चेहरे की पहचान से बचने के लिए चेहरे को कितना बदलना होगा

 (gizmodo.com)
2 पॉइंट द्वारा GN⁺ 2024-12-10 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • हवाईअड्डों, स्टोर्स और ऑनलाइन फ़ोटो तक चेहरे की पहचान के फैलने के साथ, केवल वास्तविक दिखने वाले रूप-परिवर्तन से नियंत्रित 1:1 पहचान सत्यापन से बचना बहुत मुश्किल है
  • संभावना है कि महामारी के बाद सिस्टम आंखों के आसपास की विशेषताओं पर अधिक निर्भर हो गए हों, इसलिए मास्क, सनग्लासेस और बहुत भारी मेकअप चेहरा बदलने से ज़्यादा पहचान या डिटेक्शन में बाधा डालने वाले तरीके हैं
  • निगरानी वीडियो जैसे 1:N पहचान परिदृश्यों में कम-गुणवत्ता वाली इमेज, चेहरा ढकना, सीधे सामने न देखना और मोशन ब्लर मैचिंग को बिगाड़ सकते हैं, लेकिन प्रभाव algorithm, threshold और शूटिंग की परिस्थितियों पर निर्भर करता है
  • विशेष चश्मा, मेकअप और फेस मास्क जैसी सक्रिय बचाव तकनीकें भी संभव हैं, लेकिन सब पर काम करने वाले हमले भरोसेमंद नहीं होते और व्यक्ति-विशेष के लिए अनुकूलित तरीके ज़्यादा मेहनत मांगते हैं
  • चेहरे की पहचान से बचना तकनीक के प्रसार और ऑनलाइन चेहरे की बढ़ती मौजूदगी के कारण लगातार कठिन होता जा रहा है, और दीर्घकालिक रक्षा चेहरा बदलने से ज़्यादा biometric data regulation जैसी चीज़ है

क्या चेहरा बदलकर चेहरे की पहचान से बचा जा सकता है

  • केवल AI model और कैमरा होने से biometric data इकट्ठा किया जा सकता है, और हवाईअड्डा सुरक्षा या स्टोर एंट्री जैसी रोज़मर्रा की स्थितियों में भी facial recognition के संपर्क में आना पड़ सकता है
  • मुख्य सवाल यह है कि क्या चेहरे की विशेषताओं को छिपाकर या बाहरी रूप को बहुत बदलकर AI algorithm को धोखा दिया जा सकता है
  • अभी बचने का सबसे पक्का तरीका कैमरे से बचना है, लेकिन अगर facial recognition तकनीक और व्यापक रूप से तैनात होती है तो यह तरीका भी कठिन हो सकता है
  • गोपनीयता विशेषज्ञों का मानना है कि biometric information की सुरक्षा में लोग पहले से ही कमजोर स्थिति में हो सकते हैं, और लंबे समय में federal regulation ही व्यावहारिक रक्षा उपाय बन सकता है

साधारण चेहरे के बदलावों के प्रति मजबूत आधुनिक सिस्टम

  • Cynthia Rudin का आकलन है कि अत्याधुनिक चेहरे की पहचान को धोखा देने लायक चेहरे को वास्तविक रूप से बदलना कठिन है
  • महामारी के दौरान बहुत से लोगों ने नाक और मुंह को मास्क से ढका, इसलिए संभव है कि सिस्टम आंखों के आकार पर अधिक निर्भर होने लगे हों
  • आंखों के आकार को वास्तविक रूप से बदलकर सिस्टम को धोखा देने का तरीका स्पष्ट नहीं है
  • सनग्लासेस, मास्क और बहुत भारी मेकअप चेहरे की डिटेक्शन को कठिन बना सकते हैं, लेकिन यह चेहरा बदलने से ज़्यादा ढकने का तरीका है
  • प्लास्टिक सर्जरी जैसे अत्यधिक बदलावों से अगर पहचान सिस्टम को धोखा भी दिया जाए, तब भी अगर नाम के साथ चेहरे की फ़ोटो इंटरनेट पर अपलोड हो जाए तो search-based facial recognition फिर से पहचान कर सकती है
    • उदाहरण के लिए, कोई दोस्त सोशल मीडिया पर टैग कर दे या किसी व्याख्यान का वीडियो ऑनलाइन अपलोड हो जाए
    • अगर बदला हुआ चेहरा ड्राइविंग लाइसेंस या पासपोर्ट से मेल न खाए तो यात्रा करना मुश्किल हो सकता है

1:1 सत्यापन और 1:N पहचान का अंतर

  • Walter Scheirer का मानना है कि चेहरे की पहचान से बचने की कठिनाई इस बात पर निर्भर करती है कि algorithm का इस्तेमाल कैसे किया जा रहा है
  • मानव biometrics में आम तौर पर दो matching तरीके होते हैं: 1:1 verification और 1:N identification
    • 1:1 में कैमरे के सामने खड़ा व्यक्ति जो पहचान बताता है, उसे database में मौजूद रजिस्टर्ड फ़ोटो से मिलाया जाता है
    • यह तरीका high-security computer authentication, law enforcement investigations और हवाईअड्डों पर international boarding जैसी स्थितियों में उपयोग होता है
    • 1:N में किसी अज्ञात subject की फ़ोटो की तुलना रुचि-योग्य पहचानों की रजिस्टर्ड फ़ोटो के सेट से की जाती है
    • यह तरीका law enforcement और सरकारी intelligence activities सहित video-based surveillance environments में अक्सर उपयोग होता है
  • नियंत्रित 1:1 वातावरण में बच निकलना बहुत कठिन है
    • अगर फ़ोटो सीधे सामने की मुद्रा, तटस्थ अभिव्यक्ति, अच्छी रोशनी और नियंत्रित background में ली गई हो, तो मेकअप, दाढ़ी जोड़ना या हटाना, हेयरस्टाइल बदलना जैसे बुनियादी बचाव प्रभावी नहीं होते
    • आधुनिक neural-network-based facial recognition एक ही व्यक्ति के अलग-अलग रूपों में भी उच्च matching accuracy देती है
  • प्लास्टिक सर्जरी के प्रभाव पर हाल के शोध से पता चलता है कि सौंदर्य की दृष्टि से अच्छे न लगने वाले अत्यधिक चेहरे के संरचनात्मक बदलाव कुछ हद तक प्रभावी हो सकते हैं, लेकिन सामान्य cosmetic procedures का असर अपेक्षा से कम होता है

निगरानी वातावरण में इमेज क्वालिटी घटाना अधिक व्यावहारिक है

  • अनियंत्रित निगरानी वातावरण में 1:N पहचान से बचने की कुछ गुंजाइश बिना सर्जिकल उपायों के भी अपेक्षाकृत अधिक होती है
  • अच्छे neural network भी low-quality images में, जहां चेहरे के जानकारी-समृद्ध pixels कम होते हैं, कठिनाई महसूस करते हैं, और जैसे-जैसे candidate identities की सूची बढ़ती है, काम और मुश्किल हो जाता है
  • बचाव के तरीके इस पर केंद्रित होते हैं कि algorithm को चेहरे के अच्छे pixels ही न मिलें
    • गैर-संदिग्ध परिस्थितियों में सर्दियों का स्कार्फ़ या धूप वाले दिन सनग्लासेस से चेहरा ढका जा सकता है
    • चौड़ी किनारी वाली टोपी माथे और बालों को छिपाकर चेहरे पर छाया डालती है, जो बाधा बनती है
    • हाथ से चेहरा ढकना भी मदद कर सकता है
    • चलते समय नीचे देखने से आसपास के कैमरों के लिए सामने से अच्छी चेहरे की इमेज लेना कठिन हो जाता है
    • जॉगिंग या साइकिल चलाने जैसी तेज़ गतिविधि से खींची गई तस्वीरों में motion blur आ सकता है
  • सबसे व्यावहारिक सलाह यही है कि जहां facial recognition तैनात हो, उन जगहों को पहचानें और उनसे बचें
  • यह सलाह कितने समय तक काम की रहेगी, यह इस बात पर निर्भर करता है कि भविष्य में facial recognition तकनीक कितनी व्यापक होती है

adversarial attacks और व्यक्ति-विशेष के अनुरूप रूप-परिवर्तन

  • Xiaoming Liu चेहरे की पहचान से बचाव को ऐसी स्थिति के रूप में परिभाषित करते हैं जिसमें facial recognition system कैमरे में दिख रहे व्यक्ति के चेहरे को पहचान ही न सके
  • facial recognition system को सक्रिय रूप से विफल करने के तरीकों में physical adversarial attacks शामिल हैं
    • AI models इनपुट डेटा में छोटे बदलावों से भी असफल हो सकते हैं, और facial recognition systems भी इसका अपवाद नहीं हैं
    • मुख्य बात यह है कि ऐसे छोटे, खास बदलाव खोजे जाएं जो facial recognition system को विफल कर दें
    • CMU के विशेष चश्मे वाले उदाहरण की तरह, ऐसे शोध हैं जिनमें चश्मे से facial recognition system को विफल किया गया
    • इसी तरह स्कार्फ़, फेस मास्क और मूंछ भी डिज़ाइन किए जा सकते हैं
  • बाहरी रूप बदलकर किसी और व्यक्ति के रूप में गलत पहचाने जाने का तरीका भी है
    • सबसे आम तरीका मेकअप है
    • कहां और कितना मेकअप करना है, यह हर व्यक्ति के लिए अलग होगा
    • जिनका चेहरा अधिक सामान्य हो और दूसरों से मिलता-जुलता हो, वे अपेक्षाकृत छोटे मेकअप बदलावों से भी गलत पहचाने जा सकते हैं
    • जिनका चेहरा बहुत विशिष्ट हो, उन्हें कहीं अधिक बड़े मेकअप बदलावों की आवश्यकता होगी
  • ऐसा application भी संभव है जिसमें smartphone app कैमरे से चेहरा देखकर बार-बार बताए कि कम-से-कम मेकअप में facial recognition system को भ्रमित करने के लिए कहां से और किस रंग का मेकअप करना चाहिए
  • महंगे face masks भी इस्तेमाल किए जा सकते हैं, हालांकि यह तरीका Hollywood फ़िल्मों में अधिक आम है
  • तरीका 1 उपयोगकर्ता के लिए आसान है, लेकिन सभी पर काम करने वाले सार्वभौमिक adversarial attacks भरोसेमंद नहीं होते
  • तरीका 2 अधिक personalizable है और बेहतर काम कर सकता है, लेकिन उतनी ही अधिक मेहनत मांगता है

embedding और threshold बचाव की कठिनाई तय करते हैं

  • Kevin W. Bowyer का मानना है कि जवाब चेहरे के matching algorithm और उसमें इस्तेमाल होने वाले threshold पर निर्भर करता है
  • चेहरे की पहचान दो इमेज की तुलना करके यह तय करने की प्रक्रिया है कि वे एक ही व्यक्ति की मानी जाएं या अलग-अलग व्यक्तियों की
  • हर facial recognition algorithm चेहरे की इमेज से feature vector यानी embedding निकालता है और दो feature vectors की समानता की तुलना करता है
    • किसी एक चेहरे की इमेज 512 संख्याओं की सूची तक सिमट सकती है
    • दो चेहरे की इमेज के बीच समानता 0~100 या -1~+1 जैसे दायरे में आ सकती है
    • 100 या +1 केवल एक ही इमेज की कॉपी की तुलना में आता है, और वास्तविक परिस्थितियों में यह दुर्लभ है
  • अगर मान लें कि आधुनिक algorithm -1~+1 की range का इस्तेमाल करता है, तो अलग-अलग लोगों की इमेज जोड़ी की similarity आम तौर पर 0.0 के आसपास या उससे थोड़ा ऊपर हो सकती है
  • एक ही व्यक्ति की अलग-अलग इमेज जोड़ी की similarity 0.8 के आसपास या उससे थोड़ा ऊपर हो सकती है
    • ड्राइविंग लाइसेंस फ़ोटो जैसी अच्छी तरह नियंत्रित परिस्थितियों में एक ही व्यक्ति की दो इमेज के बीच औसत similarity अधिक होती है
    • स्टोर एंट्री वीडियो फ़्रेम जैसी कम नियंत्रित परिस्थितियों में एक ही व्यक्ति की दो इमेज के बीच औसत similarity कम होती है
  • अगर threshold 0.7 पर सेट हो, तो 0.7 से कम similarity पर सिस्टम उन्हें अलग व्यक्ति मानेगा और 0.7 या उससे अधिक पर एक ही व्यक्ति मानेगा
  • “बाहरी रूप को कितना बदलना होगा” यह सवाल बदलकर “नई इमेज की existing image से तुलना होने पर similarity value को कम करने का सबसे अच्छा तरीका क्या है” बन जाता है
  • संभावित तरीकों में गहरे रंग के सनग्लासेस, हेयरस्टाइल बदलना, बढ़ा-चढ़ाकर facial expression देना, कैमरे की ओर सीधे न देखना, वजन बढ़ना या घटना, और मेकअप शामिल हैं
  • कोई भी तरीका यह गारंटी नहीं दे सकता कि existing photo से match नहीं होगा
    • तुलना में इस्तेमाल होने वाली existing photo कौन-सी होगी, यह पता न हो सकता है
    • कौन-सा algorithm और कौन-सा threshold इस्तेमाल होगा, यह भी पता न हो सकता है
    • अगर ये तीनों बातें पता हों, तभी सबसे प्रभावी तरीके का प्रयोग करके परीक्षण किया जा सकता है

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2024-12-10
Hacker News की टिप्पणियां

  • अंतरराष्ट्रीय उड़ानों वाले एयरपोर्ट पर जब उन्होंने boarding pass और passport चेक किए बिना ही मुझे जाने दिया, और फिर gate से गुजरते समय seat number बता दिया, तो मुझे भी कुछ ऐसा ही लगा
    मेक्सिको में timeshare बेचने वाले एक airport कर्मचारी ने बहुत आक्रामक तरीके से मेरी बांह पकड़कर मुझे जाने से रोका, तो मैंने शिकायत की। एयरपोर्ट वालों ने तुरंत एयरपोर्ट के अंदर मेरी सारी आवाजाही का वीडियो दिखाकर उस कर्मचारी की पहचान करा दी
    लेख में जैसा कहा गया है, मुझे लगता है कि ऐसे सिस्टम हर जगह लगना बस समय की बात है। Public transport hubs में लोग इनके आदी हो चुके हैं और लगभग कोई विरोध नहीं है। जल्द ही स्थानीय निकाय या private businesses भी इन्हें अपनाएंगे, और फिर माहौल ऐसा हो सकता है कि “एयरपोर्ट पर तो पहले से होता है”, तो grocery store या footpath पर इतना हंगामा क्यों?

    • मुझे लगता है कि आप एयरपोर्ट इस्तेमाल करने वाले अलग-अलग लोगों की संख्या और इतनी बार इस्तेमाल करने वालों की संख्या, जो tracking को नोटिस कर सकें, दोनों को ज्यादा आंक रहे हैं
      जो लोग जीवन में एक-दो बार ही उड़ान लेते हैं, वे भ्रमित और व्यस्त हालात से निकलने पर ज्यादा ध्यान देते हैं; उनके लिए यह समझ पाना मुश्किल है कि face recognition नया है या यह 9/11 के बाद की कोई विशेष व्यवस्था नहीं है। ज्यादातर अमेरिकियों ने या तो विदेश कभी नहीं देखा, या सिर्फ एक देश देखा है; और वह भी अक्सर मेक्सिको या कनाडा जैसा, जहां कार या पैदल जाया जाता है
      अगर घर के पास जैसे परिचित रोजमर्रा के माहौल में ऐसा हो, तो तनाव कम होगा और सोचने की फुर्सत मिलेगी, इसलिए लोग कम से कम रुककर पूछेंगे कि यह क्या हो रहा है
    • वह वीडियो वाला उदाहरण डरावना भी है और दिलचस्प भी। शिकायत करने, जिम्मेदार व्यक्ति के आने और वीडियो दिखाने में कितनी जल्दी लगी, यह जानने की उत्सुकता है
      database के cue points के आधार पर video library से तेजी से edited version assemble करने का काम कर चुके व्यक्ति के तौर पर, यह काफी दिलचस्प समस्या है। यह भी जानना चाहूंगा कि final video किसी spy movie की तरह अच्छे angles जोड़कर बनाया गया cut edit था, या arriving flight की पहचान होने के समय से कई cameras साथ-साथ दिखाने वाला multicam view था; और क्या system ने व्यक्ति के चारों ओर box बनाकर ऐसा दिखाया जैसे वह “जानता” हो
      जानने का मन करता है कि ये face recognition systems असल में कितने dystopian हैं
    • करीब 20 साल पहले pharmacy से घर लौटा तो देखा कि एक महंगी चीज का पैसा लग गया था, जिसे मैंने खरीदा ही नहीं था। फोन किया, तो store ने receipt के timestamp से surveillance video तुरंत ढूंढ लिया, और पुष्टि की कि मेरे आगे वाले व्यक्ति का सामान मेरे bill में जुड़ गया था; फिर refund कर दिया
      face recognition बिल्कुल नहीं था, लेकिन उस अनुभव के बाद मैं video surveillance के प्रति सकारात्मक हो गया
    • इस उदाहरण में समय और जगह से जुड़ा context है, इसलिए false positive rate को बहुत ज्यादा घटाया जा सकता है
      लेकिन nationwide public manhunt में false positive rate इतना अधिक होता है कि यह ठीक से काम करना मुश्किल है। ज्ञात location और time वाले incident जैसे local/temporal context से बाहर, और खासकर अमेरिका जैसी जगहों में जहां निजी कारों का इस्तेमाल व्यापक है और लोग ज्यादा निशान नहीं छोड़ते, ऐसे systems अक्सर व्यावहारिक रूप से बहुत मददगार नहीं होते
    • अगर default को opt-in नहीं बल्कि opt-out बना दिया जाए, तो ज्यादातर लोग परवाह नहीं करेंगे, या झंझट के कारण जाने देंगे
      अमेरिकी नागरिक entry के समय photo खिंचवाने से मना कर सकते हैं, लेकिन कौन यह झंझट उठाएगा? और इसी तरह यह चलता रहता है

  • Helen Phillips का नया उपन्यास Hum इसी सवाल को ठीक-ठीक उठाता है
    premise यह है: नौकरी खो चुकी और आर्थिक तंगी से जूझ रही एक महिला, cutting-edge face recognition software की test subject बनने के लिए, एक advanced robot से अपने चेहरे में बेहद मामूली surgical बदलाव करवाने वाले research में शामिल होती है
    उसका पति मुख्य रूप से pest control करने वाला gig-job repairman है, इसलिए कमाई बहुत खराब है; उनके दो छोटे बच्चे हैं, और बेदखल होने के डर से वह इसमें भाग लेती है। research में upfront इतना बड़ा पैसा दिया जाता है कि परिवार 10 महीने तक किसी दूसरी आय के बिना आराम से रह सके
    जल्द ही समस्या सामने आती है: रूप-रंग में बहुत हल्का बदलाव हुआ है, फिर भी परिवार और जान-पहचान के सभी लोग असहज हो जाते हैं। वह पहले जैसी ही दिखती है, लेकिन कुछ अलग है। यह research ऐसे चेहरे बनाने के लिए है, ताकि देखा जा सके कि surveillance video uncanny valley में आने वाले चेहरों को कैसे handle करता है
    यह परिचय किताब के शुरुआती हिस्से का है, इसलिए spoiler नहीं है; इसके बाद कहानी अप्रत्याशित और रोचक दिशा में फट पड़ती है। यह एक समीक्षकों द्वारा सराही गई और पुरस्कार विजेता उपन्यासकार की छठी किताब है, SF है, और इसकी भाषा खूबसूरत है
    पहले 19 पेज यहां पढ़े जा सकते हैं: https://www.amazon.com/Hum-Novel-Helen-Phillips/dp/166800883...

    • इतना दिलचस्प है कि तुरंत अपनी reading list में डालने का मन करता है। बस उम्मीद है कि इसे अगले product proposal के roadmap की तरह नहीं, बल्कि dystopia के रूप में समझा जाए

  • निष्कर्ष देखकर चीन की Lao Rongzhi याद आती है। वह अपने प्रेमी Fa Ziying के साथ serial killer थी[0], और दोनों ने देशभर में घूमकर वसूली और हत्याएं कीं
    Fa को 1999 में पुलिस के साथ गतिरोध के बाद गिरफ्तार किया गया, लेकिन Lao ने चेहरा बदलने वाली plastic surgery तक कराई और 20 साल तक फरार रही। हालत यह थी कि ज्यादातर लोग उसे पहचान नहीं पाते थे
    लेकिन उन 20 सालों में face recognition software तेजी से विकसित हुआ, और एक shopping mall camera ने उसे पहचानकर राष्ट्रीय अपराधी database से match कर दिया। शुरुआत में पुलिस ने भी इसे गलती माना, लेकिन DNA evidence से वही व्यक्ति होने की पुष्टि हुई, और आखिरकार उसे फांसी दे दी गई
    मुझे लगता है कि आज के दौर में कोई भी face recognition से सचमुच छिप नहीं सकता
    [0] https://www.youtube.com/watch?v=I7D3mOHsVhg

    • “summary execution” वाला बयान सख्ती से देखें तो गलत है। summary execution का मतलब बिना due process के फांसी देना होता है, जबकि Wikipedia के अनुसार Supreme People's Court तक जाने वाली काफी विस्तृत कानूनी प्रक्रिया हुई थी
      “9 सितंबर 2021 को Lao को जानबूझकर हत्या, अपहरण और डकैती के आरोपों में Nanchang Intermediate People's Court ने मौत की सजा सुनाई। उसके राजनीतिक अधिकार जीवनभर के लिए छीन लिए गए और सारी निजी संपत्ति भी जब्त कर ली गई। Lao ने फैसले के खिलाफ appeal की, और दूसरी सुनवाई 18 अगस्त 2022 को Jiangxi Provincial Higher People's Court में हुई। Lao ने माना कि वह Fa की accomplice थी, लेकिन दावा किया कि पूरे रिश्ते के दौरान Fa ने उसका शारीरिक और यौन उत्पीड़न किया और जान जाने के डर से उसने ऐसा किया। उसी साल 30 नवंबर को अदालत ने मौत की सजा बरकरार रखी। 18 दिसंबर 2023 को, Supreme People's Court की मंजूरी के बाद Nanchang Intermediate People's Court ने Lao Rongzhi की मौत की सजा लागू की।”
      https://en.m.wikipedia.org/wiki/Fa_Ziying_and_Lao_Rongzhi
    • “camera ने 97.3% match बताया” वाला हिस्सा अस्पष्ट है। अगर किसी भी random व्यक्ति के लिए match score random हो, तो 1÷(1−.973)≈37, यानी 37 में से 1 व्यक्ति camera में पकड़ा जाएगा। चीन में तो लाखों shopping malls में लाखों लोग match हो सकते हैं
      असली match score शायद इससे अधिक रहा होगा। फिर भी आज का face recognition चेहरे के लिए एक consistent “hash value” तो देता है, लेकिन यह digits या information content में सीमित तरीका लगता है। अगर आपको यह अतिरिक्त जानकारी हो कि कोई व्यक्ति X flight का passenger है, तो आप बहुत अधिक probability से अंदाजा लगा सकते हैं कि वह कौन है; लेकिन जब तक आप कई specific लोगों को ढूंढते हुए false positives स्वीकार न करें, यह बड़े scale पर अच्छी तरह scale नहीं करता
      authorities यह कहना पसंद करती हैं कि DNA और face recognition ने किसी को पकड़ा, क्योंकि ऐसी बातें authorities को सर्वशक्तिमान दिखाती हैं। ऊपर का “97.3%” जैसा value भी गलत या अर्थहीन हो सकता है। बेशक यह technology कभी-कभी लोगों को पकड़ती है, लेकिन अभी भी सीमित और महंगी है
    • plastic surgery के बाद face identification पर चर्चा में यह paper मददगार हो सकता है: “Human face identification after plastic surgery using SURF, Multi-KNN and BPNN techniques” <https://link.springer.com/article/10.1007/s40747-024-01358-7>
    • आपको कैसे पता कि वह कहानी सच है? अगर police ने गलती की होती, तो क्या वे बताते? सच कौन पता लगा सकता था या उन्हें आरोपित कर सकता था?

  • अगर मकसद अपनी तैयार की गई तस्वीरें public करना हो, लेकिन face recognition आपको पहचान न पाए, तो असल में चेहरे को बहुत ज्यादा बदलने की जरूरत नहीं होती। https://sandlab.cs.uchicago.edu/fawkes/ देखें
    adversarially तैयार की गई images इंसानी आंखों को अब भी पूरी तरह आपके जैसी दिख सकती हैं, और face recognition को तोड़ने वाला data आम human perception के हिसाब से लगभग steganography के स्तर पर encoded होता है

    • मेरी जानकारी में यह दिलचस्प project बंद हो चुका है, और मेरी समझ है कि उसके बाद face recognition models को ऐसे attacks से defend करने के लिए train किया गया है
    • जानना चाहूंगा कि क्या यह काम अभी भी चल रहा है। link पर आखिरी “News” post 2022 की है, इसलिए यह दिलचस्प लगता है

  • “सरकार से हमें बचाने वाले कानून बनाने की मांग करना कहीं ज्यादा आसान है…” वाली बात थोड़ी भोली है। data पहले से ही ज्यादातर मौजूद है, और कोई दूसरी सरकार आते ही वे protections निष्प्रभावी हो सकती हैं, इसलिए बहुत देर हो चुकी है
    इसलिए German और European लोग लंबे समय से data collection के खिलाफ और safeguards बनाने के लिए काफी जोरदार लड़ाई लड़ते आए हैं, और शायद उनके पास सबसे sophisticated policies और regulations में से कुछ हैं
    लेकिन समय बीतने पर data collection को न्यूनतम रखना लगभग असंभव हो जाता है। शुरुआत में कोई छोटा exception बनता है जो अपने आप में उचित लगता है, फिर participants बढ़ते हैं, वह normal हो जाता है, और आखिर में कोई safeguards नहीं बचते

    • अभी देर नहीं हुई है। हमारे लिए देर हो सकती है, लेकिन 100 साल बाद मृत पूर्वजों के असहज रूप से निजी database की किसे सचमुच परवाह होगी? DNA अब भी समस्या रहेगा, लेकिन करीब 1000 साल बाद शायद एक नया most recent common ancestor आ जाएगा
      अगर अभी या जल्द रोक दें, तो इसे शुरुआत में ही खत्म किया जा सकता है। शायद हमारे लिए भी बहुत देर नहीं हुई है। skull shape से चेहरा पहचानना अभी भी चिंता की बात है, लेकिन तभी जब बुरी नीयत वाले पक्ष के पास हमारे latest videos हों। नहीं तो वे सिर्फ past activities की जांच कर सकते हैं
      बाकी तरह के data की long-term usefulness रोकने वाली constraints और भी ज्यादा हैं—बशर्ते हम “बोतल से निकला जिन्न वापस नहीं डाला जा सकता” वाले भ्रम में शामिल न हों
    • Germany में अब भी सरकार संबंधित धर्मों को tax बांटने के नाम पर लोगों से religion registration मांगती है। माफ करें, लेकिन German government का नागरिकों से अपना धर्म बताने की मांग करना कुछ बेहद अप्रिय चीजों की याद दिलाता है

  • मैं अक्सर सोचता था कि अगर कॉलर पर चमकीली इन्फ्रारेड LED लगाकर घूमूं, जो इंसानी आंखों को लगभग दिखाई न दे लेकिन ज़्यादातर CMOS chips में दर्ज हो जाए और कैमरा को चकाचौंध करने जितनी कम wavelength वाली हो, और उसे 30Hz या 60Hz पर blink कराया जाए, तो क्या होगा।
    किराना लेने जाते हर बार यह ख्याल आता है। मुझे surveillance पसंद नहीं है और मेरे पास छिपाने को भी कुछ नहीं है, लेकिन उसका वह समझाने वाला और दबाव डालने वाला स्वभाव पसंद नहीं। मैंने ज़िंदगी में कभी चोरी भी नहीं की। किसी इंसान का पीछे-पीछे आना फिर भी थोड़ा कम खटकता है, लेकिन कहीं ज्यादा असरदार, डरावना और intrusive algorithmic analysis मुझे पसंद नहीं।
    शायद ऐसे experiment का नतीजा होगा कि आपको बाहर जाने को कहा जाएगा या police के साथ असहज बातचीत होगी। फिर भी मन करता है कि मुझसे ज्यादा बहादुर कोई इसे आज़माए। अगर कपड़ों पर lights लगाई जा सकती हैं, तो उन्हें infrared क्यों नहीं बनाया जा सकता?

    • मैं गारंटी देता हूं कि store security में alarm बजेगा और तुरंत security guard जांचने आ जाएगा।

  • facial recognition से बचने के लिए चेहरा कितना बदलना होगा? W.O.P.R. से प्रेरित निषिद्ध जवाब है: game खेलना ही मत।
    जहां तक हो सके, cameras वाले इलाकों से बचें। इससे revenue पर असर पड़ता है।
    business या clients/partners से जब संभव हो Zoom या Jitsi calls करें।
    आत्मनिर्भर बनें। ज़रूरत न हो तो पैसा खर्च न करें, और healthy groceries delivery से मंगाएं। tax revenue घटता है।
    अगर company अनुमति दे तो work from home करें। जितना संभव हो off-grid के करीब जीवन जिएं।
    जिन errands से बचना संभव न हो, उनके लिए किसी और को hire करें। पड़ोस के बच्चे को cash देकर शहर भेज दें।
    मुझे पता है कि यह बात किसी को पसंद नहीं आएगी, लेकिन मैं ऐसा ही हूं।

  • कुल मिलाकर बुरा article नहीं है, लेकिन असली सलाह 10 साल से ज्यादा पहले जब मैंने आखिरी बार इस field को देखा था, तब से बहुत बदली नहीं है।
    मोटे तौर पर ऊपर मत देखें, जितना हो सके चेहरा ढकें, patterns को mix करें ताकि algorithms समय के साथ आपको वही व्यक्ति मानकर match करने में मुश्किल महसूस करें, camera locations और उनसे बचने के तरीके जानें, और अगर किसी ज्ञात surveillance zone में जाना ही पड़े तो जितनी जल्दी और चुपचाप हो सके निकल जाएं। अगर खास तौर पर बहुत paranoid हैं, तो surveillance zones के बीच outfit भी बदल लेना बेहतर है।
    हालांकि government surveillance को धोखा देने की उम्मीद अभी छोड़ देना बेहतर है। अगर कोई सक्षम state actor किसी खास व्यक्ति को target कर रहा है, तो वह शायद आपको पहले ही अपने net में डाल चुका होगा। पुराने grocery store camera की धुंधली black-and-white analog footage से भी चेहरा match करने लायक पर्याप्त जानकारी उनके पास पहले से होती है।
    किसी meaningful plastic surgery या prosthetics के बिना आप जीत नहीं सकते, और अगर आप वह कर भी लें, तो अगर वे सचमुच चाहें तो आपके छुए हुए सामान से partial fingerprints लेकर verify कर लेंगे।
    security का पहला नियम है कि अगर कोई सचमुच बहुत शिद्दत से वह चीज चाहता है जो आपके पास है, तो उसे रोकने का तरीका नहीं है। इसी बात को ध्यान में रखकर plan बनाना चाहिए। इसलिए मैं protests में नहीं जाता, और उन events से बचता हूं जहां facial recognition technology deployed हो। पिछले काम की वजह से मैं high-quality reference material के साथ पहले ही कई बार उन datasets में शामिल हूं, और passport photo या Global Entry access से वह updated भी होता रहता है।
    सबसे सुरक्षित विकल्प है कि खुद को शुरू से ही ऐसी जगह पर न रखा जाए, और शायद ज्यादातर लोगों के लिए भी यही सबसे अच्छा है।

  • ज्यादा समझदार चर्चा में biometrics का मुख्य point यह है कि “एक बार compromise हो गए तो हमेशा के लिए compromise हो गए।” biometrics password नहीं, बल्कि public key या username के ज्यादा करीब हैं।
    सौभाग्य से government पर यह बात ज्यों-की-त्यों लागू नहीं होती। मौजूदा government compromise हो गई हो, तब भी democratic process के जरिए उसे फिर से uncompromised अवस्था में बदला जा सकता है।
    इसलिए कहा जा सकता है कि चेहरा बदलने से government बदलना आसान है। मेहनत उसी तरफ लगानी चाहिए।

    • biometrics लोगों की सोच से कहीं कम unique होते हैं।
      जैसे ही आप उन्हें पूरे अमेरिका जैसी विशाल population पर लागू करते हैं और temporal व regional context को ignore करते हैं, collisions होने लगते हैं। खासकर sensor error या किसी और वजह से partial samples को ध्यान में रखें तो और भी।
      courts ने इस reality को ignore किया कि biometric matching हमेशा सिर्फ match की संभावना होती है, guaranteed match नहीं; इसकी वजह से बेगुनाह लोग जेल भी गए हैं।

  • अगर sunglasses पहनने और mask या exaggerated makeup जैसी चेहरे पर कोई चीज लगाने से face detect करना मुश्किल हो जाता है, लेकिन आप कहें कि यह चेहरा बदलना नहीं बल्कि छिपाना है, इसलिए “cheating” है, तो बस sunglasses और mask पहन लें। cheating है या नहीं, किसे परवाह है?