Optymalizacja wyboru systemów biometrycznych za pomocą złożonych sferycznych rozmytych operatorów agregacji Einsteina

Dlaczego lepsze wybory w kwestii bezpieczeństwa mają znaczenie

Banki coraz częściej polegają na systemach biometrycznych — odciskach palców, skanach twarzy, czytnikach tęczówki — by chronić konta i ograniczać oszustwa. Jednak wybór „najlepszego” urządzenia jest daleki od prostego. Warunki rzeczywiste, takie jak zmienne oświetlenie, awarie sensorów, zatłoczone oddziały czy zmieniające się nawyki klientów, sprawiają, że wydajność jest wysoce niepewna i zależna od czasu. Artykuł przedstawia nowe matematyczne ramy decyzyjne zaprojektowane, by pomóc bankom wybierać systemy biometryczne, które pozostają niezawodne w takich chaotycznych, zmiennych warunkach, zmniejszając ryzyko finansowych pomyłek przy jednoczesnym odzwierciedleniu rzeczywistej niepewności ludzkiej i technicznej.

Widzenie niepewności w trzech odcieniach

Tradycyjne narzędzia decyzyjne często zakładają, że można przypisać każdej opcji jedną jasno określoną ocenę: dobrą, złą lub pośrednią. Rzeczywistość jest bardziej niejednoznaczna. Wcześniejsze generacje logiki rozmytej starały się to uchwycić, dopuszczając częściowe przynależności do kategorii, a później dodając stopień nieprzynależności i neutralności. Mimo to zwykle opierały się na prostych, jednowymiarowych liczbach. Autorzy rozbudowują tę koncepcję o bardziej ekspresyjną ideę złożonych sferycznych zbiorów rozmytych, które śledzą jednocześnie trzy aspekty — poparcie dla opcji, sprzeciw wobec niej i neutralne zawahanie — i kodują każdy z nich nie tylko jako wielkość, ale także jako fazę, swego rodzaju synchronię lub zachowanie cykliczne. Pozwala to modelowi precyzyjnie, a zarazem elastycznie reprezentować wzorce typu „to urządzenie działa bardzo dobrze przez większość dnia, ale ma trudności w godzinach szczytu wieczorem”.

Nowy sposób łączenia wielu zaszumionych opinii

W praktyce bankowej wybór biometrii zależy od wielu kryteriów: łatwości użycia, zabezpieczeń kopii danych, żywotności baterii, śledzenia lokalizacji i innych, ocenianych przez ekspertów, którzy mogą się różnić opiniami lub być niepewni. Połączenie tych rozproszonych, czasem skrajnych ocen w jedno zrównoważone orzeczenie jest trudne. Średnia liniowa może pozwolić, by jedna wyjątkowo wysoka lub niska ocena zdominowała wynik i może zamazać istotne interakcje między kryteriami. Aby temu zaradzić, autorzy wprowadzają dwa nowe operatory agregacji „Einsteina” dostosowane do złożonego sferycznego środowiska rozmytego. Operatory te stosują nieliniowe reguły matematyczne, które zachęcają kryteria do wzajemnego wspierania się, ale zapobiegają temu, by jedna silna ocena w pełni rekompensowała słabości w innych obszarach. W efekcie złożona ocena jest gładsza, pozostaje w realistycznych granicach i jest mniej wrażliwa na wartości odstające czy nierzetelne dane wejściowe.

Ranking wyborów bez remisów

Nawet przy zaawansowanym języku opisu niepewności i inteligentnej agregacji decydenci wciąż potrzebują wyraźnego rankingu alternatyw. Wcześniejsze wzory punktacji dla złożonych sferycznych danych rozmytych czasem traktowały różne opcje jako równe, co uniemożliwiało stwierdzenie, który system biometryczny jest naprawdę lepszy. Artykuł proponuje udoskonaloną funkcję punktacji, która staranniej waży poparcie, neutralność i sprzeciw, wraz z ich zachowaniem fazowym. Ulepszona miara rozszerza zakres liczbowy i zmniejsza liczbę remisów, więc dwa systemy zachowujące się odmiennie w czasie lub w różnych warunkach są znacznie mniej skłonne otrzymać tę samą końcową ocenę. To z kolei daje menedżerom jednoznaczne uporządkowanie kandydatów.

Praktyczne zastosowanie metody w banku

Aby pokazać, jak metoda sprawdza się w praktyce, autorzy badają bank, który podejrzewa wysokie ryzyko działań oszukańczych i chce zaktualizować dostęp biometryczny. Porównano cztery systemy komercyjne w odniesieniu do czterech kluczowych kryteriów: przyjazności dla użytkownika, zabezpieczeń kopii danych, zasilania awaryjnego oraz śledzenia pracowników przez usługi lokalizacyjne. Oceny ekspertów dla każdej pary urządzenie–kryterium zakodowano jako złożone sferyczne liczby rozmyte, obejmujące zarówno to, jak silnie spełniane są wymagania, jak i to, jak ta wydajność zmienia się w różnych sytuacjach. Nowe operatory agregacji Einsteina następnie łączą te oceny w ogólne wyniki dla każdego urządzenia. Obie wersje operatora zgadzają się co do wyboru numer jeden: system określany jako „CP plus”, który konsekwentnie przewyższa pozostałe, gdy w pełni uwzględnione są niepewność i współzależności między kryteriami.

Jak to pomaga bankom i nie tylko

Z perspektywy laika główne przesłanie badania jest takie, że wybór technologii zabezpieczeń nie powinien opierać się na prostych średnich czy wynikach testów tylko w warunkach laboratoryjnych. Modelując to, co eksperci wiedzą — i czego nie wiedzą — o zachowaniu systemu w czasie oraz łącząc te opinie w kontrolowany, nieliniowy sposób, proponowane ramy dostarczają rankingów, które są bardziej stabilne, bardziej przejrzyste i lepiej dostosowane do ryzyka w rzeczywistych warunkach. Chociaż studium przypadku koncentruje się na systemach biometrycznych w bankowości, ta sama metoda może kierować złożonymi wyborami w obszarach takich jak polityka środowiskowa, technologie medyczne czy cyberobrona, wszędzie tam, gdzie decyzje muszą być podejmowane w warunkach głębokiej niepewności i zmieniających się okoliczności.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo biometryczne, logika rozmyta, wielokryterialne podejmowanie decyzji, zapobieganie oszustwom bankowym, modelowanie niepewności