Reconocimiento y comparación facial en el alta

El reconocimiento facial ha cambiado mucho en los últimos años. El aprendizaje profundo impulsó ese cambio y permitió verificar identidades a distancia. La comparación facial con documentos de identidad, antes manual, ahora se realiza cada vez más en línea.

Las personas reconocen y comparan rostros con facilidad porque el cerebro tiene áreas especializadas en esa tarea. Para identificar a alguien, también toma en cuenta otros datos, como la ropa, el género, la ubicación, el contexto y la forma de caminar o moverse.

Para que la inteligencia artificial obtenga resultados similares al reconocer a una persona por su aspecto general, se necesitarían varios métodos. Aquí nos centramos en un problema más acotado: el reconocimiento facial. Para ejecutarlo en línea, hace falta validar los datos de entrada, ejecutar modelos y tomar decisiones a partir de los datos recopilados.

Las fotos que suelen usarse para tomar decisiones en el reconocimiento facial se dividen en estos tipos:

  1. Foto sencilla que carga el usuario,
  2. Selfie tomada durante el proceso de reconocimiento,
  3. Foto capturada durante la prueba de vida.

Después, la foto de la persona se compara con otra fuente. Puede ser un servicio gubernamental, como NCIIC en China o Dukcapil en Indonesia, o la foto de un documento de identidad, como una tarjeta de identidad, una licencia de conducir o un pasaporte.

Validación de los datos de entrada

Los principales métodos para verificar la autenticidad de las fotos digitales son:

Por lo general, solo dos de estos métodos se pueden automatizar bien sin generar demasiadas alertas incorrectas. El análisis de nivel de error tiene limitaciones porque a menudo alguien debe revisar el resultado. Es más una herramienta visual y puede pasar por alto algunas manipulaciones sencillas pero eficaces. Por ejemplo, el análisis ELA a menudo no detecta una captura de pantalla de una foto manipulada.

El análisis de metadatos aporta información útil, como la cámara utilizada, las marcas de tiempo, la ubicación de los objetos en la foto y, en ocasiones, incluso datos de geolocalización. Esta información sirve para confirmar que la foto se tomó en el lugar esperado, como un punto de venta, que es reciente o que no se editó con Photoshop u otro programa. Si se eliminaron los metadatos, tómelo como una señal de alerta. Si faltan en todas las fotos, consulte con sus desarrolladores cómo se capturan, procesan y almacenan.

La calidad de la última versión guardada está relacionada con la compresión. Las fotos almacenadas o editadas suelen comprimirse y dejan de conservar la calidad original que produjo el dispositivo.

El uso de pruebas de vida durante el proceso puede reducir muchos riesgos relacionados con fotos falsas. Por lo general, una aplicación para teléfonos ejecuta algoritmos de detección de vida y captura una foto durante el proceso, que luego se envía para su reconocimiento. En ese punto, el posible vector de ataque es la API que carga la foto al servidor. Para reducir ese riesgo, use más que hashing y cifrado estándar. Otras medidas de protección pueden dificultar el uso indebido de los endpoints de la API con datos falsos.

Comparación de rostros

Una vez que los datos recibidos son confiables, el siguiente paso es compararlos. Los servicios gubernamentales suelen dar buenos resultados. En la mayoría de los casos, ya no tiene mucho sentido crear un modelo propio: los modelos de aprendizaje profundo requieren grandes cantidades de datos de entrenamiento, y los servicios de terceros ya son avanzados y relativamente económicos.

Puede elegir un servicio según varios criterios: precio, velocidad y calidad de la comparación. También conviene revisar su rendimiento según el perfil racial de las personas que se comparan. Por ejemplo, los servicios de Microsoft suelen funcionar bien con rostros caucásicos, pero pueden dar malos resultados con rostros asiáticos. En estos últimos, he visto buenos resultados con Face++. Con rostros caucásicos, esos mismos servicios a veces no detectan detalles faciales más sutiles.

En la mayoría de los casos, recomiendo usar dos servicios de reconocimiento facial: uno para el análisis y otro para la comparación. Algunos equipos solo comparan y omiten el análisis. Es un error, porque el análisis permite comprobar qué se está comparando. A veces los algoritmos se equivocan de forma evidente, por ejemplo, clasifican como hombre a alguien cuya imagen muestra claramente a una mujer.

Integre estas comprobaciones en un flujo de decisión

Cree reglas de crédito, fraude o cobros y ejecútelas en decisiones en tiempo real.

Decisión final

Un proceso práctico para tomar decisiones con reconocimiento facial puede seguir estas etapas:

  1. Validación de datos: comprobar que los datos recibidos sean confiables
  2. Detección de anomalías o resultados inusuales: usar los resultados del análisis para detectar problemas
  3. Decisión final: comparar los resultados de confianza

Reglas recomendadas para validar los datos de entrada

  • Que no se hayan usado Photoshop u otros programas
  • Que la marca de la cámara coincida con la del teléfono, según otros metadatos, como los del navegador
  • Que la geolocalización sea coherente
  • Que la foto no sea demasiado antigua
  • Que la imagen tenga metadatos

Análisis de la foto

  • Coincidencia de género
  • Que se detecte una sola persona en la foto

Comparación

  • Que el resultado de la comparación sea alto, por ejemplo, 99%
  • Umbral de confianza según la recomendación del proveedor. Por lo general:
    • 80%+ alta confianza de que se trata de la misma persona
    • 60-80% cierto grado de confianza
    • <60% no se trata de la misma persona

Para cerrar…

El objetivo de este artículo es explicar, a grandes rasgos, el proceso de reconocimiento facial. No abarca todos los aspectos. Puede servir como punto de partida para definir una política o estrategia de toma de decisiones en la verificación de identidad, pero no como punto final. La identificación de personas tiene varias dimensiones. Si se limita a llamar a servicios cognitivos y fijar un umbral, puede tomar decisiones deficientes por asumir que los datos de entrada eran mejores de lo que realmente eran.

Preguntas frecuentes

¿Podemos aprobar una coincidencia facial con una puntuación del 80% de un proveedor?

Tome el 80% como punto de partida, no como un umbral de aprobación que pueda aplicar en cualquier contexto. Calibre la puntuación del proveedor con ejemplos etiquetados de sus propios canales, dispositivos y población de clientes. Después, elija un umbral acorde con su tolerancia a las aceptaciones erróneas. Envíe las puntuaciones limítrofes a revisión por una persona y consulte las recomendaciones vigentes del proveedor, ya que las puntuaciones pueden cambiar según el modelo y las condiciones de captura.

¿Cuándo vale la pena pagar por un segundo servicio de reconocimiento facial?

Agregue un segundo servicio si las pruebas muestran que detecta problemas en los datos de entrada que el servicio de comparación no detecta. Ejecute ambos con las mismas imágenes etiquetadas, incluidas fotos de baja calidad y manipuladas, y compare las tasas de error, el tiempo de respuesta y el precio. Si los resultados no coinciden, envíe el caso a revisión por una persona en lugar de permitir que un servicio anule al otro sin avisar.

¿La falta de metadatos en una foto debería detener una solicitud de registro?

Tome la falta de metadatos como una advertencia, no como motivo para rechazar automáticamente la solicitud. Primero, compruebe si el proceso de captura, carga o procesamiento de imágenes elimina los metadatos de fotos legítimas. Si no puede determinar el origen de la foto, solicite una nueva captura o use otra comprobación de identidad. Si el caso sigue sin resolverse, envíelo a revisión por una persona.

¿Qué evidencia conviene usar para definir un umbral de coincidencia facial?

Use imágenes etiquetadas que representen a sus clientes, dispositivos, condiciones de iluminación y canales de captura reales. Para cada umbral posible, mida las aceptaciones y los rechazos erróneos, y compare los resultados entre los grupos demográficos pertinentes y las distintas condiciones de las imágenes. Incluya fotos manipuladas y de baja calidad, y defina cómo enviar a revisión por una persona las puntuaciones limítrofes y las comprobaciones contradictorias.

¿Cómo proteger la carga de fotos frente a ataques de repetición o sustitución?

Proteja tanto el endpoint de carga como la prueba de vida. Use permisos de carga de corta duración, límites de solicitudes y un mecanismo para vincular cada imagen con el intento de verificación en curso. Después, compruebe si una imagen repetida o sustituida puede superar la verificación. Estas medidas añaden pasos y pueden no detectar nuevos métodos de ataque, así que mantenga disponible otra comprobación de identidad para los intentos sospechosos.

Integre estas comprobaciones en un flujo de decisión

Cree reglas de crédito, fraude o cobros y ejecútelas en decisiones en tiempo real.