Трехмерное лицо

События 11 сентября 2001 года сформировали невероятный спрос на всевозможные биометрические системы. Технология распознавания лиц вдруг оказалась востребованной на уровне государств.

Системы двумерного распознавания лиц фактически неработоспособны, а другие "биометрические" системы либо слишком неточны (геометрия руки),, либо слишком сложны в применении (сетчатка глаза), либо легко подделываются (отпечатки пальцев).

Как же работает система 3D Facial компании А4vision?

§ Сначала делается трехмерный "слепок" лица.

§ Сканер представляет собой комбинацию дешевого полупроводникового лазера (как в бытовом СD-плеере) и не менее дешевой цифровой камеры, расположенных под углом друг к другу.

§ Человек подходит к прибору так, чтобы видеть себя в небольшом зеркале. Это нужно для правильной ориентации лица относительно лазера и камеры.

§ Лазер "рисует" на лице сетку, а камера фиксирует изображение. Точно зная, где должны проходить линии сетки, программа вычисляет рельеф лица и строит его трехмерную модель. В этом и заключается главное ноу-хау изобретателей. Весь процесс занимает считанные секунды.

§ Как только "маска" снята, она кодируется специальным образом и заносится в банк данных.

§ Аналогичные считывающие устройства ставятся в любом месте, где необходима идентификация.

Устройства распознавания работают фактически в реальном времени - опознавание не занимает времени вообще, то есть происходит постоянно.

Биометрические системы можно условно разделить на две группы - системы "для хороших парней" (good guys) и "от плохих парней" (bad guys).

Первые системы рассчитаны на законопослушных граждан, которые готовы сотрудничать со сканером и заинтересованы в том, чтобы система их опознала. Скажем, тот, кто часто летает, мог бы пройти специальное сканирование и получить карточку путешественника, по которой бы быстро проходил на рейс через сканер без дополнительного паспортного контроля, клиенты банков могли бы обойтись без PIN-кода в банкомате и т.д.

Вторые системы рассчитаны на врагов общества, то есть на выявление в толпе людей, которые пытаются изменить свою внешность, чтобы избежать иден­тификации. Эти системы гораздо менее эффективны и более сложны.

Основная сфера применения технологии на сегодняшний момент:

§ обеспечение безопасности и контроль доступа в помещения (аэропорт - безопасность доступа в служебные помещения аэропорта)

§ проверка пассажиров при получении посадочных талонов и при посадке в самолет (задача - сделать невозможной ситуацию, при которой пассажиры меняются посадочными талонами).

§ в банке при входе, для контроля доступа в секретные помещения банка

§ система автоматической блокировки и разблокировки компьютера. Вы отошли от монитора, вебкам увидел это и заблокировал компьютер. Вы вернулись - и система снова работает. Вы заняты секретными работами, а сзади кто-то подошел - система увидит это и заблокирует машину.

§ распознавание лиц, которые на доли секунды появляются на мониторе камер слежения. Система в режиме реального времени опознает всех, кто есть в ее базе данных. Самое интересное заключается в том, что системе вовсе не обязательно знать ваше имя!

2.3. Разработка информационніх технологий промышленной разведки

С окончанием "холодной войны" изменились и задачи разведки, акцент сместился с научных и военных вопросов к экономике. Например, сайт OGPI,ORG. (OGPI. ORG – ведущая компания в сфере экономической разведки)

Запросы:

компании и люди, желающие знать больше о своих партнерах и конкурентах

банки, которые собираются дать кредит или уже дали его неудачно.

Вот типичный сценарий известно только название компании.

1. Ищем компанию в базе данных Единого государственного реестра предприятий - ЕГРП) База ЕГРП продается с лотков и в интернете, цена - около 1000 руб.

2. Из ЕГРП узнаем адрес компании, ее телефоны, регистрационные номера - ИНН, местный регистрационный номер (ЕГРЮЛ) и данные об учредителях.

3. Снова по ЕГРП, ищем компании, учрежденные теми же лицами (как по фамилии, так и по номеру паспорта - тут возможны ошибки, так что ищем нестрого), и добавляем их в список.

4. Затем, по базе данных, где записаны все налоговые выплаты физических лиц, ищем все ИНН работодателя и получаем списки всех сотрудников всех найденных предприятий.

5. По зарплатам сотрудников можно сделать грубую оценку - работает компания "вчерную" или "вбелую".

6. Возвращаемся к первому шагу и ищем все компании, учрежденные любым из сотрудников найденных компаний - часто люди, по многу лет работающие вместе, "записывают" (то есть регистрируют) компании друг на друга.

7. Снова ищем всех сотрудников по найденным ИННам работодателей. Получаем список всех людей, так или иначе связанных с исследуемой группой лиц и компаний. Среди них ищем очевидных родственников (ФИО, даты рождения, одинаковые адреса и т.д) – это может оказаться важным. Все найденные лиц проверяются по базам данных прописки, ГАИ, розыска преступников, владения недвижимости сотовых телефонов и т. д.

Второй этап.

8. По данням Расчетно-кассового центра Центробанка Российской Федерации (РКЦ ЦБ РФ) смотрим все рублевые платежи найденных компаний. Кроме очевидных данных получаем оттуда сведения об основных поставщиках и клиентах, а также сведения о фактическом расположении компании (арендные платежи). Становятся очевидными и платежи по "обналичке ". По ним можно сделать грубую оценку реальных зарплат в компаниях

9. П роверяем внешнеэкономическую деятельность найденных компаний по базе Государственного таможенного комитета (ГТК). База продается на лотках и в интернате, стоит около 1000 рублей за данные по каждому году.

В грузовой таможенной декларации указано название компании-партнера, так что становится известным весь импорт и экспорт. Чаще всего и импортным, и экспортным партнером "с той стороны" выступает компания, так или иначе связанная с исследуемой. Если партнер находится в одной из цивилизованных стран - в Европе или Америке, его учредителей раскроет база данных Lexis-Nexis.

Чаще всего "партнерами" оказываются те же самые физические лица, что основали русскую компанию. В редчайших случаях – оффшор. Информация о владельцах недвижимости в большинстве развитых стран мира является вполне публичной.

Третий этап.

10. Отбираем самых "значительных" физических лиц из всего распутанного клубка и заказываем распечатки разговоров по их сотовым телефонам (порядка $300 в месяц по каждому номеру).

Изучение списка звонков, особенно если взять связанную группу лиц, даст исследователю много информации. Например, главбух наверняка звонит в банки и в "обналичку", а директор - деловым партнерам (и любовнице, конечно, тоже).

Даже беглый анализ выявит кто кому начальник, кто, где ночует, а иногда - даже кто с кем встречается.

Немало сведений можно найти при помощи поискового мотора google.соm.

Подобное исследование обходится клиенту от $3-5 тысяч до $50 тысяч (если требуется оперативная работа в разных странах).

2. 4. Создание программ -"усилителей интеллекта".

Человек:

§ неспособен, удерживать в уме одновременно большие объемы оперативной информации

§ не может беседовать более чем с семью собеседниками одновременно

§ не может вывести закономерности высоких порядков (проследить связи, скажем, пятнадцатого уровня).

Программы, розволяющие приблизиться к решению этой задачи есть на рынке - Netmap, VisuaILinks, Holmes/Watson.

Суть работы этих программ сводится к визуализации полученных данных - человеку гораздо проще оценить картинку, чем огромные таблицы с текстом. На картинке, получаемой в результате работы таких программ, разными цветами показаны разные типы связей между объектами. Глаз легко находит такие связи, которые бы иначе никогда не обнаружились.

Например, анализ перехвата пейджерных сообщений из Петербурга за один год немедленно указал на двух торговцев наркотиками (один продавал "компакт-диски", другой - "эти штучки", оба по $100 за штуку), а также немедленно выявил всю их клиентскую сеть и даже общего поставщика.

Другой реализацией "усилителя интеллекта" можно считать системы поиска закономерностей ("pattern matching").

Например, вся исследуемая группа в один день сменила адреса, телефоны и названия компаний. Как их теперь искать? На помощь приходят системы поиска закономерностей. Изучение старых данных показывает закономерности в поведении людей и компаний (частота, время и суммы денежных переводов, частота и время телефонных звонков, предпочтения в выборе автомобилей и т д.). Имея данные о закономерностях поведения исследуемой группы, ее нетрудно найти и в новом облике.

2.5. Применение технологии многоагентных систем для интеллектуальной поддержки принятия решения (иппр)*

Главным отличием современных интеллектуальных систем является их распределенность, обеспечение обработки и применение распределенных знаний. Главный смысл происходящих в настоящее время смен концепций (парадигмы) создания и использования средств искусственного интеллекта – переход от предположений, справедливых только для изолированных систем искусственного интеллекта, от индивидуальных систем к распределенной обработке информации и разработке многоагентных интеллектуальных систем (MAC).

Многоагентные системы зародились на пересечении теории систем и теории систем распределенного искусственного интеллекта (Distributed Artificial Intelligence (DAI)-систем).

С одной стороны, речь идет об открытых, активных, развивающихся системах, в которых главное внимание уделяется процессу взаимодействия агентов как причине возникновения системы с новыми качествами (концепция возникновения).

С другой стороны, многоагентные системы могут строиться по принципам распределенного интеллекта как объединение отдельных интеллектуальных систем, обладающих своими базами знаний и средствами рассуждений.

Технология многоагентных систем

Технология многоагентных систем – это новая парадигма информационной технологии, ориентированной на совместное использование научных и технических достижений и преимуществ, которые дают идеи и методы искусственного интеллекта, современные локальные и глобальные компьютерные сети, распределенные базы данных и распределенные вычисления, аппаратные и программные средства поддержки теории распределенности и открытости.

Принципиальным отличием новой парадигмы построения прикладных систем является то, что в ней определяющим являются данные (факты), которые указывают направление вычислений.

Агент – это развитие известного понятия "объект", представляющего абстракцию множества экземпляров предметов реального мира, имеющих одни и те же свойства и правила поведения.

Определение агента международной ассоциации по лингвистике FIRA (Federation of Intelligent Physical Agents) в октябре 1996 года в Токио:

"Агент – это сущность, которая находится в некоторой среде, интерпретирует их и исполняет команды, воздействующие на среду. Агент может содержать программные и аппаратные компоненты. Отсутствие четкого определения мира агентов и присутствие большого количества атрибутов, с ним связанных, а также существование большого разнообразия примеров агентов говорят о том, что агенты – это достаточно общая технология, которая аккумулирует в себе несколько различных областей"

Агент – это программный модуль, способный выполнять определенные ему функции или функции другого агента (человека, чьи функции он воспроизводит).

В рамках данного направления появилось множество типов агентов:

§ автономные агенты,

§ персональные ассистенты,

§ интеллектуальные агенты,

§ социальные агенты и т.д.

В зависимости от степени возможности внутреннего представления внешнего мира и способа поведения агенты классифицируются как локальные, сетевые, мобильные, интерфейсные, транслирующие, маршрутизации и т.д.

Таблица 1. Пример классификации агентов

Характеристики	Типы агентов
Простые	Смышленые (smart)	Интеллектуальные (intelligent)	Действительно интеллектуальные (truly)
Автономное выполнение	+		+	+
Взаимодействие с другими агентами и/или пользователями	+	+	+	+
Слежение за окружением	+	+	+	+
Способность использования абстракций		+	+	+
Способность использования предметных знаний		+	+
Возможность адаптивного поведения для достижения целей			+	+
Обучение из окружения			+	+
Толерантность к ошибкам и/или неверным входным сигналам			+
Real-time исполнения			+
ЕЯ-взаимодействие			+

Под интеллектуальным агентом в информатике и искусственном интеллекте понимаются любые физические или виртуальные единицы, способные, по крайней мере, поддерживать взаимодействие с окружающим миром, получая от него информацию, и, реагируя на нее своими действиями, проявлять собственную инициативу, посылать и получать сообщения от других агентов и вступать с ними во взаимодействие, действовать без вмешательства извне, в том числе и без вмешательства человека.

В настоящее время многоагентные системы рассматриваются:

§ как принципиально новая информационная технология, сформированная на базе слияния информационных и телекоммуникационных технологий,

§ как новая парадигма программирования, в какой-то мере альтернативная объектно-ориентированному программированию.

Архитектуры MAC и их характеристики, широко используемые в настоящее время, представлены в табл.2.

Таблица 2. Архитектуры MAC и их характеристики

Архитектура	Представление знаний	Модель мира	Решатель
Интеллектуальная	Символьное	Исчисление	Логический
Реактивная	Автоматное	Граф	Автомат
Гибридная	Смешанное	Гибридная	Машина вывода

При исследовании сложных систем с использованием технологии МАС реализуются следующие фундаментальные идеи.

1. Агенты. В сложных системах существуют автономные агенты, которые взаимодействуют друг с другом при выполнении своих определенных задач.

2. Агенты изменяют свое поведение на основе полученной информации и реагируют на свою среду.

3. Структура сложных систем формируется в результате взаимодействия между агентами. Результаты функционирования возникающей структуры могут быть как положительными, так и отрицательными, в силу чего их необходимо анализировать при разработке системы на базе агентов.

4. Системы с возникающими структурами часто существуют на грани порядка и хаоса. Для них характерно промежуточное состояние межу упорядоченным состоянием и хаосом.

5. При создании систем на базе агентов необходимо учитывать их паразитизм, симбиоз, репродукцию, генетику, естественный отбор, т.е. подходы, которые сложились у природы при решении комбинаторных задач.

ПРОБЛЕМЫ:

§ Расширение возможностей агента в целях обеспечения кооперативного действия многих агентов.

§ Создать интеллектуальные агенты, обладающие развитым внутренним представлением внешней среды и возможностями рассуждений, способные запоминать и анализировать различные ситуации, предвидеть возможные реакции на свои действия, делать из этого выводы, полезные для дальнейших действий, и в результате прогнозировать свое будущее и изменения внешней среды.

§ "Научить" интеллектуальных агентов строить виртуальные миры, работая в которых, они формируют планы действий.

§ Создать Интеллектуальные агенты обладающие следующими свойствами:

 автономность – способность функционировать без вмешательства со стороны своего владельца и осуществлять контроль внутреннего состояния и своих действий;

 социальное поведение – возможность взаимодействия и коммуникации с другими агентами;

 реактивность – адекватное восприятие среды и соответствующие реакции на ее изменения;

 активность – способность генерировать цели и действовать рациональным образом для их достижения;

 базовые знания – знания агента о себе, окружающей среде, включая других агентов, которые не меняются в рамках жизненного цикла агента;

 убеждения – переменная часть базовых знаний, которые могут меняться во времени, хотя агент может об этом не знать и продолжать их использовать для своих целей;

 цели – совокупность состояний, на достижение которых направлено текущее поведение агента;

 желания – состояния и/или ситуации, достижение которых для агента важно;

 обязательства – задачи, которые берет на себя агент по просьбе и/или поручению других агентов;

 намерения – то, что агент должен делать в силу своих обязательств и/или желаний.

§ Разработать технологии и сценарии взаимодействия агентов создающих логически связанные структуры, реализующие следующие свойства.

1. В возникающих структурах агенты организуются в целое которое больше, чем просто сумма составляющих.

2. Простые правила могут генерировать логически связанное новое явление.

3. При проектировании систем на базе агентов для слабопрогнозируемых ситуаций наиболее применим подход снизу вверх, а не традиционный подход сверху вниз. Такой подход объясняется тем, что большинство систем возникают из популяции более простых систем.

4. Устойчивые возникающие структуры могут стать компонентами более сложных возникающих структур и приводят к иерархии возникающих структур и их масштабируемости.

5. Агенты и их взаимодействующие структуры могут формировать двунаправленную связь, т.е. взаимное влияние структуры на агентов.

6. Явление возникновения – это, как правило, устойчивые связи с меняющимися компонентами.

7. Множество агентов могут быть гомоногентными или гетерогенными. Большинство систем создается на основе гетерогенности используя действие различных видов агентов.

Общая схема проектирования и реализации агентно-ориентированных приложений представлена на рис.1.

Рис. 1. Технологическая схема процесса разработки агентно-ориентированных приложений

Рис. 2. Прикладной интеллектуальный программный комплекс поддержки принятия решения