Optimaliseren van de keuze voor biometrische systemen via complexe sferische fuzzy Einstein-aggregatieoperatoren

Waarom slimmere veiligheidskeuzes ertoe doen

Banken vertrouwen steeds vaker op biometrische systemen — vingerafdrukken, gezichtsherkenning, irisscans — om rekeningen te beschermen en fraude terug te dringen. Maar het kiezen van het “beste” apparaat is allesbehalve eenvoudig. Praktische omstandigheden zoals wisselende verlichting, storingen in sensoren, drukte in filialen of veranderend klantgedrag maken de prestatie sterk onzeker en tijdsafhankelijk. Dit artikel presenteert een nieuw wiskundig besliskader dat banken helpt bij het kiezen van biometrische systemen die betrouwbaar blijven onder zulke rommelige, fluctuërende omstandigheden, met als doel financiële missers te verminderen en echte menselijke en technische onzekerheid te weerspiegelen.

Onzekerheid in drie dimensies zichtbaar maken

Traditionele besluitvormingsinstrumenten gaan vaak uit van één duidelijk cijfer per optie: goed, slecht of iets daartussenin. In de praktijk is het onduidelijker. Oudere generaties fuzzy logica probeerden dit te vatten door gedeeltelijke lidmaatschappen toe te staan en later non-lidmaatschap en neutraliteit toe te voegen. Toch vertrouwden ze doorgaans op eenvoudige, eendimensionale getallen. De auteurs bouwen voort op een uitdrukkelijker idee genaamd complexe sferische fuzzy-verzamelingen, die tegelijk drie aspecten bijhouden — steun voor een optie, tegenstand en neutrale aarzeling — en elk niet alleen als grootte maar ook als fase coderen, een soort timing of cyclisch gedrag. Dit stelt het model in staat patronen te representeren zoals “dit apparaat werkt het grootste deel van de dag heel goed maar heeft moeite tijdens het avondspits” op een precieze maar flexibele manier.

Een nieuwe manier om veel lawaaierige meningen te combineren

In de bankpraktijk hangen biometrische keuzes af van veel criteria: gebruiksgemak, gegevensback-up, batterijduur, locatiebepaling en meer, allemaal beoordeeld door deskundigen die het niet altijd eens zijn of onzeker zijn. Het samenvoegen van deze verspreide, soms extreme meningen tot één evenwichtig oordeel is lastig. Lineair middelen kan ertoe leiden dat één uitzonderlijk hoge of lage score domineert en belangrijke interacties tussen criteria vervaagt. Om dit aan te pakken introduceren de auteurs twee nieuwe “Einstein”-aggregatieoperatoren die zijn afgestemd op de complexe sferische fuzzy-omgeving. Deze operatoren gebruiken niet-lineaire wiskundige regels die criteria aanmoedigen elkaar te versterken maar voorkomen dat één sterke score volledig zwakke punten elders compenseert. Daardoor is de gecombineerde beoordeling vloeiender, blijft ze binnen realistische grenzen en is ze minder gevoelig voor uitschieters of onbetrouwbare invoer.

Alternatieven rangschikken zonder gelijkspel

Zelfs met een verfijnde taal voor onzekerheid en slimme aggregatie hebben beslissers nog steeds een duidelijke rangorde van alternatieven nodig. Eerdere scoreformules voor complexe sferische fuzzy-gegevens behandelden soms verschillende opties als gelijk, waardoor het onmogelijk werd aan te geven welk biometrisch systeem echt beter was. Het artikel stelt een verbeterde scorefunctie voor die steun, neutraliteit en tegenstand zorgvuldiger weegt, samen met hun fasegedrag. Deze verfijnde maat vergroot het numerieke bereik en vermindert gelijkstanden, zodat twee systemen die zich op verschillende tijden of onder verschillende omstandigheden anders gedragen veel minder snel dezelfde totaalscore krijgen. Dat geeft managers op zijn beurt een eenduidige ordening van kandidaten.

De methode toepassen in een bank

Om te laten zien hoe de methode in de praktijk werkt, bestuderen de auteurs een bank die een hoog risico op frauduleuze activiteiten vermoedt en zijn biometrische toegangscontrole wil upgraden. Vier commerciële systemen worden vergeleken op vier sleutelcriteria: gebruiksvriendelijkheid, voorzieningen voor gegevensback-up, batterijreserve en personeelsvolging via locatievoorzieningen. Deskundige beoordelingen voor elk apparaat–criteriapaar worden gecodeerd als complexe sferische fuzzy-getallen, die zowel vastleggen hoe sterk aan elk vereiste wordt voldaan als hoe die prestatie varieert in verschillende situaties. De nieuwe Einstein-aggregatieoperatoren combineren deze evaluaties vervolgens tot totaalscores voor elk apparaat. Beide versies van de operator zijn het eens over de beste keuze: een systeem aangeduid als “CP plus”, dat consistent beter presteert dan de anderen zodra onzekerheid en onderlinge afhankelijkheid tussen criteria volledig zijn meegenomen.

Hoe dit banken en daarbuiten helpt

Voor een breder publiek is de kernboodschap van de studie dat de keuze voor beveiligingstechnologie niet op eenvoudige gemiddelden of alleen laboratoriumtests mag berusten. Door te modelleren wat deskundigen weten — en niet weten — over het gedrag van een systeem in de tijd, en door die meningen op een gecontroleerde, niet-lineaire manier te combineren, levert het voorgestelde kader rangschikkingen die stabieler, transparanter en beter afgestemd zijn op risico’s in de echte wereld. Hoewel de casus zich richt op biometrische systemen in de banksector, kan dezelfde aanpak complexe keuzes sturen op terreinen zoals milieubeleid, gezondheidszorgtechnologie of cyberverdediging, overal waar beslissingen moeten worden genomen onder grote onzekerheid en veranderende omstandigheden.

Bronvermelding: 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

Trefwoorden: biometrische beveiliging, fuzzy logica, meercriteria-besluitvorming, fraudepreventie in banken, modellering van onzekerheid