Optimización de la selección de sistemas biométricos mediante operadores de agregación einstein difusos esféricos complejos

Por qué importan elecciones de seguridad más inteligentes

Los bancos confían cada vez más en sistemas biométricos —huellas dactilares, escaneos faciales, lectores de iris— para proteger cuentas y frenar el fraude. Pero elegir el dispositivo “mejor” está lejos de ser sencillo. Condiciones reales como cambios de iluminación, fallos de sensores, sucursales concurridas o hábitos cambiantes de los clientes hacen que el rendimiento sea muy incierto y dependiente del tiempo. Este artículo presenta un nuevo marco matemático de decisión diseñado para ayudar a los bancos a escoger sistemas biométricos que sigan siendo fiables bajo condiciones desordenadas y fluctuantes, con el objetivo de reducir contratiempos financieros al tiempo que reflejan la genuina incertidumbre humana y técnica.

Ver la incertidumbre en tres matices

Las herramientas tradicionales de decisión a menudo suponen que podemos asignar una única puntuación clara a cada opción: buena, mala o algo intermedio. La vida real es más turbia. Generaciones anteriores de lógica difusa intentaron capturar esto permitiendo pertenencia parcial a una categoría y, más adelante, añadiendo no pertenencia y neutralidad. Aun así, normalmente se apoyaban en números simples y unidimensionales. Los autores parten de una idea más expresiva llamada conjuntos difusos esféricos complejos, que registran tres aspectos a la vez —apoyo a una opción, oposición a ella y vacilación neutral— y codifican cada uno no solo como una magnitud sino también como una fase, una especie de sincronía o comportamiento cíclico. Esto permite al modelo representar patrones como “este dispositivo funciona muy bien la mayor parte del día pero tiene problemas durante las horas punta de la tarde” de forma precisa y flexible.

Una nueva forma de fusionar muchas opiniones ruidosas

En la práctica bancaria, las decisiones biométricas dependen de muchos criterios: facilidad de uso, respaldo de datos, autonomía de batería, localización y más, todos valorados por expertos que pueden discrepar o estar inseguros. Combinar esas opiniones dispersas y a veces extremas en un veredicto equilibrado es complicado. El promedio lineal puede permitir que una puntuación inusualmente alta o baja domine y puede difuminar interacciones importantes entre criterios. Para abordar esto, los autores proponen dos nuevos operadores de agregación “Einstein” adaptados al entorno de difuso esférico complejo. Estos operadores usan reglas matemáticas no lineales que fomentan que los criterios se apoyen entre sí pero evitan que una puntuación fuerte compense por completo debilidades en otros aspectos. Como resultado, la evaluación combinada es más suave, se mantiene dentro de límites realistas y es menos sensible a valores atípicos o entradas poco fiables.

Ordenar las opciones sin empates

Incluso con un lenguaje sofisticado para la incertidumbre y una agregación inteligente, los responsables de la decisión siguen necesitando un ranking claro de alternativas. Las fórmulas de puntuación anteriores para datos difusos esféricos complejos a veces trataban opciones distintas como iguales, impidiendo decir qué sistema biométrico era realmente mejor. El artículo propone una función de puntuación mejorada que pondera con más cuidado el apoyo, la neutralidad y la oposición, junto con su comportamiento de fase. Esta medida refinada amplía el rango numérico y reduce los empates, de modo que dos sistemas que se comportan de manera distinta a lo largo del tiempo o en diferentes condiciones tienen mucho menos probabilidades de obtener la misma puntuación global. Eso, a su vez, proporciona a los gestores un ordenamiento inequívoco de los candidatos.

Poner el método a prueba en un banco

Para mostrar cómo funciona el método en la práctica, los autores estudian un banco que sospecha un alto riesgo de actividad fraudulenta y quiere actualizar su acceso biométrico. Se comparan cuatro sistemas comerciales en cuatro criterios clave: facilidad de uso, provisiones de respaldo de datos, respaldo de batería y seguimiento de empleados mediante servicios de localización. Los juicios de expertos sobre cada par dispositivo–criterio se codifican como números difusos esféricos complejos, capturando tanto la intensidad con que se cumple cada requisito como cómo varía ese rendimiento en distintas situaciones. Los nuevos operadores de agregación Einstein combinan entonces estas evaluaciones en puntuaciones globales para cada dispositivo. Ambas versiones del operador coinciden en la primera elección: un sistema denominado “CP plus”, que supera consistentemente a los demás una vez que se tienen plenamente en cuenta la incertidumbre y la interdependencia entre criterios.

Cómo ayuda esto a los bancos y más allá

Desde una perspectiva general, el mensaje principal del estudio es que la elección de tecnología de seguridad no debería basarse en promedios simples ni en puntuaciones de laboratorio. Al modelar lo que los expertos saben —y no saben— sobre el comportamiento de un sistema a lo largo del tiempo, y al integrar esas opiniones de forma controlada y no lineal, el marco propuesto ofrece rankings más estables, más transparentes y mejor alineados con el riesgo real. Aunque el estudio de caso se centra en sistemas biométricos en la banca, el mismo enfoque podría guiar decisiones complejas en ámbitos como la política ambiental, la tecnología sanitaria o la ciberdefensa, donde haya que decidir bajo profunda incertidumbre y condiciones cambiantes.

Cita: 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

Palabras clave: seguridad biométrica, lógica difusa, toma de decisiones multicriterio, prevención de fraude bancario, modelado de la incertidumbre