સાઇબર સુરક્ષા નિષ્ણાત બિલ સ્વેરિંગેન (Bill Swearingen) એ AI-જનરેટેડ પેટર્ન રજૂ કરી છે જે સર્વેલન્સ અને ફેશિયલ રેકગ્નિશન (Facial Recognition) અલ્ગોરિધમમાં ખલેલ પહોંચાડે છે. ભલે આ એક ગોપનીયતા-કેન્દ્રિત સંશોધન પ્રોજેક્ટ છે, પરંતુ તે વૈશ્વિક બાયોમેટ્રિક્સ અને સર્વેલન્સ ઉદ્યોગ માટે ઉભરતા ટેકનોલોજીકલ પડકારોને પ્રકાશિત કરે છે.
સુરક્ષા સંશોધક બિલ સ્વેરિંગેન (Bill Swearingen) એ 2026 Black Hat USA કોન્ફરન્સમાં 'noRecognition' નામનો નવો પ્રોજેક્ટ રજૂ કર્યો છે. આ ટેકનોલોજી આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ કરીને ચોક્કસ 'એડવર્સરીયલ' (adversarial) પેટર્ન બનાવે છે, જે કપડાં અથવા વાહનો પર લગાવી શકાય છે. આ ડિઝાઇન્સ ન્યુરલ નેટવર્ક્સ (Neural Networks) માં ખામીઓનો લાભ લેવા માટે બનાવવામાં આવી છે, જેના કારણે ઓટોમેટેડ સિસ્ટમ્સ લોકોને અથવા લાયસન્સ પ્લેટ જેવી વસ્તુઓને ઓળખવામાં નિષ્ફળ જાય છે.
તકનીકી રીતે, આ પ્રોજેક્ટ વ્યક્તિને છુપાવવાનો પ્રયાસ કરતો નથી, પરંતુ કમ્પ્યુટર વિઝન મોડેલ્સ (Computer Vision Models) ની કાર્યક્ષમતામાં વિક્ષેપ પાડવાનો છે. ચોક્કસ પેટર્ન રજૂ કરીને જે અલ્ગોરિધમ્સને મૂંઝવણમાં મૂકે છે, સંશોધનનો ઉદ્દેશ્ય ફેશિયલ અને ઓબ્જેક્ટ રેકગ્નિશન સિસ્ટમ્સ (Object Recognition Systems) ના વિશ્વાસ સ્તરોને ઘટાડવાનો છે. વ્યક્તિગત રીતે ઓટોમેટેડ સર્વેલન્સમાંથી બહાર નીકળવાની પદ્ધતિ પ્રદાન કરવાના હેતુથી વિવિધ વ્યાપારી અને ઓપન-સોર્સ ડિટેક્શન ટૂલ્સ (Open-source Detection Tools) સામે પરીક્ષણ કરવામાં આવ્યું છે.
રોકાણકારો અને બજારના અનુયાયીઓ માટે એ સ્પષ્ટ કરવું મહત્વપૂર્ણ છે કે 'noRecognition' એક ગોપનીયતા હિમાયત અને સંશોધન પહેલ છે. તે કોઈ કોર્પોરેટ એન્ટિટી નથી, અને તેની સાથે કોઈ સ્ટોક ટિકર, નાણાકીય ફાઇલિંગ્સ અથવા વ્યાપારી ઉત્પાદન લોન્ચ સંકળાયેલ નથી. પ્રોજેક્ટ હાલમાં સંશોધન અને વિકાસના તબક્કામાં છે અને પરંપરાગત બિઝનેસ-ટુ-બિઝનેસ (B2B) અથવા બિઝનેસ-ટુ-કન્ઝ્યુમર (B2C) ટેકનોલોજી માર્કેટની બહાર કાર્ય કરે છે.
જોકે, આવા સંશોધનના સૂચિતાર્થો વ્યાપક સર્વેલન્સ અને સુરક્ષા ક્ષેત્ર માટે સંબંધિત છે. બાયોમેટ્રિક્સ, ફેશિયલ રેકગ્નિશન અને ઓટોમેટેડ મોનિટરિંગમાં વિશેષતા ધરાવતી કંપનીઓ - જેમ કે સરકારી અને વ્યાપારી સર્વેલન્સ સોફ્ટવેર પ્રદાતાઓ - જો આ એડવર્સરીયલ ટેકનિક્સનો મોટા પાયે અપનાવવામાં આવે તો તેમને પડકારોનો સામનો કરવો પડી શકે છે. આ પેટર્નની અસરકારકતા AI ડિટેક્શન મોડેલ્સ (AI Detection Models) માટે સતત અપડેટ ચક્રની જરૂરિયાત ઊભી કરે છે, જેને આવા વિક્ષેપ પેટર્નને ઓળખવા અને તેને નિષ્ક્રિય કરવા માટે ફરીથી તાલીમ આપવી જોઈએ.
ત્યાં નોંધપાત્ર નિયમનકારી અને કાનૂની વિચારણાઓ પણ છે. જેમ કેટલાક અધિકારક્ષેત્રોમાં જાહેરમાં ચહેરાના આવરણ અથવા માસ્ક પર પ્રતિબંધ મૂકવામાં આવ્યો છે, તેવી જ રીતે ભવિષ્યના નિયમોમાં એન્ટી-સર્વેલન્સ કપડાં અથવા વાહન આવરણને લક્ષ્યાંકિત કરી શકાય છે જો તેઓ જાહેર સલામતી અથવા કાયદા અમલી અમલીકરણના પ્રયાસોમાં દખલ કરતા જણાય. વધુમાં, 'noRecognition' પેટર્નની અસરકારકતા પરિવર્તનશીલ છે અને કેમેરાના ખૂણા, લાઇટિંગ અને ઉપયોગમાં લેવાતા ચોક્કસ રેકગ્નિશન સોફ્ટવેર જેવા પરિબળો પર ખૂબ આધાર રાખે છે. જેમ જેમ આ સંશોધન આગળ વધશે, તેમ તેમ પ્રાથમિક મોનિટર કરવાની બાબતો આવા 'એડવર્સરીયલ' હુમલાઓ સામે AI સંરક્ષણ પદ્ધતિઓનો વિકાસ અને જાહેર સ્થળોએ વિક્ષેપકારક ગોપનીયતા સાધનોના ઉપયોગ અંગે નવી સરકારી નીતિઓની સંભાવના રહેશે.