Cuando un cliente nos acerca una muestra de video o una transmisión en vivo, no empezamos por la clasificación binaria de "falso o real". Primero establecemos el contexto de captura: qué dispositivo, qué iluminación, qué compresión. Ese encuadre inicial define qué tipo de ruido es esperable y cuáles son los umbrales de anomalía que vamos a considerar.
El flujo que sigue está pensado para auditorías de identidad en onboarding remoto y control de acceso. Cada etapa produce un informe parcial que se puede revisar por separado, sin esperar a que termine el proceso completo.
Se recibe el archivo o el stream y se normaliza: framerate, resolución y codec. Si la muestra viene re-comprimida más de dos veces, lo marcamos como señal de alerta temprana.
Comparamos el patrón de ruido fijo del sensor contra la referencia esperada para el modelo de cámara declarado. Una discrepancia alta sugiere re-grabación desde pantalla o inyección por software.
Evaluamos micro-movimientos involuntarios, textura de piel y reflejos especulares. No pedimos gestos al usuario todavía; primero medimos lo que no se puede controlar de forma consciente.
Solo si el pasivo no es concluyente, se solicita una secuencia de acciones generada al azar. El sistema registra latencia de respuesta y coherencia del movimiento con la geometría facial.
Entregamos un documento con los hallazgos por etapa, el nivel de confianza y los frames críticos. El cliente conserva la evidencia para su propio registro de auditoría.
¿Querés ver cómo aplicamos este protocolo a un caso concreto? Revisá el análisis de detección de vida activa o consultá por una prueba piloto.
No se trata de añadir un paso más, sino de cambiar dónde se detiene el fraude. Con la detección de liveness activa, el sistema valida que hay una persona real detrás de la cámara antes de que la sesión continúe. Esto reduce la superficie de ataque en el punto exacto donde los deepfakes suelen colarse.
Una sola captura con gesto aleatorio reemplaza verificaciones manuales que tardan minutos. El proceso completo toma segundos y no requiere equipamiento especial.
El análisis de textura, profundidad y micro-movimientos distingue una pantalla, una máscara o un video re-grabado de un rostro real. El sistema rechaza la muestra antes de que avance al siguiente paso.
Los sensores capturan imperfecciones naturales en la señal biométrica. Un deepfake bien renderizado no reproduce ese ruido de forma consistente, y eso se convierte en una señal clara de alerta.
Cada intento queda documentado con metadatos técnicos: calidad de captura, resultado del análisis y motivo del rechazo. Esto facilita la revisión posterior y el ajuste de umbrales.
El resultado concreto: menos revisiones manuales, menos falsos positivos en onboarding y una barrera técnica real frente a suplantación por video sintético. Para ver cómo se aplica esto en un caso práctico, revisa el análisis de detección de vida activa en entornos de alta seguridad.
El trabajo contra la suplantación biométrica no se resuelve con un solo lanzamiento. Cada etapa del laboratorio ha respondido a una pregunta concreta sobre cómo se comportan los sensores, los atacantes y los propios algoritmos cuando se enfrentan a una muestra falsa.
Empezamos recopilando presentaciones con fotografías impresas en papel y pantallas de móvil. El objetivo era medir la tasa de falsa aceptación de los algoritmos de detección de vida pasiva disponibles en ese momento. Los resultados mostraron que la textura de la piel era un indicador débil cuando la iluminación no estaba controlada.
Publicamos un método que distingue una captura real de un re-encode analizando el patrón de ruido propio de cada cámara. No depende de gestos ni de instrucciones al usuario. Ese trabajo derivó en una librería interna que hoy usamos como primera capa de filtrado en todas las pruebas.
Cuando los intercambios de rostro en videollamadas dejaron de ser un experimento de laboratorio, montamos un banco de pruebas con modelos de reenactment. Verificamos que la detección de parpadeo ya no servía como único indicador. A partir de ahí incorporamos la consistencia temporal de la iluminación y los micro-movimientos del fondo.
El último hito no fue un algoritmo nuevo, sino una restricción de hardware. Logramos que el pipeline completo de liveness activa corra en tiempo real con cámaras de 720p y sin procesamiento en la nube. Eso cambió el tipo de clientes que pueden adoptar la verificación sin depender de un sensor de profundidad caro.