Az ujjlenyomat titkos családfája: mégsem olyan egyedi, mint hittük?

Nem az derült ki, hogy az ujjlenyomat használhatatlan. Hanem az, hogy talán rosszul tettük fel róla a kérdést.

A klasszikus kriminalisztika általában egy ujj lenyomatát hasonlítja ugyanannak az ujjnak egy ismert lenyomatához. Hüvelykujjat hüvelykujjal. Mutatóujjat mutatóujjal. Ha egy tetthelyen talált nyom a bal mutatóujjról származik, de az adatbázisban csak a jobb gyűrűsujj lenyomata van meg, a hagyományos rendszer bajban van. A két nyomot nem úgy kezeli, mint rokonokat, hanem mint két külön világot.

A Columbia Egyetem kutatói viszont más kérdést tettek fel: lehet, hogy egy ember különböző ujjai nem teljesen függetlenek egymástól?

A válasz meglepő volt: igen, lehet.

Nem ugyanaz, mint az “azonos ujjlenyomat”

A félreértés itt kezdődik. Amikor a hírek azt írják, hogy “az ujjlenyomat mégsem egyedi”, az nagyon drámain hangzik, de pontatlan. Nem arról van szó, hogy két ember ujjlenyomata hirtelen ugyanolyannak bizonyult. Nem arról van szó, hogy az ujjlenyomatos telefonzárak holnaptól értelmetlenek. És nem arról, hogy a kriminalisztika száz éve tévedésben él minden ügyben.

A kutatás állítása finomabb és érdekesebb: egy ember különböző ujjai között lehet olyan közös szerkezeti jelleg, amelyet a hagyományos ujjlenyomat-elemzés nem nagyon használt.

Ez olyan, mintha eddig minden ujjat külön szigetnek tekintettünk volna, az AI pedig észrevette, hogy a szigetek alatt ugyanahhoz a földkéreghez kapcsolódnak.

Mit látott meg az AI?

A hagyományos ujjlenyomat-azonosítás egyik fő eszköze a minutia. Ezek az apró részletek: ahol egy bőrléc véget ér, kettéágazik, megszakad, pontszerűen megjelenik vagy más jellegzetes fordulatot vesz. Ezek nagyon fontosak, mert a pontos helyzetük és viszonyuk rendkívül részletgazdag azonosítást tesz lehetővé.

Az AI azonban nem elsősorban ezeket figyelte.

A kutatók szerint a rendszer inkább a lenyomat középső részének nagyobb íveire, hurkaira, örvényeire, a redők szögére és görbületére figyelt. Nem a legapróbb “töréspontokat” nézte, hanem a teljes mintázat belső koreográfiáját.

Ezért tudott olyasmit észrevenni, amit az emberi szakértők eddig kevésbé tartottak használhatónak: hogy ugyanannak az embernek különböző ujjain a nagyobb léptékű mintázatok között lehet hasonlóság.

Hogyan próbálták ki?

A kutatók egy nyilvános amerikai ujjlenyomat-adatbázisból körülbelül hatvanezer ujjlenyomatot használtak. A mesterséges intelligenciának párokat mutattak. Néha a pár két különböző ujj lenyomata volt ugyanattól az embertől. Máskor két különböző ember ujjlenyomatai szerepeltek a párban.

A feladat az volt: döntse el, a két lenyomat ugyanahhoz a személyhez tartozik-e.

Egyetlen ujjpár esetén az AI nem volt tévedhetetlen. A pontossága nagyjából 77 százalék körül mozgott. Ez kevés ahhoz, hogy egy bírósági ügyben önmagában bizonyítékként használják. De sok ahhoz képest, hogy a hagyományos feltételezés szerint a különböző ujjak lenyomatai gyakorlatilag összeköthetetlenek.

Amikor több ujjpárt is figyelembe vehetett, a rendszer teljesítménye jelentősen javult. Itt kezd igazán érdekes lenni a történet: nem egyetlen ujj “beszélt”, hanem az ujjak együttese.

Az ujjak nem magányosak

Biológiailag ez nem is annyira meglepő. Az ujjlenyomatok a magzati fejlődés során alakulnak ki. A bőrredők mintázatait nem egyetlen véletlen pillanat rajzolja meg, hanem gének, növekedési erők, a fejlődő ujjak formája, a bőr feszülése és a méhen belüli mikrokörnyezet együttese.

Az elmúlt évek genetikai kutatásai azt is jelezték, hogy az ujjlenyomat-típusok kapcsolatban állhatnak a végtagfejlődés génjeivel. Vagyis az ujjlenyomat nem pusztán “bőrminta”. Részben a kéz fejlődési történetének lenyomata.

Ha pedig az összes ujj ugyanazon test, ugyanazon genetikai program és ugyanazon fejlődési folyamat részeként alakul ki, akkor nem őrültség feltételezni, hogy lehet közöttük közös szerkezeti logika.

Nem azonosak. Nem másolatok. De rokonok lehetnek.

Akkor két ember ujjlenyomata is egyezhet?

Itt érdemes nagyon óvatosnak lenni. Teljes, jó minőségű ujjlenyomatok esetén továbbra is rendkívül kicsinek tartják annak esélyét, hogy két különböző ember minden fontos részletében azonos lenyomatot adjon. A mostani AI-kutatás nem azt mutatta ki, hogy két idegen ember ujjlenyomata ugyanaz.

A valódi probléma inkább a gyakorlatban jelentkezik: a bűnügyi helyszíneken ritkán találni tökéletes, teljes ujjlenyomatot. A nyom sokszor részleges, elkenődött, torzult, túl gyenge vagy szennyezett. Ilyenkor már nem az “örök egyediség” elvont kérdése számít, hanem az, mennyi részlet látszik, milyen jó minőségben, és mennyire megbízható a következtetés.

Más szóval: a teljes ujjlenyomat lehet rendkívül egyedi, de a tetthelyen talált töredék már nem feltétlenül hordozza ezt az egyediséget teljes erővel.

Az AI-felfedezés ezért nem a káoszt hozza el, hanem a valószínűségi gondolkodást erősíti. Nem azt kell mondani, hogy “ez biztosan ugyanaz az ember”, hanem azt, hogy “ilyen és ilyen valószínűséggel ugyanahhoz az emberhez tartozhat”.

Miért lehet ez fontos a kriminalisztikában?

Képzeljünk el két bűnügyi helyszínt. Az egyiken egy bal hüvelykujj részlete marad hátra. A másikon egy jobb középső ujj nyoma. A hagyományos rendszer ezeket nem biztos, hogy össze tudja kötni. Hiszen nem ugyanannak az ujjnak a lenyomatai.

Egy olyan AI, amely felismeri az egy személyen belüli ujjlenyomat-rokonságot, új nyomozati irányt adhat. Nem döntene el önmagában ügyeket, de segíthetne rangsorolni gyanúsítottakat, összekötni ügyeket, vagy elővenni régi, megakadt eseteket.

Ez különösen akkor lehet hasznos, amikor nincs teljes adatbázis minden ujjról, vagy amikor több helyszínen eltérő ujjakról származó töredéknyomok maradnak.

Az AI itt nem ítélőbíró lenne, hanem keresőlámpa.

Miért nem látta ezt eddig az ember?

Részben azért, mert a kriminalisztika történetileg más részletekre épült. A szakértők a jól látható, apró, összevethető pontokat keresték: elágazásokat, végződéseket, jellegzetes lokális részleteket. Ez érthető. Ezek kézzel is leírhatók, összehasonlíthatók, taníthatók.

Az AI viszont nem feltétlenül úgy gondolkodik, ahogy az emberi szakértő. Nem kérdezi meg, hogy “ez a módszer szokásos-e?”. Megkapja a képeket, és statisztikai mintázatokat keres. Néha olyan összefüggést talál, amelyet az emberek azért nem vettek komolyan, mert nem illett a hagyományos szakmai keretbe.

Ez a mesterséges intelligencia egyik legizgalmasabb szerepe a tudományban: nem feltétlenül okosabb, hanem másképp vak és másképp éleslátó. Nem érti az ujjlenyomatot úgy, mint egy ember, de észrevehet benne olyan ismétlődő szerkezetet, amely felett az ember elsiklott.

Veszélyes lehet ez?

Igen, ha túl hamar túl sokat várunk tőle.

Egy 77 százalékos módszer nem bizonyíték. Egy rosszul validált AI nem szakértő. Egy elfogult adatbázison tanított rendszer hibásan működhet más népcsoportoknál, más minőségű nyomoknál, más típusú szenzoroknál. A kutatók maguk is hangsúlyozták, hogy sokkal szélesebb körű tesztelés kell, mielőtt ilyen eszközt élesben használnának.

A kriminalisztikában egy tévedés nem pusztán statisztikai hiba. Egy ember élete, szabadsága, hírneve múlhat rajta.

Ezért az ilyen AI inkább előszűrő lehetne: megmutathatja, hol érdemes tovább vizsgálódni. De a végső döntéshez továbbra is emberi szakértő, többféle bizonyíték, óvatos értelmezés és átlátható módszertan kell.

Megdőlt az ujjlenyomat mítosza?

Inkább átalakul.

Az ujjlenyomat továbbra is az egyik legerősebb biometrikus azonosító. De a régi, abszolút mondat “minden ujjlenyomat teljesen egyedi és minden másiktól független” túl egyszerű lehet. A valóság valószínűleg rétegesebb.

Egy adott ujj apró részletei továbbra is nagyon egyediek lehetnek. Ugyanakkor egy ember különböző ujjai között lehetnek családi hasonlóságok: közös ívek, hasonló görbületi logika, a redőzet nagyobb szerkezeti rokonsága. Ez nem gyengíti feltétlenül az ujjlenyomat-azonosítást. Sőt, új lehetőséget adhat hozzá.

A kérdés tehát nem az, hogy “az ujjlenyomat egyedi-e vagy sem”. Hanem az, milyen szinten nézzük.

A mikrorészletek szintjén lehet nagyon egyedi. A nagy mintázati szerkezet szintjén viszont hordozhat információt arról, hogy ugyanannak az embernek a kezéről származik-e.

A test aláírása

Talán ez a legszebb tanulság: az ujjlenyomat nem tíz különálló pecsét, hanem egy kéz tíz változata. Mindegyik más. Mindegyik saját történetet mesél. De ugyanabból az emberből nőtt ki, ugyanabban az időben, ugyanannak a fejlődési zenének a ritmusára.

Az AI nem azt mondta, hogy az ujjlenyomat hazudik. Inkább azt, hogy többet mond, mint eddig hittük.

Eddig azt kérdeztük tőle: “Te vagy az az ujj?”
Most először komolyan megkérdezhetjük tőle: “Te ugyanahhoz a kézhez tartozol?”

Források:

A Columbia Engineering beszámolója szerint a kutatók kb. 60 000 ujjlenyomatot adtak egy deep contrastive network típusú AI-rendszernek; a párok néha ugyanattól az embertől, de különböző ujjakból, máskor különböző emberektől származtak. Egy ujjpárnál kb. 77% pontosságot értek el, több párnál pedig jelentősen javult az eredmény. A rendszer nem a hagyományos minutiae-pontokat, hanem inkább a lenyomat közepén látható ívek, hurkok és örvények görbületét használta.

Az eredeti Science Advances-tanulmány címe “Unveiling intra-person fingerprint similarity via deep contrastive learning”; a fő állítás az, hogy ugyanazon ember különböző ujjai között erős, statisztikailag kimutatható hasonlóság lehet. Ez nem azonos azzal az állítással, hogy két idegen ember teljes ujjlenyomata “ugyanaz”.

A biológiai háttérhez kapcsolódik, hogy egy 2022-es Cell-tanulmány szerint az ujjlenyomat-mintázatok a végtagfejlődés génjeihez is kötődhetnek: több mint 23 000 ember genetikai adatai alapján legalább 43 genomi régiót kapcsoltak ujjlenyomat-típusokhoz, és összefüggést találtak a mintázatok és az ujjak arányai között.

A forenzikus óvatosság azért fontos, mert a bűnügyi helyszíneken talált látens nyomok gyakran részlegesek, torzultak vagy elkenődöttek; a National Academies kézikönyve szerint a kriminalisztikai ujjnyom-elemzés több alapfeltevésre épül, és a végső azonosításban szakértői ítélet is szerepet játszik. A NIST hasonlóan hangsúlyozza, hogy a látens nyomokat először minőségük és részletességük alapján kell értékelni, és a hibalehetőségek csökkentésére algoritmusokat is fejlesztenek.