El primer gran caso relacionado con evidencia de huellas digitales en los Estados Unidos fue el juicio por asesinato de Thomas Jennings en Chicago en 1911. Jennings había irrumpido en una casa en medio de la noche y, cuando fue descubierto por el propietario, mató a tiros al hombre.Fue declarado culpable en función de las huellas dactilares dejadas en la escena del crimen, y durante la mayor parte del siglo siguiente, las huellas dactilares se consideraron, tanto en los tribunales como en la imaginación del público, casi infalibles como método de identificación.
Sin embargo, más recientemente, la investigación ha demostrado que el examen de huellas digitales puede producir resultados erróneos. Por ejemplo, un informe de 2009 de la Academia Nacional de Ciencias encontró que los resultados "no son necesariamente repetibles de un examinador a otro", y que incluso los examinadores experimentadospodrían estar en desacuerdo con sus propias conclusiones pasadas cuando reexaminan las mismas huellas en una fecha posterior. Estas situaciones pueden llevar a que personas inocentes sean acusadas erróneamente y los delincuentes permanezcan libres para cometer más delitos.
Pero los científicos han estado trabajando para reducir las oportunidades de error humano. Esta semana, los científicos del Instituto Nacional de Estándares y Tecnología NIST y la Universidad Estatal de Michigan informan que han desarrollado un algoritmo que automatiza un paso clave en el análisis de huellas digitalesproceso. Su investigación ha sido publicada en Transacciones IEEE sobre información forense y seguridad .
"Sabemos que cuando los humanos analizan una huella digital de la escena del crimen, el proceso es inherentemente subjetivo", dijo Elham Tabassi, ingeniero informático del NIST y coautor del estudio. "Al reducir la subjetividad humana, podemos hacer huellas digitales".análisis más confiable y más eficiente "
Un punto clave de decisión
Si todas las huellas dactilares fueran de alta calidad, combinarlas sería muy fácil. Por ejemplo, las computadoras pueden combinar fácilmente dos conjuntos de impresiones enrolladas, aquellas que se recolectan en condiciones controladas, como cuando enrollas los 10 dedos en una tarjeta de huellas digitaleso escáner.
"Pero en la escena del crimen, nadie dirige al autor sobre cómo dejar buenas impresiones", dijo Anil Jain, científico informático de la Universidad Estatal de Michigan y coautor del estudio. Como resultado, dejaron huellas digitales enuna escena del crimen, las llamadas impresiones latentes, a menudo son parciales, distorsionadas y manchadas. Además, si la impresión se deja en algo con un patrón de fondo confuso, como un billete de veinte dólares, puede ser difícil separar la impresióndesde el fondo.
Por eso, cuando un examinador recibe impresiones latentes de la escena del crimen, su primer paso es juzgar cuánta información útil contienen.
"Este primer paso es una práctica estándar en la comunidad forense", dijo Jain. "Este es el paso que automatizamos".
Siguiendo ese paso, si la impresión contiene suficiente información utilizable, puede enviarse a un Sistema Automatizado de Identificación de Huellas Digitales. El AFIS pronunciado AY-fiss luego busca en su base de datos y devuelve una lista de posibles coincidencias, que el examinador evalúabusca una coincidencia concluyente.
Pero la decisión inicial sobre la calidad de la huella digital es crítica.
"Si envía una impresión a AFIS que no tiene suficiente información, es más probable que obtenga coincidencias erróneas", dijo Tabassi. Por otro lado, "Si no envía una impresión que realmente tiene suficienteinformación, el perpetrador se libera "
Actualmente, el proceso de juzgar la calidad de impresión es subjetivo, y diferentes examinadores llegan a diferentes conclusiones. Automatizar ese paso hace que los resultados sean consistentes. "Eso significa que podremos estudiar los errores y encontrar formas de corregirlos con el tiempo".Tabassi dijo.
La automatización de este paso también permitirá a los examinadores de huellas digitales procesar la evidencia de manera más eficiente. Eso les permitirá reducir los retrasos, resolver delitos más rápidamente y pasar más tiempo en impresiones desafiantes que requieren más trabajo.
Entrenando el algoritmo
Los investigadores utilizaron el aprendizaje automático para construir su algoritmo. A diferencia de la programación tradicional en la que escribe instrucciones explícitas para que una computadora las siga, en el aprendizaje automático, usted entrena a la computadora para que reconozca patrones mostrándole ejemplos.
Para obtener ejemplos de capacitación, los investigadores hicieron que 31 expertos en huellas digitales analizaran 100 impresiones latentes cada una, calificando la calidad de cada una en una escala del 1 al 5. Esas impresiones y sus puntajes se usaron para entrenar el algoritmo para determinar cuánta información latenteimpresión contiene.
Después de completar el entrenamiento, los investigadores probaron el rendimiento del algoritmo haciendo que calificara una nueva serie de impresiones latentes. Luego enviaron esas impresiones puntuadas al software AFIS conectado a una base de datos de más de 250,000 impresiones enrolladas. Todas las impresiones latentes tenían uncoincidir en esa base de datos, y le pidieron a AFIS que lo encontrara.
Este escenario de prueba era diferente del trabajo de caso real, porque en esta prueba, los investigadores sabían la coincidencia correcta para cada impresión latente. Si el algoritmo de puntuación funcionaba correctamente, entonces la capacidad de AFIS para encontrar esa coincidencia correcta debería correlacionarse con el puntaje de calidadEn otras palabras, las impresiones calificadas como de baja calidad deberían ser más propensas a producir resultados erróneos, por eso es tan importante no enviar involuntariamente impresiones de baja calidad a AFIS en casos reales, y las impresiones calificadas como de alta calidad deben seres más probable que produzca la coincidencia correcta.
Con base en esta métrica, el algoritmo de puntuación tuvo un desempeño ligeramente mejor que el promedio de los examinadores humanos involucrados en el estudio.
Lo que hizo posible este avance, además de los recientes avances en aprendizaje automático y visión artificial, fue la disponibilidad de un gran conjunto de datos de impresiones latentes. Los algoritmos de aprendizaje automático necesitan grandes conjuntos de datos para capacitación y pruebas, y hasta ahora, grandes conjuntos de datos de huellas digitales latentes tienenno estuvo disponible para los investigadores, en gran parte debido a problemas de privacidad. En este caso, la Policía del Estado de Michigan proporcionó a los investigadores el conjunto de datos de prueba, después de haber eliminado los datos de toda la información de identificación.
El siguiente paso para los investigadores es utilizar un conjunto de datos aún mayor. Esto les permitirá mejorar el rendimiento del algoritmo y medir con mayor precisión su tasa de error.
"Hemos ejecutado nuestro algoritmo contra una base de datos de 250,000 impresiones, pero necesitamos ejecutarlo contra millones", dijo Tabassi. "Un algoritmo como este tiene que ser extremadamente confiable, porque las vidas y la libertad están en juego".
Fuente de la historia :
Materiales proporcionado por Instituto Nacional de Estándares y Tecnología NIST . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :