ΣΥΣΤΗΜΑ ΠΡΟΣΩΠΟΠΟΙΗΜΕΝΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ & ασφαλειασ βιομετρικη ταυτοποιηση

Η αρχιτεκτονική του συστήματος βασίζεται στο μοντέλο πελάτης-εξυπηρετητής. Τα έξυπνα τηλέφωνα (πελάτες), εφόσον ο χρήστης έχει δώσει τη συγκατάθεση του, αποστέλλουν αιτήματα HTTP στον εξυπηρετητή που περιέχουν το ID του χρήστη, τη χρονική στιγμή της αποστολής και τις γεωγραφικές συντεταγμένες που προκύπτουν από το GPS της συσκευής. Ο εξυπηρετητής καταγράφει τη θέση των χρηστών και είναι σε θέση είτε να την αποτυπώσει σε κάποια οθόνη είτε να την επεξεργαστεί ως πληροφορία. Με το ίδιο πρωτόκολλο ο χρήστης μπορεί να αποστείλει ένα μήνυμα ή μία ειδοποίηση για κίνδυνο. Ταυτόχρονα, με τη χρήση του Firebase Cloud Messaging (FCM) Server είναι δυνατή η αποστολή μηνυμάτων από τον server στην κινητή συσκευή ακόμα και όταν η εφαρμογή είναι κλειστή. Κατά την εγκατάσταση της εφαρμογής στο κινητό τηλέφωνο του χρήστη, το αναγνωριστικό της εγκατάστασης εγγράφεται στον FCM Server ώστε να μπορεί να δεχτεί μηνύματα.

 Ο εξυπηρετητής (Application Server) αποστέλλει το μήνυμα που περιέχει το κλειδί του, το αναγνωριστικό της εφαρμογής και το μήνυμα. Ο FCM αποστέλλει το μήνυμα στην κινητή συσκευή και η εφαρμογή το εμφανίζει στον χρήστη. Με βάση την προτεραιότητα του μηνύματος είναι εφικτό να υπάρχει και ανάλογη ειδοποίηση.

Καταγραφή και επεξεργασία της θέσης του χρήστη

Στον εξυπηρετητή αποθηκεύονται τα μηνύματα θέσης και κινδύνου του χρήστη που περιέχουν το αναγνωριστικό του χρήστη, τις συντεταγμένες και τη χρονική στιγμή της αποστολής. Έτσι είναι εφικτή η αποτύπωση της θέσης και της πορείας του χρήστη στην οθόνη του υπεύθυνου ασφαλείας. Ταυτόχρονα, στο παρασκήνιο εκτελούνται αλγόριθμοι τεχνητής νοημοσύνης ώστε να ανιχνεύονται κινήσεις του χρήστη που πιθανά προδίδουν κάποιο κίνδυνο. Η εφαρμογή θα παρέχει τη δυνατότητα στο χρήστη, σε περίπτωση έκτακτη ανάγκης, πατώντας το πλήκτρο κινδύνου να ειδοποιήσει την υπηρεσία ασφαλείας. Αποθηκεύοντας το ιστορικό της κίνησης και ενεργοποίησης του πλήκτρου κινδύνου, οι αλγόριθμοι θα είναι σε θέση να βελτιστοποιήσουν την πρόβλεψη κινδύνου.

Αποστολή ειδοποιήσεων στον χρήστη

Με τη χρήση του FCM server μπορούν να αποσταλούν μηνύματα στη συσκευή του χρήστη και η εγκατεστημένη εφαρμογή να αναλάβει να εμφανίσει το μήνυμα. Ενδεικτικά, τέτοια μηνύματα μπορεί να είναι επείγουσες ειδοποιήσεις από το πλήρωμα ή τον υπεύθυνο ασφαλείας, προσφορές που σχετίζονται με τη θέση και το προφίλ του χρήστη και ειδοποιήσεις για το ωράριο λειτουργίας κοντινών αξιοθέατων. Ανάλογα με την προτεραιότητα του μηνύματος, η συσκευή μπορεί να διαχειριστεί διαφορετικά τα μηνύματα αυτά. Για παράδειγμα μια επείγουσα ειδοποίηση μπορεί να εμφανιστεί και με κλειδωμένο το κινητό, να ακουστεί ήχος και να ενεργοποιηθεί η δόνηση του κινητού (Εικόνα 2, αριστερά) ενώ μία χαμηλότερης προτεραιότητας ειδοποίηση μπορεί απλά να εμφανιστεί ως σιωπηλή ειδοποίηση στο εικονίδιο της εφαρμογής (Εικόνα 2, δεξιά). Με τον τρόπο αυτό τα μηνύματα γίνονται αμέσως αντιληπτά από το χρήστη χωρίς να χρειάζεται να ελέγχει συνεχώς την εφαρμογή.

Προσωποποιημένη Πληροφόρηση

Κατά την είσοδο του χρήστη στην εφαρμογή, ζητείται η σύνδεσή του στα μέσα κοινωνικής δικτύωσης, προκειμένου να πραγματοποιηθεί η ανάλυση των προφίλ του με χρήση αλγόριθμων εξόρυξης δεδομένων και να δημιουργηθούν προσωπικά φίλτρα προτίμησης μέσω ενός συστήματος παραγωγής συστάσεων. Με τον τρόπο αυτό η πληροφόρηση που παρέχεται στο χρήστη είναι πιο στοχευμένη και κατά συνέπεια πιο αποτελεσματική. Για παράδειγμα, οι θεματικοί περίπατοι και τα κύρια στοιχεία της πόλης θα ταξινομούνται κατάλληλα ανάλογα τις προτιμήσεις του χρήστη ενώ ταυτόχρονα με τη χρήση του FCM server θα προωθούνται προσφορές για σχετικά προϊόντα και υπηρεσίες. Επιπλέον, μπορεί να βλέπει προτιμήσεις από τους διαδικτυακούς του φίλους ή τους τόπους που έχουν επισκεφθεί.

Τα συστήματα συστάσεων (recommender systems) αποτελούν εργαλεία και τεχνικές λογισμικού που παρέχουν στους χρήστες συστάσεις για αντικείμενα (προϊόντα ή υπηρεσίες) που ταιριάζουν με τα ενδιαφέροντα και τις ανάγκες τους. Χρησιμοποιούνται ευρέως σε πολλούς τομείς όπως κοινωνικά δίκτυα, ηλεκτρονικό εμπόριο, ηλεκτρονική μάθηση. Οι παραγόμενες συστάσεις του προτεινόμενου συστήματος βασίζονται σε χαρακτηριστικά (features) όπως τα δημογραφικά στοιχεία του χρήστη, το ιστορικό δραστηριότητας / προτιμήσεων όπως προκύπτουν από την ανάλυση των προφίλ του, την τρέχουσα τοποθεσία χρήστη, την ημέρα / ώρα άφιξης στο λιμάνι και το χρόνο διαμονής στο λιμάνι. Το σύστημα είναι ένα υβριδικό σύστημα συστάσεων (hybrid recommendation system) δηλαδή αποτελείται από συνδυασμό διαφορετικών τεχνικών παραγωγής συστάσεων με σκοπό την επίτευξη καλύτερης απόδοσης περιορίζοντας τα μειονεκτήματα κάθε τεχνικής. Ενδεικτικά, αναφέρονται οι παρακάτω τεχνικές συστάσεων:

• Content-based filtering (CB). Το σύστημα προτείνει αντικείμενα που είναι όμοια με αυτά που αρέσουν στο χρήστη με βάση την ανάλυση της προηγούμενης δραστηριότητάς του. Για την υλοποίηση του CB θα διερευνηθούν τεχνικές όπως οι Bayesian classifiers και τα νευρωνικά δίκτυα (neural networks).
• Collaborative Filtering (CF). Σύμφωνα με αυτή την τεχνική, το σύστημα προτείνει στον χρήστη αντικείμενα που προτιμούν άλλοι χρήστες όμοιοι με αυτόν. H υλοποίηση του υποσυστήματος μπορεί να πραγματοποιηθεί με χρήση μεθόδων γειτνίασης (Neighborhood-based methods), όπως η k- nearest neighbor classifier (kNN) ή και με συνδυασμό τεχνικών συσταδοποίησης (clustering) για τη μείωση του υπολογιστικού κόστους.
• Το σύστημα προτείνει αντικείμενα με βάση τα δημογραφικά στοιχεία του χρήστη (φύλο, ηλικία, γλώσσα, χώρα προέλευσης κλπ.). Σε αυτή την περίπτωση, οι χρήστες κατηγοριοποιούνται με βάση τα δημογραφικά κριτήρια και οι συστάσεις παράγονται με βάση τις δημογραφικές κατηγορίες.
• Community-based (με βάση τα κοινωνικά δίκτυα). Το σύστημα παράγει συστάσεις με βάση τις προτιμήσεις των φίλων του χρήστη από τα μέσα κοινωνικής δικτύωσης. Μελέτες έχουν δείξει ότι οι συστάσεις που βασίζονται στα κοινωνικά δίκτυα είναι πιο αποδοτικές καθώς οι χρήστες τείνουν να εμπιστεύονται περισσότερο τις συστάσεις που προέρχονται από άτομα που οι ίδιοι γνωρίζουν.

Το σύστημα βελτιώνεται με το χρόνο λαμβάνοντας υπόψη την ανατροφοδότηση (feedback) του χρήστη σχετικά με τη συνάφεια των παραγόμενων συστάσεων. Αυτό πραγματοποιείται με δύο τρόπους: α) o χρήστης έχει τη δυνατότητα να βαθμολογήσει άμεσα τις συστάσεις που του παρείχε το σύστημα (explicit feedback), β) το σύστημα ανιχνεύει με έμμεσο τρόπο τη σχετικότητα των συστάσεων π.χ. μέσω ανάλυσης του ιστορικού των δραστηριοτήτων του χρήστη (implicit feedback).

Παροχή κινήτρων στους χρήστες

Έχοντας αναλύσει τις προτιμήσεις του χρήστη, μπορούν να εφαρμοστούν πρακτικές gamification ώστε να του δοθούν κίνητρα για να προβεί σε αγορές ή χρήση υπηρεσιών. Ενδεικτικά, τέτοιες τεχνικές είναι η δημιουργία κατάταξης με διάφορα κριτήρια (πόσα αξιοθέατα επισκέφτηκε, πόσα βήματα έκανε, πόσες αγορές έκανε κλπ.) σε διάφορες ομάδες (μεταξύ φίλων, μεταξύ συνταξιδιωτών, κλπ.), η απονομή badge για τα επιτεύγματά του (π.χ. να ξεπεράσει κάποια βήματα, ή κάποιο όριο αγορών κλπ.) και η συλλογή εξαργυρώσιμων πόντων (όπως π.χ. τα μίλια στις αεροπορικές πτήσεις). Τα στοιχεία του συστήματος θα κρατούνται με ασφάλεια και για διάστημα που καθορίζεται από την εθνική νομοθεσία ενώ, θα υπάρχει δυνατότητα άμεσης διαγραφής τους όταν αυτό απαιτηθεί από τους ταξιδιώτες.

Δυνατότητα διαβαθμισμένης πρόσβασης

Οι ρόλοι και τα δικαιώματά των χρηστών του συστήματος καθορίστηκαν κατά τη διάρκεια καταγραφής των απαιτήσεων. Το σύστημα παρέχει τους απαραίτητους μηχανισμούς δημιουργίας αντιγράφων ασφαλείας των δεδομένων και μηχανισμούς κρυπτογράφησης.

Σε σχέση με τη δεύτερη λειτουργικότητα που αφορά στη Βιομετρική Ταυτοποίηση Επιβατών σε κάθε σημείο ελέγχου, ο επιβάτης θα ελέγχεται, επικυρώνεται το διαβατήριό του (ή το ταξιδιωτικό του έγγραφο γενικότερα) και λαμβάνεται μια φωτογραφία του προσώπου του από ειδική συσκευή αυτοματοποιημένης καταγραφής. Η βιομετρική πληροφορία αυτή επιβεβαιώνεται με τη φωτογραφία που υπάρχει ηλεκτρονικά σε κάθε σύγχρονο διαβατήριο σύμφωνα με τα πρότυπα του ICAO Ιnternational Civil Aviation Organization) και  χρησιμοποιείται στα επόμενα σημεία ελέγχου για την ταυτοποίησή του.

Με τον τρόπο αυτό, ο επιβάτης περνά χωρίς καθυστερήσεις/γρήγορα από τα σημεία ελέγχου όπου πρέπει να ελέγχεται η ταυτότητά του κοιτάζοντας απλά τις κάμερες αναγνώρισης προσώπου, χωρίς να απαιτείται η χρήση του διαβατηρίου ή της κάρτας επιβίβασης. Κατά συνέπεια, μειώνονται σημαντικά τόσο οι χρόνοι αναμονής, όσο και ο αριθμός των λιμενικών που απαιτούνται για ελέγχους σε κάθε λιμενικό προορισμό.

Τα συστήματα αναγνώρισης προσώπου (facial recognition systems) είναι εφαρμογές που στοχεύουν στην αυτοματοποιημένη αναγνώριση και ταυτοποίηση των ατόμων από ψηφιακές εικόνες ή βίντεο. Η τεχνολογία αναγνώρισης προσώπου χρησιμοποιείται ολοένα και περισσότερο σε συστήματα ασφαλείας και επιτήρησης για τον έλεγχο εισόδου σε αεροδρόμια, λιμάνια, κτίρια και γενικότερα για την επαλήθευση της ταυτότητας ατόμων. 

Για την αυτόματη αναγνώριση προσώπου χρησιμοποιούνται δύο βασικές προσεγγίσεις: α) με βάση τα χαρακτηριστικά (γεωμετρική προσέγγιση), β) με βάση το ταίριασμα προτύπου (φωτομετρική προσέγγιση). Στις γεωμετρικές μεθόδους, ανιχνεύονται τα χαρακτηριστικά του προσώπου όπως το πλάτος και το μήκος της μύτης, η θέση του στόματος και η μορφή των πηγουνιών κλπ. Αυτό το σύνολο γεωμετρικών χαρακτηριστικών στη συνέχεια αντιστοιχείται με τα χαρακτηριστικά των γνωστών ατόμων. Αν και αυτή η κατηγορία μεθόδων είναι αποτελεσματική και δεν είναι ευαίσθητη σε μεταβολές φωτισμού και οπτικής, στηρίζεται σε μεγάλο βαθμό στην εξαγωγή και τη μέτρηση των χαρακτηριστικών του προσώπου, το οποίο αποτελεί ένα πολύ δύσκολο πρόβλημα. Αντιθέτως, οι τεχνικές ταιριάσματος προτύπων λειτουργούν άμεσα σε μια εικόνα για την αναπαράσταση των προσώπων, όπως η συστοιχία της έντασης των εικονοστοιχείων (pixel intensity array) χωρίς να απαιτούν ανίχνευση και μέτρηση των γεωμετρικών χαρακτηριστικών του προσώπου. Έχει αποδειχθεί ότι αν και οι γεωμετρικές τεχνικές προσφέρουν υψηλότερη ταχύτητα αναγνώρισης και μικρότερες απαιτήσεις μνήμης, οι φωτομετρικές τεχνικές προσφέρουν μεγαλύτερη ακρίβεια αναγνώρισης. Οι δημοφιλέστεροι αλγόριθμοι αναγνώρισης βασίζονται σε εργαλεία όπως τα Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Elastic Graph Matching (EGM), Hidden Markov Model (HMM) κ.α.