AI Labs

Investigación que nos mantiene un paso delante del fraude generativo

Nuestro equipo de AI Labs investiga y compara continuamente modelos de machine learning frente a los vectores de ataque más recientes. Estudiamos cómo se crean los medios sintéticos para poder detectarlos de forma fiable — en deepfakes, suplantación de vida y alteración de documentos.

Imagen: máscaras faciales usadas en pruebas de liveness de AI Labs
Imagen: máscaras faciales usadas en pruebas de liveness de AI Labs
Área de Investigación 01

Detección de Vida

Estudiamos ataques de presentación (fotos impresas, video reproducido, máscaras 3D) y ataques de inyección (cámaras virtuales, emuladores) para construir modelos de liveness pasivo y activo. Cada modelo se reporta con FAR/FRR medidos para que las compensaciones entre seguridad y conversión sean transparentes.

  • Liveness pasivo que no requiere gestos del usuario, con desafíos activos como respaldo
  • Detección de ataques de inyección en las capas de captura y transporte
  • Pruebas de detección de ataques de presentación alineadas con ISO/IEC 30107-3
02

Detección de Deepfakes

Realizamos investigación adversaria frente a los generadores faciales basados en difusión y GAN más recientes. Al reproducir cómo los atacantes sintetizan e intercambian rostros, entrenamos clasificadores que detectan los artefactos sutiles de frecuencia, textura e iluminación que dejan los modelos generativos — incluso tras compresión y recodificación.

  • Corpus actualizado continuamente de rostros sintéticos de generadores abiertos y propietarios
  • Modelos de dominio de frecuencia y espacial combinados para un scoring de ensamble robusto
  • Evaluado frente a generadores no vistos para medir la generalización real
03

Alteración y Modificación de Documentos

Aplicamos forense a nivel de píxel a documentos de identidad para descubrir empalmes, ediciones copy-move, sustitución de fuentes y campos rellenados con IA. Los modelos se entrenan con muestras alteradas generadas internamente para que el detector vea las mismas técnicas que usan los defraudadores.

  • Análisis de nivel de error y modelos de residuo de ruido para exponer regiones editadas
  • Verificación de consistencia de fuente, MRZ y plantilla en más de 150 tipos de documento
  • Detección de campos de documento generados y editados con IA
Cómo trabajamos

Nuestra metodología de investigación

La detección es un objetivo en movimiento. La tratamos como un ciclo continuo y no como un lanzamiento único de modelo.

01

Replicación de amenazas

Reproducimos ataques emergentes en un entorno de red-team controlado.

02

Curación de datasets

Construimos y versionamos datasets balanceados y con consentimiento por clase de amenaza.

03

Entrenamiento adversario

Los modelos se endurecen frente a los ataques que produce nuestro red team.

04

Reentrenamiento continuo

Las señales de producción retroalimentan el ciclo para mantener los modelos actualizados.

Escala tu onboarding.
Automatiza tu cumplimiento.

Deja de elegir entre altas tasas de conversión y cumplimiento normativo estricto. Unifica tus flujos de identidad, detecta fraude en tiempo real y da a tus usuarios control total sobre su privacidad.

Empezar Hablar con Ventas