Optimisation du choix des systèmes biométriques via des opérateurs d’agrégation einstein flous sphériques complexes

Pourquoi des choix de sécurité plus intelligents sont importants

Les banques s’appuient de plus en plus sur des systèmes biométriques — empreintes digitales, scans du visage, lecteurs d’iris — pour protéger les comptes et lutter contre la fraude. Mais choisir le « meilleur » appareil est loin d’être simple. Des conditions réelles comme l’éclairage changeant, des dysfonctionnements de capteurs, des agences fréquentées ou l’évolution des habitudes des clients rendent les performances fortement incertaines et dépendantes du temps. Cet article présente un nouveau cadre décisionnel mathématique conçu pour aider les banques à sélectionner des systèmes biométriques fiables dans de telles conditions instables et fluctuantes, afin de réduire les incidents financiers tout en reflétant l’incertitude humaine et technique réelle.

Voir l’incertitude en trois nuances

Les outils décisionnels classiques supposent souvent que l’on peut attribuer un score unique et net à chaque option : bon, mauvais ou entre les deux. La vie réelle est plus trouble. Les générations précédentes de logique floue ont tenté de rendre cela en permettant une appartenance partielle à une catégorie puis, plus tard, en ajoutant la non-appartenance et la neutralité. Cependant, elles s’appuyaient généralement sur des nombres unidimensionnels simples. Les auteurs s’appuient sur une idée plus expressive appelée ensembles flous sphériques complexes, qui suivent trois aspects à la fois — soutien d’une option, opposition et hésitation neutre — et codent chacun non seulement comme une magnitude mais aussi comme une phase, une sorte de rythme ou de comportement cyclique. Cela permet au modèle de représenter des phénomènes tels que « cet appareil fonctionne très bien la majeure partie de la journée mais éprouve des difficultés lors des pics en soirée » de manière précise et flexible.

Une nouvelle manière de fusionner de nombreux avis bruités

En pratique bancaire, le choix biométrique dépend de nombreux critères : facilité d’utilisation, sauvegarde des données, autonomie de la batterie, suivi de localisation et plus encore, tous évalués par des experts qui peuvent être en désaccord ou incertains. Combiner ces avis dispersés et parfois extrêmes en un verdict équilibré est délicat. La moyenne linéaire peut laisser un score exceptionnellement haut ou bas dominer et peut estomper d’importantes interactions entre critères. Pour y remédier, les auteurs introduisent deux nouveaux opérateurs d’agrégation « Einstein » adaptés au cadre flou sphérique complexe. Ces opérateurs utilisent des règles mathématiques non linéaires qui encouragent les critères à se soutenir mutuellement tout en empêchant qu’un seul score élevé compense entièrement des faiblesses ailleurs. En conséquence, l’évaluation combinée est plus lisse, reste dans des bornes réalistes et est moins sensible aux valeurs aberrantes ou aux entrées peu fiables.

Classer les options sans ex æquo

Même avec un langage sophistiqué pour l’incertitude et une agrégation intelligente, les décideurs ont besoin d’un classement clair des alternatives. Les formules de score antérieures pour les données floues sphériques complexes traitaient parfois des options distinctes comme équivalentes, rendant impossible de dire quel système biométrique était réellement meilleur. L’article propose une fonction de score améliorée qui pondère plus soigneusement le soutien, la neutralité et l’opposition, ainsi que leur comportement de phase. Cette mesure affinée étend l’amplitude numérique et réduit les égalités, de sorte que deux systèmes se comportant différemment dans le temps ou selon les conditions ont beaucoup moins de chances d’aboutir au même score global. Cela fournit aux gestionnaires un ordre des candidats non ambigu.

Mettre la méthode en pratique dans une banque

Pour montrer les performances de la méthode en pratique, les auteurs étudient une banque qui suspecte un risque élevé d’activité frauduleuse et souhaite moderniser son accès biométrique. Quatre systèmes commerciaux sont comparés selon quatre critères clés : convivialité, dispositions de sauvegarde des données, secours de batterie et suivi des employés via les services de localisation. Les jugements d’experts sur chaque paire appareil–critère sont encodés sous forme de nombres flous sphériques complexes, capturant à la fois l’intensité de la satisfaction de chaque exigence et la façon dont cette performance varie selon les situations. Les nouveaux opérateurs d’agrégation Einstein combinent ensuite ces évaluations en scores globaux pour chaque appareil. Les deux versions de l’opérateur s’accordent sur le choix principal : un système nommé « CP plus », qui surpasse constamment les autres une fois que l’incertitude et l’interdépendance entre critères sont pleinement prises en compte.

Comment cela aide les banques et au-delà

Du point de vue du grand public, le message principal de l’étude est que le choix d’une technologie de sécurité ne doit pas reposer sur de simples moyennes ou des scores de tests en laboratoire uniquement. En modélisant ce que les experts savent — et ne savent pas — du comportement d’un système dans le temps, et en fusionnant ces avis de manière contrôlée et non linéaire, le cadre proposé produit des classements plus stables, plus transparents et mieux alignés sur le risque réel. Bien que l’étude de cas se concentre sur les systèmes biométriques en banque, la même approche pourrait guider des choix complexes dans des domaines tels que la politique environnementale, les technologies de santé ou la cyberdéfense, partout où les décisions doivent être prises sous forte incertitude et dans des conditions changeantes.

Citation: 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

Mots-clés: sécurité biométrique, logique floue, décision multicritère, prévention de la fraude bancaire, modélisation de l’incertitude