Otimização da seleção de sistemas biométricos via operadores agregadores Einsten fuzzy esféricos complexos

Por que escolhas de segurança mais inteligentes importam

Os bancos dependem cada vez mais de sistemas biométricos — impressões digitais, escaneamentos faciais, leitores de íris — para proteger contas e combater fraudes. Mas escolher o dispositivo “melhor” está longe de ser simples. Condições do mundo real, como iluminação variável, falhas nos sensores, agências movimentadas ou mudanças nos hábitos dos clientes tornam o desempenho altamente incerto e dependente do tempo. Este artigo apresenta um novo arcabouço matemático de decisão concebido para ajudar bancos a escolher sistemas biométricos que permaneçam confiáveis sob essas condições confusas e flutuantes, com o objetivo de reduzir prejuízos financeiros enquanto refletem incertezas humanas e técnicas genuínas.

Vendo a incerteza em três tonalidades

Ferramentas tradicionais de decisão frequentemente assumem que podemos atribuir uma única pontuação clara a cada opção: boa, ruim ou algo intermediário. A vida real é mais nebulosa. Gerações anteriores de lógica fuzzy tentaram capturar isso permitindo pertencimento parcial a uma categoria e, mais tarde, adicionando não-pertencimento e neutralidade. Ainda assim, elas normalmente dependiam de números simples e unidimensionais. Os autores se baseiam em uma ideia mais expressiva chamada conjuntos fuzzy esféricos complexos, que acompanham três aspectos simultaneamente — apoio a uma opção, oposição a ela e hesitação neutra — e codificam cada um não apenas como uma magnitude, mas também como uma fase, uma espécie de timing ou comportamento cíclico. Isso permite ao modelo representar padrões como “este dispositivo funciona muito bem na maior parte do dia, mas tem dificuldades durante o pico noturno” de forma precisa e flexível.

Uma nova forma de fundir muitas opiniões ruidosas

Na prática bancária, as escolhas biométricas dependem de muitos critérios: facilidade de uso, cópias de segurança dos dados, duração da bateria, rastreamento de localização e mais — todos avaliados por especialistas que podem discordar ou estar inseguros. Combinar essas opiniões dispersas, às vezes extremas, em um veredicto equilibrado é complicado. A média linear pode permitir que uma pontuação incomumente alta ou baixa domine e pode diluir interações importantes entre critérios. Para resolver isso, os autores introduzem dois novos operadores agregadores “Einstein” adaptados ao cenário fuzzy esférico complexo. Esses operadores usam regras matemáticas não lineares que incentivam os critérios a se apoiarem mutuamente, mas impedem que uma pontuação forte compense totalmente fraquezas em outros aspectos. Como resultado, a avaliação combinada é mais suave, permanece dentro de limites realistas e é menos sensível a valores atípicos ou entradas não confiáveis.

Rankeando opções sem empates

Mesmo com uma linguagem sofisticada para a incerteza e agregação inteligente, os tomadores de decisão ainda precisam de um ranking claro das alternativas. Fórmulas de pontuação anteriores para dados fuzzy esféricos complexos às vezes tratavam opções distintas como iguais, tornando impossível dizer qual sistema biométrico era realmente melhor. O artigo propõe uma função de pontuação melhorada que pesa com mais cuidado apoio, neutralidade e oposição, juntamente com seu comportamento de fase. Essa medida refinada estende a faixa numérica e reduz empates, de modo que dois sistemas que se comportam de maneira diferente ao longo do tempo ou das condições têm muito menos probabilidade de acabar com a mesma pontuação geral. Isso, por sua vez, oferece aos gestores uma ordenação inequívoca dos candidatos.

Colocando o método em prática em um banco

Para mostrar como o método funciona na prática, os autores estudam um banco que suspeita de alto risco de atividade fraudulenta e quer atualizar seu acesso biométrico. Quatro sistemas comerciais são comparados em quatro critérios-chave: facilidade de uso, disposições de backup de dados, backup de bateria e rastreamento de funcionários via serviços de localização. Julgamentos de especialistas sobre cada par dispositivo–critério são codificados como números fuzzy esféricos complexos, capturando tanto quão fortemente cada requisito é atendido quanto como esse desempenho varia em diferentes situações. Os novos operadores de agregação Einstein então combinam essas avaliações em pontuações gerais para cada dispositivo. Ambas as versões do operador concordam sobre a melhor escolha: um sistema referido como “CP plus”, que consistentemente supera os demais quando a incerteza e a interdependência entre os critérios são plenamente consideradas.

Como isso ajuda bancos e além

Do ponto de vista leigo, a principal mensagem do estudo é que escolher tecnologia de segurança não deve depender de médias simples ou de pontuações de testes apenas em laboratório. Ao modelar o que os especialistas sabem — e não sabem — sobre o comportamento de um sistema ao longo do tempo, e ao fundir essas opiniões de maneira controlada e não linear, o arcabouço proposto entrega rankings mais estáveis, mais transparentes e melhor alinhados com o risco do mundo real. Embora o estudo de caso foque em sistemas biométricos no setor bancário, a mesma abordagem pode orientar escolhas complexas em áreas como política ambiental, tecnologia em saúde ou ciberdefesa, onde decisões precisam ser tomadas sob incerteza profunda e condições mutáveis.

Citação: 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

Palavras-chave: segurança biométrica, lógica fuzzy, decisão multicritério, prevenção de fraudes bancárias, modelagem da incerteza