- 李蘭萱 (Lan-Xuan Li)／政治大學財務管理研究所碩士生，目前於產業分析研究崗位實習。主要專業領域為計量經濟、金融創新服務、ICT 數位化科技應用等。喜歡桌球，並認為必須結合統計、科技，才可以描繪出未來「以人為中心」的商業模式。
靠臉領錢辦得到嗎？其實科幻場景已很近
不知道大家有沒有遇過一種情況呢？急需用錢時站在 ATM 前準備提款，卻發現自己忘記金融卡密碼了，隨著身後排隊的人群愈來愈多，心也逐漸焦躁不安，與此同時，或許你的腦中會惱怒地想著：
「如果可以靠臉領錢那該有多好啊！」
這敘述乍看之下彷彿是僅存於科幻電影中的想像，但實際上，隨著科技發展，這種操作已非遙不可及。「只要站在鏡頭前刷臉就能提款轉帳」的未來，其實比想像中還要近。
想成為識別的特點，要既普遍又獨特
隨著電腦運算效能的演進、行動設備普及化，自動化的「生物識別系統」──尤其是指紋和語音識別，早已在近十年被廣泛使用。不過，即使指紋、語音等生物資訊已逐漸普遍，值得留意的是：除了一般性消費服務的應用之外，銀行、金融業者也嘗試將各種生物識別技術，導入銀行服務應用之中。
比如歐洲銀行業管理局 (European Banking Authority)，在 2018 年發布的《EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech》報告中，便提到「生物識別」技術在「身分識別」的功能上，須具備幾個特點：
- 普遍性：確保每個人都有用來識別的特徵。
- 獨特性：特徵在個體間有所差異。
- 持久性：同個體的該項特徵不會隨時間有太大改變。
- 可收集性：與特徵獲取或測量方式的難易度有關；愈難取得則識別效果愈差。
- 規避難度：規避難度會影響技術的安全性和可靠性。
- 社會接受度：客戶對生物辨識的的接受或抵抗會嚴重影響方法的使用。
符合這些條件的生物特徵，大致上可以分成指紋、語音、虹膜、臉部等「外部生理特徵」以及「內部生理特徵」，例如靜脈、心跳。其中，又因為指紋辨識具有方便、快速、成本低廉的特性，所以無論是實體銀行和行動銀行都很常見到指紋辨識的應用，或者藉由指紋辨識，來擴大服務情境的內容。
生物特徵雖然能夠鎖定個人的獨特性，但也並非無所不能。以如今已成熟化的指紋辨識來看，指紋這項生理特徵的應用，也有幾項明顯的侷限性。首先，並非所有人的指紋都能夠被機器識別；其次，指紋的辨識與取得，目前仍必須直接仰賴特定的臨場感應器；再次，感應器上的指紋印痕也具有被有心人士複製的風險。
整體來說，指紋辨識技術仍有可靠性 (reliability) 不足，以及使用臨場設備的限制，因此，除了指紋辨識之外，銀行與金融業者也積極投入其他生物辨識的應用。
遠端身分識別、消費者體驗需求，帶動人臉辨識技術導入服務
衡量生物識別可靠性的指標分為兩類，分別是錯誤接受率 (False Acceptance Rate, FAR) 及錯誤拒絕率 (False Rejection Rate, FRR)
- 錯誤接受率：非法使用者被機器錯誤接受、通過認證的比率。
- 錯誤拒絕率：合法使用者被機器錯誤拒絕的比率。
這兩個比率太高都會產生負面影響，前者高意味著安全性不佳，後者高則影響使用意願。
同樣在歐洲銀行業管理局 (EBA) 報告中，比較了不同的生物辨識技術，發現到：在一般的情況之下，人臉辨識與語音識別的錯誤接受率 (FAR) 較高，指紋、虹膜和視網膜識別則較低，但確切數據會隨著不同使用目的而變動。正因如此，現在的人臉辨識技術尚未普遍成為銀行金融服務的主要導入技術。
即使如此，仍可以看到部分銀行金融服務業者，比如匯豐銀行、新加坡華僑銀行等，近年開始嘗試將人臉辨識，導入於相關服務中。人臉辨識技術雖然尚未成熟，卻讓各大銀行願意花費昂貴成本和風險引進，倘若我們彙整這些業者的服務論述，大致可歸納為兩點：
- 提升安全防護：只有傳統密碼的情況下，一旦客戶的卡片密碼被不肖人士取得，可能就會造成客戶損失。然而若增加人臉辨識系統在 ATM 等設備上作為防護，不僅會使得盜領難度大增，銀行也能夠「即時」獲得警訊，未來在合理的法律規範下，還可以和警方合作，用來打擊犯罪。即時性防護，對於注重安全性的金融機構而言，人臉辨識提供的保護功能，會是最大的投入誘因。
- 增加客戶體驗、吸引客群：在網路銀行普及的同時，由於業務上仍有部分限制，實體據點的存在還是有其必要性。因此，透過人臉辨識提供優良的體驗以吸引客戶，對銀行來說會是一項誘因，例如 Pepper 機器人、Video Teller Machine、迎賓互動牆等等。這也意味著：銀行業者在因應行動服務等需求的同時，會需要非臨場、遠端臨場的身分識別技術。而在智慧型手機的鏡頭效能不斷增進的趨勢下，人臉在裝置上的映照與投射已成消費者最熟悉的使用習慣之一。
倘若我們觀察現有的案例，可以發現銀行業者對於人臉辨識的應用導入，包括手機銀行登入、臨場的身分識別等。而從消費者使用經驗的層面來看，則可進一步分為兩種類型：
- 「主動辨識」：可在辨識目標（消費者）無知覺的情況下運作，常被用來監控特定範圍內的動態目標
- 「被動辨識」：需經過辨識目標主動觸發，系統才會開始運作，而由於目標是靜態的，所以受到環境因素干擾的程度會較低，使辨識可靠性提升
但無論何種應用服務（如：登入手機 APP 使用行動銀行，或是在櫃檯協助行員辦理金融服務）對「可靠性」的需求都被視為銀行服務的核心，其中，又以被動辨識中涉及到的線上登入、支付等服務對於系統可靠性的需求最高，因為稍有不慎便可能造成金錢損失，或將個人資料外洩。
- 註：銀行休息室的主動辨識功能，其需求是截然不同的，休息室使用人臉辨識的目的，是在客戶沒有意識到的情況下提供貼心的接待服務，對銀行來說偶爾辨識錯誤的影響不大，這種情況下主動的人臉辨識反而比較適合。
然而，若就現有的案例來看，目前在銀行服務中，單獨使用人臉辨識作為身份認證的服務仍有限，使用安全性需求高的功能，仍然還是會搭配「密碼」輸入，人臉辨識只作為多重認證的一環。但可以確定的是，未來人臉辨識能否完全取代其他身分認證的方式，甚至成為主流認證方式，辨識的可靠性會是一個很重要的關鍵。
人臉辨識導入金融服務的爭議與挑戰
使用人臉辨識革新金融服務的同時，銀行要考量的不僅僅是技術的使用方式、成本等等，還要注意伴隨著創新而來的爭議與挑戰，接下來將分別說明可能遇到的問題。
技術可靠性仍有待提升，且需要有在地特徵的分析模型
對銀行來說，是否採用人臉辨識技術，或者更進一步決定技術運用的方式及程度，其中最大的關鍵在於可靠性，這些問題包括──究竟人臉辨識系統能不能準確分辨出長相相近的不同用戶？膚色與性別是否會導致辨識錯誤機率提高？
以目前當紅的 Face ID 為例，Apple 坦言雙胞胎和 13 歲以下的兒童用戶，辨識錯誤機率的確較高，並且建議他們使用密碼驗證，坊間也可看到民眾成功騙過系統的案例。學術研究方面，Buolamwini 與 Gebru 在 2018 所發表的「Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification」一文中針對 3 款人臉辨識 API 進行測試，結果發現性別和膚色均會對準確度造成影響，可能原因除了膚色和燈光影響資料擷取外，資料收集時的偏誤也會降低人工智慧模型的判斷能力。假如資料中的白人男性偏多，模型對於白人男性的訓練量足夠，會有較佳的辨識能力，而相對的，其他特徵的使用者就比較容易出現誤判。
如果是用於一般的消費性電子產品，目前的人臉辨識技術對於提供用戶良好的使用體驗或許綽綽有餘，然而金融業對於安全的要求極高，在進一步提升技術可靠性之前，人臉辨識技術仍無法全面取代密碼作為主流驗證方式。
臉部特徵作為個人資料，如何兼顧資料安全性
想要將人臉辨識導入金融服務，那麼生物資訊的蒐集是無法避免的，因此，個資法的規範範圍是否影響技術的使用？這是銀行必須審慎評估的。這也意味著：除了技術層面以外，法律規範也是銀行引進服務前需要思考的。
首先，台灣的個人資料保護法中規定，無論公務機關或非公務機關，如要在未取得當事人同意的情況下蒐集資料，則需要基於執行法定職務或義務等必要情況，並且處理與利用資料同樣只能在法律規範的幾種特例下所使用，例如為了公共利益或是學術研究。
國外的法律規範更嚴謹，歐盟號稱史上最嚴的個資法 GDPR (General Data Protection Regulation) 於 2018 年 5 月 25 日開始實施，適用的範圍相當廣泛，不僅是歐盟境內，只要客戶、員工、供應商、政府機關等和歐盟公民相關就會受到 GDPR 的規範。受保護的資訊囊括了一切個人數據，從基本資料、宗教信仰、政治立場、網路瀏覽紀錄到指紋、虹膜、面部等生物特徵都在範圍內。這些法律上的限制意味著銀行引進人臉辨識前，必須謹慎評估使用情境是否合法，避免在追求便利服務的同時帶來更多額外的風險及成本。
技術不成熟引發的社會爭議
人臉辨識的運用也引發了敏感的社會爭議。英國倫敦、南威爾斯等幾個地區的警方，自 2017 年開始在一些節慶、比賽或是流量大的十字路口使用人臉辨識系統，系統即時辨認鏡頭前是否出現和警方持有照片一致的面孔，若配對成功則會發出警報。
然而，其結果不盡理想，依據目前的測試結果，警報超過九成都是錯誤的，這讓英國民間的公民自由組織 Big Brother Watch 非常不滿，認為這項不準確又昂貴的系統，對於抓捕真正的罪犯幫助有限，反而會造成無辜人民的自由受到侵害。同樣的問題也可能出現在銀行，如果銀行逕自使用人臉辨識系統分辨客戶，而未經過所有出現在鏡頭前的人同意，不論結果是否準確恐怕都難避免爭議。
整體而言，依據歐洲銀行業管理局 (European Banking Authority) 的觀點來看，人臉辨識的技術仍有相對較高的錯誤接受率 (False Acceptance Rate, FAR)，換言之，對於銀行金融此種需要有高度可靠性、安全性的服務場域來說，技術仍然未能滿足，因此在目前，人臉辨識仍屬於多重辨識的一種（如搭配密碼、人臉資訊等）。
但相對於虹膜、指紋、靜脈等生物辨識技術來說，人臉辨識擁有較高的遠端臨場特性，也就是使用者可以在非臨場情境中使用銀行金融業者所提供的服務，確實在行動服務普及化趨勢之下，是業者願意投入的主要誘因。此外，倘若相關技術可以取得更多的在地化資料模型，並結合深度學習 (Deep Learning) 等技術，在未來仍可以降低錯誤識別的機率。
不過，其實人臉辨識能否成功導入於銀行金融服務，其最核心的問題仍在於：消費者是否信賴？這個問題所包含的個人資料保護，以及生物資訊第三方使用的正當性，才是這個議題最需要解決的課題。
一個只需要刷臉就可以登入的銀行帳戶，你的想法是甚麼呢？
參考文獻
- Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research 81, (pp. 1-15).
- EU GDPR. GDPR Key Changes. Retrieved 11 23, 2018, from EU GDPR.ORG: https://eugdpr.org/
- European Banking Authority. (2018). EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech. European Banking Authority.
