Trabajamos en la intersección entre el procesamiento de señales y la seguridad digital. Nuestro campo es la detección de vida: distinguir una cara real frente a una pantalla, una máscara o un vídeo sintetizado. No vendemos promesas genéricas de protección; documentamos cómo se comportan los datos biométricos bajo ataque y construimos contramedidas verificables.
Atendemos a equipos de fraude, desarrolladores de autenticación y responsables de cumplimiento que necesitan entender dónde falla un sistema antes de que lo exploten. Nuestra comunicación es directa, con referencias a casos concretos y sin adornos de marketing.
Cada sistema de liveness detection que desplegamos se apoya en perfiles con experiencia real en visión por computadora, criptografía y análisis de señales. Estas son las personas que revisan cada umbral de decisión.
Directora de Investigación en Biometría
Doctora en procesamiento de imágenes por la Universidad de Buenos Aires. Antes de unirse al laboratorio, trabajó seis años en sistemas de control migratorio donde aprendió a distinguir una impresión fotográfica de una piel real bajo luz infrarroja. Hoy define los protocolos de prueba para cada nuevo sensor que incorporamos.
Ingeniero Principal de Algoritmos
Especialista en análisis de ruido de sensores y detección de anomalías estadísticas. Martín lideró el desarrollo de nuestro módulo de análisis de textura de piel, que compara la reflectancia natural del rostro contra patrones sintéticos. Su equipo mantiene una base de más de dos mil muestras de ataques de presentación.
Responsable de Evaluación de Amenazas
Proviene del área de respuesta a incidentes en banca digital. Lucía estudia los vectores de ataque emergentes: máscaras 3D, vídeos reenvasados y modelos generativos en tiempo real. Publica un informe técnico mensual que revisa la eficacia de nuestras contramedidas frente a cada nueva técnica.
El laboratorio opera bajo un principio simple: ninguna decisión de autenticación se toma con un solo indicador. Cada verificación cruza al menos tres señales independientes antes de emitir un resultado.
Nuestros algoritmos de detección de vida y análisis de ruido biométrico se prueban en entornos donde la suplantación de identidad tiene consecuencias reales. Instituciones financieras, organismos de registro civil y plataformas de identidad digital utilizan nuestras herramientas para validar que detrás de cada cámara hay una persona real.
No publicamos listas de clientes por acuerdos de confidencialidad. Los equipos que integran nuestros módulos suelen operar en sectores regulados, donde el costo de un error no se mide en reputación, sino en accesos indebidos y fraudes evitados.
DeepGuard nació en 2019 como un proyecto interno para validar la autenticidad de rostros en entornos de alta seguridad. Hoy, nuestros algoritmos de liveness detection procesan millones de verificaciones al año, pero la lógica sigue siendo la misma: encontrar la anomalía que el ojo humano no ve.
2019
El primer prototipo analizaba micro-movimientos oculares en videollamadas bancarias. Detectamos que los videos pregrabados de alta calidad engañaban al 30% de los sistemas comerciales de la época. Ese hallazgo definió nuestra dirección: no bastaba con pedir un gesto, había que medir la respuesta fisiológica real.
2021
Integramos el análisis de ruido de sensor en dispositivos móviles de gama media. La textura del ruido en una cámara real difiere de la de un video recompreso. Este avance nos permitió bloquear ataques de presentación con pantallas y mascarillas impresas sin necesidad de hardware especializado.
2023
Lanzamos la verificación de identidad para onboarding remoto en una entidad financiera de la región. El sistema rechazó el 99,2% de los intentos de suplantación con deepfakes generados por IA, manteniendo una tasa de falsos rechazos inferior al 1% en usuarios legítimos.
2025
Hoy trabajamos en la detección de anomalías en datos biométricos de múltiples sensores: profundidad, infrarrojo y espectro visible. El objetivo es anticipar ataques que aún no existen, no solo responder a los conocidos.
Cada etapa se documenta con observaciones de campo y métricas reales de producción. Así se construye una defensa que no depende de suposiciones.