ત્રણ વર્ષ પહેલાં, માર્ચ ૨૪, ૨૦૨૦ના દિવસે કોરોનાને કારણે લોકડાઉન જાહેર થયું, તેના લગભગ એક મહિના પહેલાં દિલ્હીમાં – જુદાં કારણોસર – રમખાણો થયાં હતાં. એ પછી લોકસભામાં દેશના ગૃહપ્રધાને લોકસભામાં જાણકારી આપી કે આ રમખાણોમાં ઉપદ્રવી તત્ત્વોને ઓળખવા માટે સરકાર ફેસ રેકગ્નિશન સોફ્ટવેરનો ઉપયોગ કરી રહી છે અને તેની મદદથી તોફાનોમાં સામેલ ૧૧૦૦ લોકોને ઓળખી લેવામાં આવ્યા છે! કદાચ આ ટેક્નોલોજીના ડરથી જ, અગાઉ કાશ્મીરમાં પથ્થરબાજી કરનારા લોકો અને ત્યાર પછી દેશના વિવિધ ભાગોમાં થયેલાં રમણામોમાં રસ્તે ઊતરતા લોકો ચહેરો ઢાંકવાની ખાસ કાળજી લેતા હોવાનું જોવા મળ્યું છે!
હવે પ્રકાશમાં આવેલી વિગતો અનુસાર દિલ્હી પોલીસ છેક ૨૦૧૮થી એડવાન્સ્ડ ફેસિયલ રેકગ્નિશન સોફ્ટવેર (એએફઆરએસ) નો ઉપયોગ કરી રહી છે. મૂળ આ સોફ્ટવેર ખોવાયેલાં બાળકોને ઓળખવા માટે ડેવલપ કરવામાં આવ્યું હતું. ભારતના જ એક સ્ટાર્ટઅપે ડેવલપ કરેલ આ સોફ્ટવેરમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને મશીન લર્નિંગનો ઉપયોગ થાય છે.
કમ્પ્યૂટર આપણો ચહેરો ઓળખી શકે છે એ વાત નવી નથી, પણ આ આખી વ્યવસ્થા કઈ રીતે કામ કરે છે એ જાણવું બહુ રસપ્રદ છે!
કાયદા માટે ફેસ રેકગ્નિશન
અત્યારે આપણે સૌ કેમેરારાજમાં જીવી રહ્યા છીએ એમ કહેવામાં કોઈ અતિશયોક્તિ નથી. ભારતમાં ખાસ કરીને શહેરોમાં હવે કેમેરા સર્વેલન્સ સતત વધી રહ્યું છે, પણ વિદેશોમાં આ ટેકનોલોજી બહુ આગળ વધી ગઈ છે.
ખાસ કરીને ચીનમાં સ્માર્ટ સર્વેલન્સ સખ્ખત વધ્યું છે. ઇંગ્લેન્ડની એક કંપનીએ સમગ્ર વિશ્વનાં જુદાં જુદાં શહેરોમાં સીસીટીવી કેમેરાના પ્રમાણ વિશે એક કરેલા સર્વેનાં તારણો અનુસાર, સમગ્ર વિશ્વમાં ચીનનાં શહેરોમાં સૌથી વધુ વ્યાપક રીતે સીસીટીવી આધારિત સર્વેલન્સ થઈ રહ્યું છે. વિશ્વના આ બાબતે ટોચનાં ૧૦ શહેરોમાંથી ૮ શહેર એકલા ચીનમાં છે. આ યાદીમાં ટોપ ૨૦ના લિસ્ટમાં આપણું નવી દિલ્હી શહેર પણ સામેલ છે. ચીનમાં સીસીટીવી કેમેરાથી સર્વેલન્સનું પ્રમાણમાં એટલું બધું વધી રહ્યું છે કે એક અંદાજ મુજબ ચીનમાં જેટલા લોકો છે એટલા જ પબ્લિક સીસીટીવી કેમેરા છે!
ઘણા ખરા દેશોમાં હવે જાહેર સ્થળોએ સીસીટીવી કેમેરાથી લોકોનું પળેપળનું રેકોર્ડિંગ કરવામાં આવે છે. લગભગ બધા દેશમાં આ રીતે રેકોર્ડિંગ પછી આર્ટિફિશિયલ ઇન્ટેલિજન્સ (એઆઇ) અને ફેસ રેકગ્નિશન એટલે કે ચહેરો ઓળખતી ટેકનોલોજી કામે લગાડાય છે.
પોલીસ જે સોફ્ટવેરનો ઉપયોગ કરી રહી છે તેમાં કે અન્ય પ્રકારની પદ્ધતિઓમાં ગૂગલ, ફેસબુક અને અન્ય જાહેર સ્રોતોમાંથી આપણા જેવા સામાન્ય લોકોના અનેક ફોટોગ્રાફ અને આધાર કાર્ડ અને ડ્રાઇવિંગ લાયસન્સ ડેટાનો પણ ઉપયોગ થયો હોવાનું કહેવાય છે (એ મુદ્દે તેનો વિરોધ પણ શરૂ થયો છે!). તોફાનો દરમિયાન જે જે લોકોના ચહેરા સીસીટીવીમાં ઝડપાયા હોય તેને આ વિશાળ ડેટાબેઝ સાથે સોફ્ટવેરની મદદથી સરખાવવામાં આવે છે અને તેને આધારે જે તે વ્યક્તિની ઓળખ સાબિત થઈ શકે છે.
સ્માર્ટફોનમાં ફેસ રેકગ્નિશન
સ્માર્ટફોનમાં પણ આ જ પદ્ધતિનો ઉપયોગ કરીને, આપણો ચહેરો ફોનના કેમેરા સામે ધરતાં, તે આપણને ‘ઓળખી’ લે અને અનલોક થઈ જાય તેવી સગવડ આપવામાં આવે છે. સ્માર્ટફોનમાં આવી ઓળખ જડબેસલાક હોવી જોઈએ, પણ આ ટેક્નોલોજી પૂરો ભરોસો જીતી શકી નથી.
ગૂગલે છેક ૨૦૧૧થી એન્ડ્રોઇડ ફોનમાં સ્માર્ટ અનલોક સુવિધાના ભાગરૂપે આવી વ્યવસ્થા આપી છે, પણ એન્ડ્રોઇડ પોતે આપણને ચેતવે છે કે આ વ્યવસ્થા પેટર્ન, પિન કે પાસકોડ જેટલી સલામત નથી.
એપલની વાત કરીએ તો તેમાં ફેસ આઈડીની સુવિધામાં પહેલી વાર ફોનની ‘ટ્રુ ડેપ્થ કેમેરા’ સિસ્ટમથી આપણા ચહેરાને સ્કેન કરીને ચહેરાનો એક ૩ડી મેપ તૈયાર કરવામાં આવે છે. દિવસ-રાત કે ઇનડોર-આઉટડોર ગમે તે સ્થિતિમાં ફોન આપણને ઓળખી શકે એ માટે ચહેરો સ્કેન કરતી વખતે ઇન્ફ્રારેડ લાઇટનો ઉપયોગ કરવામાં આવે છે. ઇન્ફ્રારેડ લાઇટ, સાદી નજરે દેખાય નહીં તેવા સ્પેક્ટ્રમનો ઉપયોગ કરે છે. એટલે જ્યારે અંધારામાં આપણે ફોન સામે આપણો ચહેરો ધરીએ ત્યારે ચહેરો ‘વાંચવા’ માટે સિસ્ટમ આ ઇન્ફ્રારેડ લાઇટનો ઉપયોગ કરતી હોવાથી આપણી આંખ અંજાઈ જતી નથી.
પહેલી વાર ચહેરો સ્કેન કરીને તેનો ૩ડી મેપ તૈયાર કરવામાં આવે પછી, બીજી વાર તેની સામે એ જ ચહેરો આવે ત્યારે તે લગભગ ૩૦,૦૦૦ જેટલા ડોટ્સની સરખામણી કરીને એ ચહેરો આપણો છે કે નહીં તે નક્કી કરે છે!
ફેસ આઇડીમાં એઆઇ હોવાથી સિસ્ટમને પહેલી વાર ચહેરાની ઓળખ આપતી વખતે ચહેરા પર દાઢી, ચશ્મા કે હેટ ન હોય પરંતુ પછી એ બધી બાબતો સાથે તમે ફોન અનલોક કરવાનો પ્રયાસ કરો તો પણ ફોન સચોટ રીતે તમને ઓળખી લે છે.
એઆઇની શી ભૂમિકા છે?
વર્ષોથી, પાસપોર્ટ કે અન્ય કોઈ પણ સરકારી ડોક્યુમેન્ટ માટે આપણો ફોટોગ્રાફ આપવાનો હોય ત્યારે આપણે બિલકુલ પૂતળાની જેમ ઠાવકાઈથી બેસીને, કોઈ હાવભાવ વિના, બરાબર કેમેરામાં નજર નાખીને પડાવેલો પાસપોર્ટ ફોટો આપવો પડે છે. કેમ? કારણ કે કોઈ પણ વ્યક્તિના ચહેરાની તસવીરને એ જ વ્યક્તિ સાથે કે તેની બીજી તસવીર સાથે સરખાવવાની થાય ત્યારે તેમાં ત્રણ બાબતો સૌથી મહત્ત્વની છે ઃ
- ચહેરાની ચોક્કસ સ્થિતિ
- ચહેરા પરનો પ્રકાશ
- ચહેરા પરના હાવભાવ
આ ત્રણેય બાબત એકદમ બરાબર હોય (આપણા બોરિંગ પાસપોર્ટ ફોટાની જેમ!) તો ચહેરા પરથી વ્યક્તિની ઓળખ ૯૯.૯૯ ટકા જેટલી સચોટ થઈ જાય. આમાં હજી એક ચોથો મુદ્દો પણ છે, ચહેરા પર ઉમેરાતી નવી બાબતો, જેમ કે દાઢી, મૂછ, કરચલી કે ઘાનું નિશાન વગેરે.
ઉપરાંત, વાત જ્યારે ફોનથી ચહેરાની ઓળખની હોય ત્યારે દરેક વ્યક્તિ પાસપોર્ટ ફોટો ખેંચાવતા હોય એવી ઠાવકાઈથી ફોન સામે જુએ એવું પણ ન બને!
ફેસ આઇડી ટેક્નોલોજીમાં આ સવાલોના જવાબ એઆઇમાં શોધવામાં આવ્યા છે. એ તો દેખીતું છે કે એપલ કંપની પોતે, પોતાની ટેક્નોલોજીની બારીક વિગતો ક્યારેય જાહેર કરશે નહીં, પરંતુ તે એટલું કહે છે કે આ ટેક્નોલોજીનું સંખ્યાબંધ દેશોના જુદી જુદી સંસ્કૃતિ અને વંશ-જાતિના લોકો પર પરીક્ષણ કરવામાં આવ્યું છે અને એક અબજથી વધુ ઇમેજિસની મદદથી, આ ટેક્નોલોજીના મૂળ મગજ જેવા ન્યૂરલ નેટવર્ક્સને ટ્રેઇન કરવામાં આવ્યાં છે.
ફેસ આઇડીનું બીજું એક પાસું પણ રસપ્રદ છે. સામાન્ય રીતે કોઈ પણ બાયોમેટ્રિક રેકગ્નિશનના આધાર તરીકે જેનો ઉપયોગ થાય છે તે ફિંગર પ્રિન્ટ, ફેસ કે આંખોમાંની પેટર્ન – આઇરિસમાં સિદ્ધાંત એક જ હોય છે – સ્માર્ટફોનમાંના પ્રોસેસરને પહેલાં એક ચોક્કસ પેટર્ન આપી દેવી, જેને ‘એનરોલમેન્ટ ઇમેજ’ કહે છે અને પછી દરેક વખતે મળતી નવી ઇમેજને તેની સાથે સરખાવવી, જેને ‘વેરિફિકેશન ઇમેજ’ કહે છે. આમ જુઓ તો, આ બંને પ્રકારની ઇમેજ મેચ થાય છે કે નહીં એવા સવાલના બે જ જવાબ હોઈ શકે – હા અથવા ના.
સ્માર્ટફોનમાં જ્યારે આવું વેરિફિકેશન થાય ત્યારે જવાબ એટલો સચોટ – બ્લેક એન્ડ વ્હાઇટ હોતો નથી. એમાં વચ્ચે ગ્રે શેડ્સ પણ હોય. ઉપર કહેલા ત્રણેય મુદ્દાને કારણે એક જ વ્યક્તિની ઇમેજ હોવા છતાં સ્પષ્ટ હા કે ના જેવું મેચિંગ ન પણ થાય.
આના ઉપાય તરીકે, સિસ્ટમને મેચિંગને ૦ અને ૧ વચ્ચેનો સ્કોર આપવા કહેવામાં આવે છે. જો મેચિંગ ઝીરોની નજીક હોય તો ફોન અનલોક ન થાય અને મેચિંગ એકની નજીક હોય તો ફોન અનલોક થાય!
પરંતુ વાત સાયન્સ કે ટેક્નોલોજીની હોય તો ‘નજીક’ જેવી અનિશ્ચિતતાને તેમાં કોઈ સ્થાન નથી. ફેસ રેકગ્નિશનમાં ૦ અને ૧ વચ્ચેનો મેચિંગ સ્કોર મિનિમમ અમુક ચોક્કસ આંકડો (જેમ કે ૦.૭) હોય તો જ ફોન અનલોક થાય એવી ગોઠવણ છે, પણ આ ચોક્કસ આંકડો પણ સંદર્ભ મુજબ બદલાય છે.
ટેક્નોલોજીની હવે જ ખરી કમાલ છે. નિષ્ણાતો કહે છે કે ફક્ત અનલોક કરવા માટે ફેસ મેચિંગ થઈ રહ્યું હોય તો ૦.૬ જેવા સ્કોરથી પણ ફોન અનલોક થઈ શકે, પરંતુ જો તમે કોઈ મોંઘીદાટ વસ્તુની ખરીદી કરીને ઓનલાઇન પેમેન્ટ માટે, ફેસ રેકગ્નિશનથી તમારી ઓળખ આપી રહ્યા હો ત્યારે મેચિંગનો સ્કોર ૦.૯ થાય તો જ પેમેન્ટને લીલી ઝંડી મળે એવું બની શકે છે!
આઇફોનમાં આ બધી ગણતરી ખરેખર આંખના પલકારા કરતાં વધુ ઝડપથી થાય છે. એપલ કંપનીના માર્કેટિંગ ચીફના દાવા મુજબ, ફોનમાંનું ન્યૂરલ એન્જિન એક સેકન્ડમાં ૬૦૦ અબજથી વધુ ગણતરી કરી શકે છે! પણ તકલીફ એક જ છે – આ દાવો કંપનીના માર્કેટિંગ ચીફનો છે, ટેક્નોલોજી ચીફનો નહીં!
