La identificació biomètrica mitjançant la marxa —gait recognition— s’ha consolidat com una alternativa sòlida per a entorns on altres trets biomètrics resultin invasius o difícils de capturar. Tanmateix, quan aquests sistemes s’integren en escenaris d’aprenentatge continu (continual learning) per actualitzar models sense retenir tot el conjunt històric de dades, sorgeixen dos problemes crítics: l’oblit catastròfic i la vulnerabilitat davant d’atacs d’inferència de pertinença. Recentment, les capes de modulació per divisió de codi (CDML) han demostrat ser una solució eficaç per mitigar ambdós desafiaments, preservant la precisió en totes les tasques sense recórrer a la reproducció de dades. Aquest article analitza en profunditat aquesta tecnologia, el seu impacte en la seguretat i com empreses com Q2BSTUDIO estan integrant enfocaments similars en desenvolupaments de programari a mida per a sectors que requereixen alt rendiment i privacitat.
L’oblit catastròfic ocorre quan un model entrenat de forma incremental perd la capacitat de reconèixer patrons apresos en etapes anteriors. En el cas de la marxa, cada nou conjunt de dades pot representar condicions d’il·luminació, superfícies o angles diferents, i el model tendeix a sobrescriure el coneixement previ. Els mètodes tradicionals de mitigació, com la reproducció de mostres antigues (replay), impliquen emmagatzemar dades sensibles, cosa que incrementa el risc de filtracions i el cost computacional. Aquí és on les capes CDML ofereixen una alternativa elegant: codifiquen la informació de cada tasca mitjançant patrons ortogonals en l’espai de característiques, permetent que el model distingeixi entre dominis sense necessitat d’emmagatzemar exemples originals. Aquest mecanisme no només evita la interferència entre tasques, sinó que també dificulta que un atacant pugui determinar si un subjecte forma part del conjunt d’entrenament, ja que les representacions no són directament vinculables a les dades brutes.
Des d’una perspectiva empresarial, la implementació de sistemes d’identificació contínua de marxa amb capes CDML obre oportunitats en sectors com la seguretat perimetral, el control d’accessos intel·ligent o la monitorització de persones en entorns controlats. Empreses com Q2BSTUDIO, especialitzades en intel·ligència artificial i ciberseguretat, desenvolupen aplicacions a mida que integren aquestes tècniques. Per exemple, un sistema d’identificació per marxa per a un edifici corporatiu pot actualitzar-se progressivament amb nous empleats sense necessitat de reentrenar des de zero, mantenint l’exactitud i protegint la privacitat de les dades biomètriques. La combinació de CDML amb computació al núvol (AWS o Azure) permet escalar el processament de vídeo en temps real, mentre que les capes de ciberseguretat garanteixen que els patrons de marxa no siguin interceptats ni revertits. A més, l’ús d’agents IA autònoms pot gestionar les decisions d’actualització del model, minimitzant la intervenció humana i reduint errors.
Un altre aspecte rellevant és la reducció de l’impacte de la retransmissió de dades. En els sistemes clàssics d’aprenentatge continu, la reproducció de dades antigues és necessària per evitar l’oblit, però això consumeix ample de banda, emmagatzematge i exposa informació sensible cada cop que s’hi accedeix. Les capes CDML eliminen aquesta necessitat en no dependre d’exemples previs. Això és especialment útil en desplegaments edge, on els dispositius tenen recursos limitats i no poden emmagatzemar grans volums de dades. Q2BSTUDIO ha implementat solucions d’automatització de processos que integren CDML en entorns de baix consum, permetent que sistemes encastats actualitzin els seus models d’identificació sense connexió constant al núvol. Paral·lelament, eines de Business Intelligence com Power BI poden visualitzar en temps real el rendiment del sistema, mostrant mètriques de precisió per tasca i alertes davant possibles atacs d’inferència.
La ciberseguretat és un pilar innegociable en qualsevol sistema biomètric. Els atacs d’inferència de pertinença (membership inference) intenten determinar si un individu concret va ser usat per entrenar el model. Si un atacant aconsegueix extreure aquesta informació, pot comprometre la identitat dels usuaris. Les capes CDML, en generar representacions ortogonals i no linealment separables per a cada tasca, augmenten l’entropia de la sortida, fent que el classificador no pugui distingir si una mostra pertany al conjunt d’entrenament. Aquesta propietat, coneguda com a privacitat diferencial implícita, és especialment valorada en entorns regulats com la banca o la sanitat. Q2BSTUDIO ofereix serveis de ciberseguretat que inclouen auditories de models i proves de penetració específiques per a sistemes d’aprenentatge continu, assegurant que la implementació de CDML compleix amb els estàndards de protecció de dades.
El futur de la identificació contínua passa per models que aprenguin sense oblidar i que protegeixin la privacitat de forma inherent. Les capes CDML representen un avenç significatiu en aquesta direcció, i la seva integració amb tecnologies al núvol, agents IA i plataformes de BI permet construir solucions robustes i escalables. Per a les empreses que busquen desenvolupar sistemes d’identificació biomètrica avançats, comptar amb un soci tecnològic com Q2BSTUDIO, que combina experiència en intel·ligència artificial, ciberseguretat i desenvolupament de programari a mida, és clau per aconseguir un desplegament segur, eficient i sostenible. La marxa, com a tret únic i no invasiu, té un enorme potencial, i amb tècniques com CDML, aquest potencial es pot realitzar plenament sense comprometre la privacitat ni la precisió.
