Cada módulo de DeepGuard está pensado para una etapa concreta del proceso de verificación. Esto es lo que se hace dentro del laboratorio y cómo se aplica en un entorno real.
Los sensores capturan la superficie de la piel y los movimientos involuntarios del rostro. Un video sintético no reproduce la reflexión de la luz sobre la dermis ni la frecuencia natural del parpadeo. El sistema compara esas señales contra un modelo de referencia y descarta la sesión si encuentra una discrepancia.
Cada cámara deja un patrón de ruido fijo en las imágenes que produce. Cuando un atacante inyecta un video pregrabado o una máscara digital, ese patrón cambia. El laboratorio entrena clasificadores para reconocer la firma del sensor original y detectar cuándo el flujo de datos fue alterado antes de llegar al verificador.
Un rostro real ocupa un volumen tridimensional. Al pedir un leve giro de cabeza, los puntos de referencia facial se desplazan de forma coherente con la geometría de la escena. Una pantalla plana o una foto impresa no produce ese paralaje. El módulo calcula la disparidad entre fotogramas y rechaza presentaciones que no tengan consistencia volumétrica.
Los protocolos se ajustan según el dispositivo de captura y el nivel de riesgo de la operación. Para integrar estos módulos en un flujo existente, se revisa primero el punto de entrada de la biometría y el umbral de tolerancia que necesita cada cliente.
Estas son las dudas que más aparecen al definir un plan de pruebas de liveness y resistencia a suplantación. Si necesitas un detalle que no está aquí, podemos revisarlo en una llamada técnica.
El pasivo analiza la imagen o el video sin pedir ninguna acción al usuario: evalúa textura de piel, profundidad, iluminación y micro-movimientos naturales. El activo, en cambio, solicita un gesto específico, como girar la cabeza o parpadear, y verifica que la respuesta sea coherente con una persona real. En la práctica usamos ambos: el pasivo como primera barrera y el activo cuando el riesgo de la operación es mayor.
Nuestros sistemas están entrenados para reconocer presentaciones con fotos impresas, pantallas de teléfono, máscaras 3D y videos pre-grabados. También trabajamos en la detección de deepfakes generados en tiempo real durante una videollamada. La clave está en el análisis de ruido del sensor y las anomalías espectrales que un re-muestreo digital deja en los datos.
Para un SDK móvil o una API REST, la integración básica suele tomar entre dos y cinco días hábiles. Eso incluye la configuración de umbrales de seguridad según tu caso de uso. La parte más larga no es la conexión técnica, sino definir qué nivel de fricción estás dispuesto a aceptar en tu flujo de usuarios.
Sí, pero con matices. El análisis pasivo corre sin problema en equipos con procesadores de gama media. El activo, que requiere seguimiento de gestos en tiempo real, necesita un poco más de recursos. Para entornos con hardware limitado recomendamos bajar la resolución de captura y usar nuestro modelo ligero, que mantiene una tasa de precisión aceptable sin exigir un flagship.
Equipos de integración y responsables de seguridad nos cuentan cómo cambió su flujo de verificación después de implementar nuestros módulos de detección de vida.
Redujeron el tiempo de alta de clientes a la mitad. El filtro de ataques con máscaras 3D y pantallas pasó de revisión manual a bloqueo automático en menos de 400 ms por intento.
Integraron el análisis de ruido de sensor para detectar reinyección de video en cuentas ya validadas. Detectaron 37 intentos de suplantación en el primer trimestre sin sumar fricción visible para usuarios legítimos.
Usan nuestro SDK en tablets de planta para verificar operarios. El modo offline con umbrales ajustables les permitió mantener el control en galpones sin conectividad estable.