生物識別技術(shù)為人工智能提供大數(shù)據(jù)來源

　　生物識別通過高科技手段利用人體固有的生理特性话贯，如指紋篡搓、人臉、虹膜等以及行為特征包括筆跡露使、聲音页镜、步態(tài)等進行身份鑒定，身份識別的前提是信息收集答肤。百度深度研究院專家指出纸牌，沒有數(shù)據(jù)采集，數(shù)據(jù)整理愧杯、研究和分析涎才，人工智能無從談起。

　　因此可以說生物識別作為生物特征收集和感知的重要載體力九，通過生物識別采集數(shù)據(jù)是人工智能應用的重要一環(huán)耍铜。隨著數(shù)據(jù)庫的不斷積累、算法進一步優(yōu)化畏邢，人工智能將拓展到更多應用領域业扒，并帶動多個產(chǎn)業(yè)發(fā)展检吆。

　　另外，一直以來程储，行業(yè)內(nèi)都存在質(zhì)疑算法能力的說法蹭沛，都認為算法最終會遇到天花板，未來發(fā)展會有瓶頸期章鲤。但事實證明摊灭，這種說法是站不住腳的。以AlphaGo與Alphazero的比較來看败徊，算法的前景是無法估量帚呼。隨著數(shù)據(jù)庫的積累、算法將不斷優(yōu)化侣豌。

　　人工智能算法演進拓展生物特征識別的應用領域

　　正如依圖科技羅憶所言“正是由于算法性能的不斷深入皮向，針對安防行業(yè)帶來的變化以及應用場景都在呈現(xiàn)幾何級數(shù)的增長。以前由于算法精度達不到幼浩，某些場景下應用是無法實現(xiàn)的盘荸，隨著算法技術(shù)越深入，能應用場景就會越多软健。”也正是由于算法的精進售检，生物特征識別技術(shù)的識別能力不斷提升，其應用的領域也將不斷拓展祸榨。

　　以人臉識別為例彤擒，早期的人臉識別探索主要依靠一些手工標定的幾何特征(比如眼鏡、嘴巴等器官的位置垢雨、距離)進行分類锯叮，實用的成果較少。目前液珠，隨著算法性能的不斷深入腥例，國內(nèi)外大部分的人臉識別團隊算法識別準確率(在LFW數(shù)據(jù)集上)超過99%，其中既有百度酝润、Google燎竖、騰訊這樣的互聯(lián)網(wǎng)巨頭，也有安防監(jiān)控領域硬件制造商阂康威視构回、大華股份、天地偉業(yè)等疏咐，也有人工智能初創(chuàng)企業(yè)依圖科技纤掸、云天勵飛以及云從科技等，這些團隊的結(jié)果都得益于深度學習算法。毫無疑問借跪，深度學習成為目前人臉識別領域最主流的研究方向政己。

　　這其中數(shù)據(jù)成為提升人臉識別算法性能的關鍵因素，很多應用更加關注低誤報條件下的識別性能掏愁，比如支人臉支付需要控制錯誤接受率在0.00001之內(nèi)歇由，因此以后的算法改進也將著重于提升低誤報下的識別率。對于安防監(jiān)控而言果港，可能需要控制在0.00000001之內(nèi)(比如幾十萬人的注冊庫)桌懊。

　　隨著技術(shù)的日益進步，人臉識別必將更多的走進每個人的日常生活潘谴，比如越來越多的銀行與券商借助人臉識別進行身份核實英嬉，大大提高了工作效率；基于人臉識別的社保領取哆沽，方便了大批行動不便的老人份肠；證件照查重、嫌疑犯檢索協(xié)助公安機關破案贬嚷。然而必須認識到的是番产，目前的人臉識別技術(shù)遠遠沒有達到足以應用到任意場景的程度，尤其是對安全性要求魁济、識別率要求很高的場景下。過度宣傳“識別率達到99%”“識別率超過人類”之類的內(nèi)容并不利于人臉識別的長遠發(fā)展乏傀。