Deepfakes y ataques digitales
Datos visuales falsificados que engañan a los sistemas de verificación basados en cámara.
Frente a los defraudadores
La persona detrás de la cámara podría ser falsa
Podría estar manipulando tus sistemas para hacerse pasar por alguien más, o podría no ser una persona en vivo en absoluto.
Ataques de presentación física
Datos visuales manipulados con pantallas de alta calidad o imágenes impresas para engañar a los sistemas de verificación basados en cámara.
Ataques de evasión
Personas que alteran su apariencia para dificultar que los sistemas de reconocimiento facial verifiquen sus rasgos biométricos.
0X
Aumento en los intentos de fraude con deepfakes en los últimos 3 años
0%
De las empresas afirman que las pérdidas por fraude de identidad han aumentado en los últimos años*
Ataques comunes
Trece ataques, tres familias
Deepfakes y ataques digitales
- Intercambio de rostros Reemplazar el rostro de una imagen objetivo con un rostro de otra fuente.
- Fusión de rostros Combinar digitalmente los rasgos faciales de dos personas para crear un nuevo rostro sintético.
- Recursos sintéticos 2D Imágenes de personas que no existen generadas por IA: todos los rasgos faciales son completamente sintéticos, a diferencia de las fusiones de rostros, que combinan rasgos de personas reales para generar un rostro nuevo.
- Recreación facial Replicar digitalmente movimientos y expresiones faciales reales para que los videos manipulados parezcan auténticos.
- Repeticiones de video Se reproduce material grabado en pantallas de alta resolución frente a la cámara para simular a una persona en vivo, lo que dificulta distinguir entre personas reales y en vivo.
Ataques de presentación física
- Máscaras 2D Máscaras planas impresas que imitan el rostro de alguien para engañar a los sistemas de verificación, pero carecen de la profundidad y el detalle de un rostro humano real.
- Máscaras 3D Máscaras tridimensionales realistas, hechas de materiales como silicona, elaboradas para parecerse mucho a una persona real, lo que las hace más difíciles de detectar.
- Impresiones en papel Se presentan fotos impresas de un rostro ante la cámara, intentando hacer pasar una imagen estática por una persona en vivo.
- Cartones Imágenes impresas montadas sobre cartón que ofrecen una apariencia más firme y rígida para intentar engañar a los sistemas.
- Repeticiones de video Se reproduce material grabado en pantallas de alta resolución frente a la cámara para simular a una persona en vivo, lo que dificulta distinguir entre personas reales y en vivo.
Ataques de evasión
- Expresiones exageradas Movimientos faciales demasiado dramáticos, como sonrisas extremas u ojos muy abiertos, se usan para distorsionar el rostro y confundir a los sistemas de reconocimiento
- Objetos que ocultan Artículos como sombreros, lentes o bufandas se usan para bloquear partes del rostro e impedir que los sistemas capturen una imagen clara.
- Maquillaje excesivo Se aplican técnicas complejas de maquillaje para cambiar la apariencia de rasgos faciales clave, dificultando que los sistemas reconozcan a la persona.
Cómo funciona
La tecnología avanzada de prueba de vida de Incode
Dentro de la prueba de vida de Incode empleamos inteligencia multimodal para maximizar la precisión de la detección sin frenar la experiencia del usuario final.
Beneficios técnicos
¿Por qué elegir la prueba de vida de Incode?
Descubre cómo la tecnología avanzada de prueba de vida de Incode Deepsight combate el fraude sin afectar la experiencia de tus usuarios.
Propiedad total de nuestros modelos de ML y stack tecnológico
A diferencia de otros proveedores que dependen de terceros, construimos y somos dueños de todo nuestro stack tecnológico. Nuestros modelos de IA/ML, impulsados por aprendizaje profundo y diseñados para la verificación de identidad, nos permiten entrenar con los vectores más recientes de fraude documental y biométrico. Este control total nos permite adaptar nuestros modelos a las necesidades únicas de nuestros clientes, garantizando un rendimiento y una flexibilidad superiores.
Datos ricos y bien organizados para entrenar modelos
Con redes neuronales avanzadas, que incluyen tanto redes neuronales convolucionales (CNN) estándar como modelos grandes de visión (LVM) y transformers de vanguardia, entrenamos nuestros modelos para lograr resultados de última generación en diversas tareas. A lo largo de casi una década hemos curado conjuntos de datos grandes y estadísticamente representativos, para que nuestros modelos ofrezcan un rendimiento equilibrado en variables como edad, tono de piel y género. Nuestro Fraud Lab interno ha recopilado más de 1 millón de ataques de presentación únicos, desde impresiones básicas hasta máscaras 3D avanzadas. También generamos datos sintéticos, como intercambios de rostros y rostros sintéticos, lo que refuerza la robustez de nuestros modelos.
Pruebas internas para una detección impecable
Nuestro entorno interno de pruebas está diseñado para ser más desafiante que los intentos de suplantación del mundo real. Al probar nuestros modelos contra ataques complejos, aseguramos tasas de detección perfectas en producción. Así podemos prevenir redes de fraude conocidas, intentos repetidos de verificación y otros comportamientos fraudulentos antes de que impacten tu negocio.
Aprovechamos múltiples modalidades de entrada
La prueba de vida avanzada de Incode incorpora detección en diversas modalidades, como profundidad y movimiento, y múltiples fotogramas, lo que multiplica su precisión.
Fraud Lab: adaptación en tiempo real a amenazas emergentes
Nuestros modelos de IA de prueba de vida se refinan continuamente en el Fraud Lab de Incode, donde nuestro equipo entrena nuestra tecnología propia de IA en respuesta a las técnicas de fraude emergentes más recientes. A diferencia de los competidores que dependen de proveedores externos, podemos entrenar de inmediato nuestros modelos internos para analizar la entrada frente a nuevos tipos de fraude, asegurando que estos ataques se neutralicen antes de que impacten tu negocio.
Resultados verificados
Bancos globales, fintechs y marketplaces confían en Incode.
0%
de falsos positivos y falsos negativos en pruebas independientes del Georgia Department of Driver's Services (protocolos iBeta Level 2, 2024).
0
falsos positivos y falsos negativos · Georgia DDS, protocolos iBeta Level 2, 2024
0%
de falsos positivos y falsos negativos · evaluación MSU-MFSD de Michigan State, 2023
1M+
ataques de presentación únicos recopilados por el Fraud Lab interno de Incode
Certificaciones y reconocimientos
Nombrados Líder en el Magic Quadrant™ de Gartner®para Verificación de Identidad por tercer año consecutivo. Descargar el reporte
¿Qué tipos de ataques deepfake previene la prueba de vida de Incode?
La prueba de vida de Incode previene el intercambio de rostros, la fusión de rostros, los recursos sintéticos 2D, la recreación facial y las repeticiones de video mediante algoritmos avanzados de detección de suplantación digital.
¿Qué ataques de presentación física puede detectar Incode?
Incode detecta máscaras 2D, máscaras 3D, impresiones en papel, cartones y repeticiones de video mediante modelos de ML diseñados para identificar intentos de suplantación física.
¿Cómo maneja Incode los ataques de evasión?
Los algoritmos de Incode buscan intentos de evasión, incluidas expresiones exageradas, objetos que ocultan el rostro como sombreros y lentes, y maquillaje excesivo que busca confundir a los sistemas de reconocimiento.
¿Cuál es la tasa de falsos positivos de la prueba de vida de Incode?
Incode logró 0% de falsos positivos (falsa aceptación de usuarios fraudulentos) y 0% de falsos negativos (falsos rechazos de usuarios genuinos) en pruebas independientes del Georgia Department of Driver's Services según los protocolos iBeta Level 2 en 2024.
¿Qué sigue?