Ottimizzazione della selezione dei sistemi biometrici tramite operatori di aggregazione Einstein fuzzy sferici complessi

Perché contano scelte di sicurezza più intelligenti

Le banche fanno sempre più affidamento su sistemi biometrici — impronte digitali, scansioni del volto, lettori dell’iride — per proteggere i conti e ridurre le frodi. Ma scegliere il dispositivo “migliore” non è affatto semplice. Condizioni reali come illuminazione variabile, malfunzionamenti dei sensori, filiali affollate o abitudini dei clienti in evoluzione rendono le prestazioni altamente incerte e dipendenti dal tempo. Questo articolo presenta un nuovo quadro decisionale matematico pensato per aiutare le banche a scegliere sistemi biometrici che rimangano affidabili in condizioni caotiche e mutevoli, con l’obiettivo di ridurre i danni finanziari tenendo conto della reale incertezza umana e tecnica.

Vedere l’incertezza in tre sfumature

Gli strumenti decisionali tradizionali spesso assumono che sia possibile assegnare a ogni opzione un unico punteggio netto: buono, cattivo o qualcosa nel mezzo. La vita reale è più sfumata. Generazioni precedenti di logica fuzzy hanno cercato di catturare questo consentendo appartenenze parziali a una categoria e, successivamente, aggiungendo non-appartenenza e neutralità. Tuttavia, si basavano tipicamente su numeri semplici e unidimensionali. Gli autori si appoggiano a un’idea più espressiva chiamata insiemi fuzzy sferici complessi, che seguono tre aspetti contemporaneamente — supporto per un’opzione, opposizione ad essa e esitazione neutra — e codificano ciascuno non solo come ampiezza ma anche come fase, una sorta di tempistica o comportamento ciclico. Questo permette al modello di rappresentare pattern come “questo dispositivo funziona molto bene per gran parte della giornata ma ha difficoltà durante il picco serale” in modo preciso e flessibile.

Un nuovo modo di fondere molte opinioni rumorose

Nella pratica bancaria, la scelta biometrica dipende da molti criteri: facilità d’uso, backup dei dati, durata della batteria, tracciamento della posizione e altri, tutti giudicati da esperti che possono dissentire o essere insicuri. Combinare queste opinioni frammentate e talvolta estreme in un unico verdetto equilibrato è complesso. La media lineare può permettere a un punteggio insolitamente alto o basso di dominare e può offuscare interazioni importanti tra i criteri. Per affrontare questo problema, gli autori introducono due nuovi operatori di aggregazione “Einstein” adattati all’ambiente fuzzy sferico complesso. Questi operatori utilizzano regole matematiche non lineari che favoriscono il sostegno reciproco tra i criteri ma impediscono a un punteggio forte di compensare completamente le debolezze altrove. Di conseguenza, la valutazione combinata è più regolare, resta entro limiti realistici ed è meno sensibile a valori anomali o input inaffidabili.

Ordinare le scelte senza pareggi

Anche con un linguaggio sofisticato per l’incertezza e un’aggregazione intelligente, i decisori hanno ancora bisogno di un chiaro ordinamento delle alternative. Le formule di punteggio precedenti per dati fuzzy sferici complessi talvolta trattavano opzioni distinte come uguali, rendendo impossibile stabilire quale sistema biometrico fosse realmente migliore. L’articolo propone una funzione di punteggio migliorata che pondera più accuratamente supporto, neutralità e opposizione, insieme al loro comportamento di fase. Questa misura raffinata allarga l’intervallo numerico e riduce i pareggi, così due sistemi che si comportano in modo diverso nel tempo o nelle condizioni sono molto meno propensi a ottenere lo stesso punteggio complessivo. Ciò fornisce ai responsabili un ordine inequivocabile dei candidati.

Applicare il metodo in una banca

Per mostrare come il metodo funzioni nella pratica, gli autori esaminano una banca che sospetta un alto rischio di attività fraudolenta e vuole aggiornare l’accesso biometrico. Quattro sistemi commerciali vengono confrontati su quattro criteri chiave: facilità d’uso, disposizioni per il backup dei dati, backup della batteria e tracciamento dei dipendenti tramite servizi di localizzazione. I giudizi degli esperti su ogni coppia dispositivo–criterio sono codificati come numeri fuzzy sferici complessi, catturando sia quanto fortemente ogni requisito è soddisfatto sia come quella performance varia in situazioni diverse. I nuovi operatori di aggregazione Einstein combinano quindi queste valutazioni in punteggi complessivi per ogni dispositivo. Entrambe le versioni dell’operatore concordano sulla scelta migliore: un sistema indicato come “CP plus”, che risulta costantemente superiore agli altri una volta che l’incertezza e l’interdipendenza tra i criteri sono pienamente considerate.

Come questo aiuta le banche e oltre

Da un punto di vista divulgativo, il messaggio principale dello studio è che la scelta delle tecnologie di sicurezza non dovrebbe basarsi su semplici medie o su punteggi ottenuti solo in laboratorio. Modellando ciò che gli esperti conoscono — e non conoscono — sul comportamento di un sistema nel tempo, e fondendo quelle opinioni in modo controllato e non lineare, il quadro proposto produce classifiche più stabili, più trasparenti e meglio allineate al rischio reale. Sebbene il caso di studio si concentri sui sistemi biometrici in ambito bancario, lo stesso approccio potrebbe guidare scelte complesse in settori come le politiche ambientali, le tecnologie sanitarie o la difesa cibernetica, ovunque le decisioni debbano essere prese sotto profonda incertezza e condizioni mutevoli.

Citazione: 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

Parole chiave: sicurezza biometrica, logica fuzzy, decisione multicriterio, prevenzione delle frodi bancarie, modellazione dell'incertezza