久久久久精品免费福利电影,国产又黄又大又粗视频,A级毛片免费播放无码,人人妻人人爽人人澡欧美一区

【文/觀察者網專欄作者 陳繼東】

用戶身份識別是一切金融業務開展的前提和基礎，互聯網金融由于其非面對面的特性，在身份識別上也比傳統金融業務更具挑戰。如何精準而快速地識別“你是你”成為互聯網金融必須跨過的第一道門檻。在安全可靠和用戶體驗方面，生物識別技術發揮了傳統核身手段所無法比擬的優越性，正受到越來越多金融機構和金融科技公司的青睞。

在這一領域，中國已走在世界前列——今年 2 月 21 日，螞蟻金服“刷臉”支付被評為世界權威《麻省理工科技評論》（MIT Technology Review）2017 年全球十大突破性技術。但是作為新興事物，生物識別也引發了人們對于風險的擔憂，尤其是將其應用于金融領域，更是提出了挑戰。

2015年，馬云在德國向總理默克爾展示“刷臉支付” 。

如何確保金融級的精準度？如何在非面對面情況下確保生物特征來自于真人？如何保護用戶生物特征不被泄露？能否回答這三個問題，決定了生物識別技術對金融究竟是機遇還是挑戰。

如果是假臉，怎么破？

深度學習打通生物識別“任督二脈”

追溯生物識別的起源，它與計算機幾乎同時誕生于上世紀中葉。以人臉識別為例，早在上世紀60 年代就已有相關算法研究。而后隨著計算機技術和光學成像技術的快速發展，人臉識別技術愈發成熟——從人臉局部特征識別到全局特征提取，再到基于二維和三維模板做人臉建模的識別模型。

而近年來得益于深度學習的迅速發展，我們可以基于神經網絡讓機器模擬出人類大腦的學習過程，并通過卷積神經網絡模型和海量的圖片數據進行訓練。這對于生物識別的成效顯而易見，從以前的70%、80%的準確率提升至近兩年的99.6%甚至99.7%，具備商用條件。

深度學習到底有什么作用呢？試想下，我們用肉眼識別“你是誰”的過程中（更精確的說是“你長得像我認識的那誰誰”的甄別過程）存在哪些困難？一是人臉的角度、光線、表情、年齡、化妝、遮擋、照片質量等會影響我們的判斷；二是隨著我們“交際圈”的擴大（即數據庫樣本增大），兩個不同人長得像的概率會快速上升。

這兩點對于從前不會思考的計算機而言是致命的，而深度學習則讓計算機更聰明，能自己克服這些困難。

舉例來說，我們的算法起初對于眼鏡的識別，特別是黑框眼鏡有很大幾率識別不準確。但是當數據集累積到海量不同的鏡框后，機器就能學習出到底什么樣的鏡框有什么樣的影響，以及他們之間細微的差異，甚至我們后來還可以模擬出各種各樣的鏡框，如此可以確保對戴眼鏡的人臉具有極高的識別率。

眾所周知，通過深度學習，Alphago的棋技飛速提升，在短期內超越世界頂級棋手。而生物識別領域，也借助深度學習的幫助打通“任督二脈”，未來將不斷逼近100%的準確率。

交叉驗證方式進一步提升識別率，即使是雙胞胎也“判若兩人”

在金融等對誤識別率容忍極低的領域中，單一識別要素即使精準度再高仍然會有漏網之魚，因此需要結合多因子綜合驗證。

例如在同卵雙胞胎這一最極端的場合，使用人臉識別單一驗證要素將難以勝任，這也是在線下面對面的業務辦理中所難以克服的問題。而運用眼紋識別技術則完全可以克服這一點。

雙胞胎長得太像，怎么識別？

眼紋識別，又稱為眼靜脈識別，讓用戶無需額外硬件設備，只需普通智能手機攝像頭并在可見光環境下采集用戶眼白上的血管紋理特征，就可精確區分不同用戶，實驗證明當用戶的眼紋模板積累足夠時，深度學習技術讓眼紋識別準確率接近虹膜級別的準確率（大于99.99%）和亞秒級識別速度。

人臉識別之外，加上眼紋識別大大增加了識別準確率

除此之外，其他生理特征識別（如指紋）和行為特征識別（如擊鍵，即使用鍵盤時的按鍵力度和頻度）也是參與交叉驗證的生物特征。每增加一道特征因子，錯誤識別的概率就將大幅縮小，如此可確保生物識別在精確度上達到金融級的要求。