Optimierung der Auswahl biometrischer Systeme durch komplexe sphärische fuzzy-Einstein-Aggregationsoperatoren

Warum klügere Sicherheitsentscheidungen wichtig sind

Banken verlassen sich zunehmend auf biometrische Systeme — Fingerabdrücke, Gesichtsscans, Iris-Scanner — um Konten zu schützen und Betrug einzudämmen. Die Auswahl des „besten“ Geräts ist jedoch alles andere als einfach. Realweltbedingungen wie wechselnde Beleuchtung, Sensorstörungen, belebte Filialen oder veränderte Kundengewohnheiten machen die Leistung hochgradig unsicher und zeitabhängig. Dieser Artikel stellt ein neues mathematisches Entscheidungsrahmenwerk vor, das Banken helfen soll, biometrische Systeme auszuwählen, die unter solchen unübersichtlichen, schwankenden Bedingungen zuverlässig bleiben, mit dem Ziel, finanzielle Fehlgriffe zu reduzieren und echte menschliche sowie technische Unsicherheit abzubilden.

Unsicherheit in drei Facetten betrachten

Traditionelle Entscheidungshilfen gehen häufig davon aus, dass jede Option mit einer einzigen klaren Bewertung versehen werden kann: gut, schlecht oder irgendwo dazwischen. Das Leben ist komplizierter. Frühere Generationen der Fuzzy-Logik versuchten, dies abzubilden, indem sie partielle Zugehörigkeit zu einer Kategorie erlaubten und später Nicht-Zugehörigkeit und Neutralität ergänzten. Dennoch beruhten sie meist auf eindimensionalen Zahlen. Die Autoren bauen auf einer ausdrucksstärkeren Idee auf, den komplexen sphärischen Fuzzy-Mengen, die drei Aspekte gleichzeitig verfolgen — Unterstützung einer Option, Ablehnung und neutrale Unsicherheit — und jeden davon nicht nur als Größe, sondern auch als Phase kodieren, eine Art Timing oder zyklisches Verhalten. So kann das Modell Muster wie „dieses Gerät funktioniert die meiste Zeit sehr gut, hat aber während des abendlichen Spitzenbetriebs Probleme“ präzise und zugleich flexibel darstellen.

Eine neue Art, viele verrauschte Meinungen zu verschmelzen

In der Bankpraxis hängen biometrische Entscheidungen von vielen Kriterien ab: Bedienfreundlichkeit, Datensicherung, Batterielaufzeit, Ortung und mehr — bewertet von Expertinnen und Experten, die uneins oder unsicher sein können. Diese verstreuten, mitunter extremen Einschätzungen zu einer ausgewogenen Gesamtbeurteilung zusammenzuführen, ist schwierig. Lineare Mittelwerte können zulassen, dass eine ungewöhnlich hohe oder niedrige Bewertung dominiert, und sie verwischen wichtige Wechselwirkungen zwischen Kriterien. Zur Lösung dieses Problems führen die Autoren zwei neue „Einstein“-Aggregationsoperatoren ein, die speziell für das komplex-sphärische Fuzzy-Setting entwickelt wurden. Diese Operatoren verwenden nichtlineare mathematische Regeln, die Kriterien gegenseitig unterstützen lassen, zugleich aber verhindern, dass ein starker Wert Schwächen an anderer Stelle vollständig kompensiert. Dadurch ist die zusammengeführte Bewertung glatter, bleibt in realistischen Grenzen und ist weniger anfällig für Ausreißer oder unzuverlässige Eingaben.

Alternativen ohne Gleichstände ordnen

Selbst mit einer ausgefeilten Sprache für Unsicherheit und kluger Aggregation benötigen Entscheidungsträger eine klare Rangfolge der Alternativen. Frühere Bewertungsformeln für komplex-sphärische Fuzzy-Daten behandelten unterschiedliche Optionen mitunter als gleichwertig, sodass nicht mehr festgestellt werden konnte, welches biometrische System wirklich überlegen ist. Die Arbeit schlägt eine verbesserte Bewertungsfunktion vor, die Unterstützung, Neutralität und Ablehnung sowie deren phasenbezogenes Verhalten sorgfältiger gewichtet. Diese verfeinerte Kennzahl dehnt den numerischen Bereich und verringert Gleichstände, sodass zwei Systeme, die sich über Zeit oder Bedingungen unterscheiden, deutlich seltener denselben Gesamtwert erhalten. Das liefert den Verantwortlichen eine eindeutige Rangordnung der Kandidaten.

Anwendung der Methode in einer Bank

Um die praktische Wirksamkeit der Methode zu demonstrieren, analysieren die Autoren eine Bank, die ein hohes Risiko betrügerischer Aktivitäten vermutet und ihr biometrisches Zugangssystem aufrüsten möchte. Vier kommerzielle Systeme werden anhand von vier Schlüsselkriterien verglichen: Benutzerfreundlichkeit, Datensicherungsmaßnahmen, Batterie-Backup und Mitarbeiterverfolgung über Ortungsdienste. Expertenschätzungen zu jedem Geräte‑Kriterium-Paar werden als komplex-sphärische Fuzzy-Zahlen kodiert, wobei sowohl die Stärke der Erfüllung einer Anforderung als auch deren variierendes Verhalten in unterschiedlichen Situationen erfasst werden. Die neuen Einstein-Aggregationsoperatoren kombinieren diese Bewertungen zu Gesamtergebnissen für jedes Gerät. Beide Varianten des Operators stimmen in der Spitzenwahl überein: Ein System namens „CP plus“, das, sobald Unsicherheit und Interdependenzen zwischen den Kriterien vollständig berücksichtigt sind, durchgängig besser abschneidet als die übrigen.

Wie das Banken und darüber hinaus hilft

Aus laienhafter Perspektive lautet die Hauptbotschaft der Studie, dass die Auswahl von Sicherheitstechnologie nicht auf einfachen Durchschnitten oder Laborwerten beruhen sollte. Indem man modelliert, was Expertinnen und Experten über das Verhalten eines Systems im Zeitverlauf wissen — und nicht wissen — und diese Einschätzungen auf kontrollierte, nichtlineare Weise zusammenführt, liefert das vorgeschlagene Rahmenwerk stabilere, transparentere und stärker an realen Risiken orientierte Ranglisten. Obwohl die Fallstudie biometrische Systeme im Bankwesen fokussiert, könnte derselbe Ansatz komplexe Entscheidungen in Bereichen wie Umweltpolitik, Medizintechnik oder Cyberabwehr leiten, überall dort, wo unter tiefgreifender Unsicherheit und sich ändernden Bedingungen entschieden werden muss.

Zitation: Kanwal, S., Shuaib, U., Alhamzi, G. et al. Optimizing biometric system selection via complex spherical fuzzy einstein aggregation operators. Sci Rep 16, 13183 (2026). https://doi.org/10.1038/s41598-026-39908-3

Schlüsselwörter: biometrische Sicherheit, Fuzzy-Logik, Multi-Kriterien-Entscheidungsfindung, Betrugsprävention im Bankwesen, Modellierung von Unsicherheit