識別三種主流算法之一的特徵臉型,目前已被證明不能像人眼一樣排除偽裝的影響,這意味著,位置、姿勢、表情、臉部毛髮或眼鏡,都會影響人臉識別的精確度。

因此,人臉識別的過程往往還需要加入其他生物特徵,進行多模組識別以提高安全性、準確性。雖然存在著諸多缺陷,但是面部本身的大面積、識別過程的秘密性,也成為了人臉識別的「獨門絕技」。

##精確度最高的虹膜識別,為什麼還沒有廣泛應用?

在各種不同的生物特徵中,虹膜是最健壯、最持久的。

一種生物特徵能否被用作生物識別,由健壯性和獨特性兩個因素決定。健壯性與這種特徵的持久、穩定有關,獨特性決定了這種特徵的差異性是否大到能夠被測量出來。健壯性和獨特性決定了生物特徵的準確性。

**在正常健康情況下,虹膜從出生6個月直到死亡都保持不變。**虹膜的紋理具有極高的複雜多樣性,屬於表現因素,在胚胎發育的早期形成,與基因沒有依賴關係。表現因素使某種生物特性在人群中呈現出更大的差異。因此,即使是同卵雙胞胎,甚至是一個人的左右眼,虹膜圖像也完全不同。

從技術上說,虹膜識別是一流的、最精確的。

優秀的虹膜識別技術商,能夠將錯誤率(FAR)控制在500萬分之一(0.00002%),幾乎杜絕了出錯的可能性。

虹膜識別技術應用的最大障礙,是眼盲而不能註冊。

**虹膜識別是一項前衛的科學研究。算法、硬體、圖像的三重高成本,使得虹膜識別技術主要滿足行業需求,難以覆蓋消費領域。**近年來,隨著國內擁有自主研發算法的虹膜識別技術商的成熟發展,一些技術商希望加深對於產品形態、交互設計、用戶體驗、增值模式的深層次理解,把握未來市場趨勢,也開始做消費類虹膜識別產品。

虹膜的小尺寸給遠距離掃描帶來了一定困難。不過,在小於30厘米的近距離範圍內,虹膜依然有著不可比擬的優勢,如一頭猛獅。虹膜識別是一種高效的技術,訓練用戶所需的時間不超過5秒鐘,時間主要花在用戶將他/她的眼睛對準一面小鏡子。一旦圖像被採集和處理之後,實際的計算機匹配處理是非常快速的,時間在毫秒量級。

在精確度、高效性、適應性三方面都非常出色的虹膜識別,如果能夠突破遠距離掃描這一限制,完全可以解決人臉易偽裝的問題,成為「最好的生物識別技術」。

延伸閱讀:金融領域應用人臉識別技術 進入「人臉辨識時代」面臨挑戰

**任何一種生物認證方式,無論是指紋、掌型、語音,還是人臉、虹膜,都有著各自的優劣和不同的應用場景。**指紋最廣泛,成本低,很容易與手機集成;人臉最方便,普通攝錄影機,在人流密集的出入口鑑別嫌疑人;虹膜最安全,500萬分之一的錯誤率,適用於近距離的支付與訊息安全。

如果windows hello中採用虹膜識別,也許結果會讓人大吃一驚呢。

原文出處:鈦媒體

關鍵字: #微軟 #人臉辨識
往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓