วิธีป้องกันการฉ้อโกงข้อมูลส่วนตัวที่เกิดจาก FaceSwapAI: คู่มือเชิงปฏิบัติ
การหลอกลวงข้อมูลส่วนตัวด้วยพลังของ Deepfake ไม่ใช่เรื่องนิยายวิทยาศาสตร์อีกต่อไป แต่มันอยู่ในคิวงาน Help Desk, ช่องทาง Onboarding และระบบการชำระเงินของคุณ ด้วย และเครื่องมือที่คล้ายกันที่เข้าถึงได้ง่ายขึ้น ผู้ฉ้อโกงสามารถสร้างการสลับใบหน้าที่น่าเชื่อถือได้ในไม่กี่นาที หลีกเลี่ยงการตรวจสอบไบโอเมตริกซ์ที่ไม่รัดกุม และขโมยบัญชีได้ ข่าวดีคือ คุณสามารถเสริมสร้างการป้องกันของคุณอย่างเป็นระบบได้ โดยไม่ทำลายประสบการณ์ของผู้ใช้
คู่มือนี้เน้นการปฏิบัติและมุ่งเน้นการแก้ปัญหา ออกแบบมาสำหรับเจ้าของผลิตภัณฑ์ ผู้นำด้านความปลอดภัย ทีมงานป้องกันการฉ้อโกง และผู้จัดการด้านการปฏิบัติตามกฎระเบียบ ที่ต้องการพิมพ์เขียวที่ชัดเจนและนำไปปฏิบัติได้จริง เพื่อหยุดการฉ้อโกงข้อมูลส่วนตัวที่เกิดจาก
เหตุใดการฉ้อโกงข้อมูลส่วนตัวที่ขับเคลื่อนโดย จึงเพิ่มสูงขึ้น
- เครื่องมือ AI มีให้ใช้งานอย่างแพร่หลาย: โมเดลสลับใบหน้าแบบโอเพนซอร์สและแอปเชิงพาณิชย์ ช่วยลดอุปสรรคในการเข้าถึงสำหรับผู้โจมตี
- ฟอรัมและชุดเครื่องมือการฉ้อโกง: คู่มือ เทมเพลต และชุด Deepfake แบบ Plug-and-Play หมุนเวียนอยู่ในช่องทางการส่งข้อความและตลาดซื้อขาย ทำให้ความซับซ้อนของผู้โจมตีเพิ่มขึ้น
- การโจมตีมุ่งเน้นไปที่ KYC และการกู้คืนบัญชี: Deepfake กำหนดเป้าหมายไปที่การ Onboarding, การตรวจสอบ ID รูปภาพ และการยืนยันวิดีโอ
- การยอมรับในอุตสาหกรรมที่เพิ่มขึ้น: รายงานเน้นย้ำว่า Deepfake เป็นเวกเตอร์ภัยคุกคามทางชีวมิติที่เพิ่มขึ้น โดยเฉพาะอย่างยิ่งผ่านการสลับใบหน้าและอวตารที่สร้างโดย AI
ข้อมูลเบื้องต้นอย่างรวดเร็ว: วิธีการทำงานของการโจมตีด้วย
ผู้โจมตีใช้ใบหน้าต้นทาง (เหยื่อ) และสลับไปยังใบหน้าเป้าหมาย (นักแสดง) หรือสร้างเฟรมวิดีโอสังเคราะห์ที่ดูเหมือนเป็นเหยื่อ ขั้นตอนขั้นสูงจับคู่การสลับใบหน้ากับการโคลนเสียงและข้อความแจ้ง Liveness ที่เขียนสคริปต์ไว้ โดยมีเป้าหมายเพื่อหลอกระบบการตรวจสอบ Call Center หรือขั้นตอนการทำงานที่มีความเสี่ยงสูง การบรรยายสรุปของรัฐบาลและการวิจัยอธิบายกลไกหลักของเทคนิคและผลกระทบต่อระบบข้อมูลส่วนตัว
Anti-Deepfake Stack: 12 การควบคุมที่ใช้งานได้จริง
ใช้สิ่งนี้เป็นสถาปัตยกรรมแบบแบ่งชั้น คุณไม่จำเป็นต้องมีทั้ง 12 อย่างพร้อมกัน ให้จัดลำดับความสำคัญตามโปรไฟล์ความเสี่ยง ขอบเขตการกำกับดูแล และเป้าหมายด้านประสบการณ์ผู้ใช้ของคุณ
1) การตรวจจับ Liveness แบบแบ่งระดับ (Active + Passive)
- Active Liveness: กระตุ้นการกระทำแบบไดนามิกแบบสุ่ม (กระพริบตาตามจังหวะ ขยับศีรษะไปตามเส้นจุด วลีที่ตรงกับสัทอักษร) Deepfake มักล้มเหลวในการเคลื่อนไหวระดับไมโครที่แม่นยำและจำกัดเวลา
- Passive Liveness: สัญญาณระดับกล้อง เช่น มัวเร่ รูปแบบการสะท้อนของหน้าจอ ความไม่สอดคล้องกันของพื้นผิว ความผิดเพี้ยนของเลนส์
- การจัดการตามความเสี่ยง: กระตุ้นการตรวจสอบที่เข้มงวดขึ้นสำหรับเหตุการณ์ที่มีความเสี่ยงสูง (อุปกรณ์ใหม่ การโอนที่มีมูลค่าสูง สัญญาณการสลับ SIM)
- เหตุใดจึงสำคัญ: Liveness แบบหลายชั้นได้รับการอ้างถึงอย่างสม่ำเสมอว่าเป็นการควบคุมการฉ้อโกงที่ยั่งยืนในการตรวจสอบปี 2024–2025
2) การทดสอบการเคลื่อนไหวและการแสดงออกทางสีหน้าขนาดเล็ก
- ใช้ข้อความแจ้งสั้น ๆ ที่ไม่ได้เขียนสคริปต์ไว้แบบสุ่ม (เช่น “เลิกคิ้วซ้ายของคุณ จากนั้นมองไปทางขวา จากนั้นยิ้ม”) ภายในกรอบเวลาที่จำกัด
- วัดความไม่สมมาตรขนาดเล็ก (การกระตุกของเปลือกตา ความล่าช้าของมุมปาก) และความสมเหตุสมผลทางชีวกลศาสตร์ เฟรมที่สลับใบหน้ามักจะเลอะเลือนข้ามขอบเขตใบหน้าภายใต้การเคลื่อนไหวอย่างรวดเร็ว
3) การตรวจจับการ Replay และ Injection หน้าจอ
- ตรวจจับว่าฟีดกล้องเป็นการ Replay หรือไม่ (การสะท้อนจากโทรศัพท์ไปยังหน้าจอ ความกระวนกระวายของอัตราเฟรม รูปแบบตารางพิกเซลของจอแสดงผล)
- SDK ควรตรวจจับการจำลองเสมือนหรือการ Injection ฟีดกล้อง ปฏิเสธเมื่อมีการซ้อนทับการ Capture หน้าจอหรือไดรเวอร์กล้องเสมือน
4) การตรวจสอบความสมบูรณ์ของสภาพแวดล้อม
- ขอการกระทำในสภาพแวดล้อม (เอียงโทรศัพท์ ขยับเข้า/ออก หมุน 180°) เพื่อกระตุ้นการเปลี่ยนแปลงของแสงและ Parallax ที่ท้าทายใบหน้าที่ Render
- มองหาความสอดคล้องของฉาก: เงา ไฮไลท์ และการเคลื่อนไหวของเส้นผม
5) การตรวจสอบความถูกต้องข้ามเอกสารกับใบหน้าด้วย Texture Forensics
- จับคู่ใบหน้ากับรูป ID โดยใช้โมเดลฝังใบหน้าที่แข็งแกร่ง แต่เพิ่มการตรวจสอบทางนิติวิทยาศาสตร์:
- ความลึกและการสะท้อนบนโฮโลแกรม ID
- การตรวจจับการพิมพ์ขนาดเล็กพิเศษผ่าน Super-Resolution
- การจัดตำแหน่ง OCR-KYP (ความสอดคล้องของ MRZ กับหน้าข้อมูล)
- รวมกับการตอบสนองต่อความท้าทาย (ขอให้ผู้ใช้จัดแนวเอกสารในมุมต่างๆ) เพื่อป้องปรามสิ่งพิมพ์แบบคงที่
6) การตอบสนองต่อความท้าทาย เสียง + ความสมบูรณ์ของการ Lip-Sync
- จับคู่วลีที่ต้านทาน TTS สั้นๆ กับการจับคู่สัทอักษรกับ Viseme เพื่อจับการไม่ตรงกันของการ Lip-Sync
- การตรวจสอบไบโอเมตริกซ์เสียงควรได้รับการฝึกฝนเพื่อต่อต้านการโคลนเสียงทั่วไป
7) ข้อมูลอุปกรณ์และความเสี่ยงของกราฟ
- สถานะอุปกรณ์: Root/Jailbreak, อีมูเลเตอร์, กล้องเสมือน
- ลายนิ้วมือเชิงพฤติกรรม: จังหวะการพิมพ์ รูปแบบเซ็นเซอร์การเคลื่อนไหว และไดนามิกการเอียง
- ความเสี่ยงของกราฟ: IP ที่ใช้ร่วมกัน การใช้ซ้ำอีเมล/โทรศัพท์ เครือข่ายล่อ ระดับ Liveness ที่เพิ่มขึ้นของคลัสเตอร์ที่มีความเสี่ยงสูง
8) การตรวจจับ Deepfake แบบ Model-Ensemble
- เรียกใช้ตัวตรวจจับหลายตัว: สิ่งประดิษฐ์การสลับใบหน้า ลายนิ้วมือ GAN ขอบเขตการผสม ความไม่สอดคล้องกันของท่าทางศีรษะ สัญญาณ Photoplethysmography (rPPG) สำหรับรูปแบบการไหลเวียนของเลือด
- ทำให้โมเดลสดใหม่ ผู้โจมตีปรับตัวอย่างรวดเร็ว พิจารณาการหมุนเวียนโมเดลตามกำหนดเวลาและโมเดลเงาสำหรับการประเมิน
9) การเพิ่มพูน Human-in-the-Loop
- สำหรับเหตุการณ์ที่มีมูลค่าสูงหรือสัญญาณที่ยังไม่ได้รับการแก้ไข ให้กำหนดเส้นทางไปยังผู้ตรวจสอบที่ได้รับการฝึกอบรมพร้อมรูบริกที่ปรับเทียบแล้ว (แคตตาล็อกสิ่งประดิษฐ์ แผนผังการเพิ่มระดับ การลดผลบวกลวง)
- ติดตามการเปลี่ยนแปลงของผู้ตรวจสอบด้วยการตรวจสอบ QA และชุดทองคำ
10) การให้คะแนนความเสี่ยงที่อธิบายได้และนโยบายแบบเรียลไทม์
- รักษาระดับความเสี่ยงที่โปร่งใสซึ่งรวมสัญญาณ (Liveness, อุปกรณ์, เอกสาร, พฤติกรรม)
- ขับเคลื่อนนโยบาย: อนุมัติ/ปฏิเสธ/เพิ่มระดับการตรวจสอบด้วยเกณฑ์ที่ชัดเจน บันทึกคำอธิบายสำหรับการปฏิบัติตามกฎระเบียบและการอุทธรณ์
11) การตรวจสอบการเปลี่ยนแปลงหลังการ Onboarding
- แม้หลังจากผ่าน KYC แล้ว ให้ดำเนินการตรวจสอบซ้ำอย่างต่อเนื่องและมีน้ำหนักเบาในการดำเนินการที่ละเอียดอ่อน
- เปรียบเทียบภาพเซลฟี่ใหม่กับ Baseline การลงทะเบียน เฝ้าดูการเปลี่ยนแปลงอย่างกะทันหันในการฝังใบหน้าหรือสัญญาณ Liveness
12) การตอบสนองต่อเหตุการณ์และการแบ่งปันข้อมูลข่าวกรอง
- ดูแลรักษา Playbook สำหรับเหตุการณ์ Deepfake ที่น่าสงสัย: ระงับ ตรวจสอบซ้ำ แจ้งเตือน และรายงาน
- เข้าร่วมในการแลกเปลี่ยนข้อมูลข่าวกรองการฉ้อโกงและองค์กรกำหนดมาตรฐานเพื่อติดตามลายเซ็นการสลับใบหน้าและรูปแบบการหลีกเลี่ยงใหม่
สิ่งที่การวิจัยที่ทันสมัยบอกเรา
- การติดตามข้อมูลประจำตัวของแหล่งที่มา: วิธีการใหม่ เช่น มีเป้าหมายที่จะเปิดเผยข้อมูลประจำตัวของแหล่งที่มาในใบหน้าที่สลับ โดยการแยกคุณสมบัติเป้าหมายออกจากแหล่งที่มา ซึ่งมีประโยชน์สำหรับการสืบสวนและห่วงโซ่หลักฐาน
- บทสรุปเชิงปฏิบัติการ: ในขณะที่การติดตามมีแนวโน้มที่ดีสำหรับนิติวิทยาศาสตร์หลังเกิดเหตุ การป้องกันแบบเรียลไทม์ยังคงขึ้นอยู่กับ Liveness ที่แข็งแกร่ง การตรวจสอบอุปกรณ์ และตัวตรวจจับ Ensemble
การสร้างโปรแกรมป้องกัน ของคุณ: แผน 6 เฟส
นำการเปิดตัวแบบเป็นขั้นเป็นตอนมาใช้เพื่อสร้างสมดุลระหว่างความปลอดภัยกับ UX
เฟส 1: การทำ Baseline และการทำแผนที่ความเสี่ยง
- ทำแผนที่ Identity Flow: การ Onboarding, การกู้คืนบัญชี, การเพิ่มระดับการชำระเงิน, การโทรติดต่อฝ่ายสนับสนุน
- วัดปริมาณความเสี่ยงตามมูลค่าเหตุการณ์และพื้นผิวการโจมตี: ขั้นตอนใดที่ยอมรับรูปภาพหรือวิดีโอ
- กำหนดเมตริก: อัตราเหตุการณ์ Deepfake อัตราผลบวกลวง/ผลลบลวง SLA การตรวจสอบด้วยตนเอง
เฟส 2: Quick Wins
- เปิดใช้งาน Passive Liveness ในการตรวจสอบเซลฟี่ทั้งหมด
- บล็อกกล้องเสมือนและตรวจจับการ Replay หน้าจอ
- เพิ่มลายนิ้วมือเชิงพฤติกรรมและอุปกรณ์พื้นฐาน
เฟส 3: การจัดการ Step-Up
- แนะนำ Active Liveness สำหรับเหตุการณ์ที่มีความเสี่ยงปานกลาง/สูง
- เพิ่มการตรวจสอบสภาพแวดล้อมและข้อความแจ้งแบบสุ่ม
- รวมการตรวจสอบการ Lip-Sync ของเสียงสำหรับ Call Center และ Video KYC
เฟส 4: การตรวจจับขั้นสูงและนิติวิทยาศาสตร์
- ปรับใช้ตัวตรวจจับ Deepfake แบบ Ensemble (rPPG, ท่าทางศีรษะ, สิ่งประดิษฐ์จากการผสม)
- เพิ่มนิติวิทยาศาสตร์ของ Texture เอกสารและความท้าทายเอกสารแบบไดนามิก
- รวมเครื่องมือติดตามแหล่งที่มาสำหรับการสืบสวนที่ได้รับแรงบันดาลใจจากทิศทางการวิจัย (เช่น )
เฟส 5: การตรวจสอบโดยมนุษย์และ QA
- สร้างกลุ่มผู้ตรวจสอบผู้เชี่ยวชาญพร้อม Playbook ที่เป็นเอกสาร ไลบรารีตัวอย่าง และเกณฑ์การตัดสินใจที่ปรับเทียบแล้ว
- เรียกใช้การตรวจสอบ Bias และ Drift เป็นระยะ หมุนเวียนโมเดลเงาสำหรับ A/B
เฟส 6: การกำกับดูแล การปฏิบัติตามกฎระเบียบ และการตรวจสอบ
- จัดทำเอกสารเวอร์ชันโมเดล ลำดับวงศ์ตระกูลข้อมูลการฝึกอบรม และขั้นตอนการประเมิน
- ดูแลรักษาบันทึกที่อธิบายได้สำหรับการสอบถามด้านกฎระเบียบและการอุทธรณ์ของผู้ใช้
- สอดคล้องกับคำแนะนำที่พัฒนาขึ้นเกี่ยวกับความเสี่ยงด้านข้อมูลประจำตัว Deepfake จากรัฐบาลและอุตสาหกรรม
สถานการณ์จริงและวิธีตอบสนอง
- สถานการณ์: ผู้ใช้ไม่ผ่าน Active Liveness แต่ผ่านการตรวจสอบ Passive
- การดำเนินการ: เพิ่มระดับเป็นการดำเนินการแบบสุ่มหลายข้อความแจ้ง ขอการเอียงสภาพแวดล้อม ยืนยันความสมบูรณ์ของอุปกรณ์ เรียกใช้การตรวจสอบโดยมนุษย์สำหรับ Flow ที่มีมูลค่าสูง
- สถานการณ์: ตัวแทนฝ่ายสนับสนุนเผชิญหน้ากับผู้โทรวิดีโอที่น่าเชื่อถือ
- การดำเนินการ: ใช้ความท้าทายทางวาจาแบบสุ่มที่เขียนสคริปต์ไว้ล่วงหน้าและการตรวจสอบการ Lip-Sync สลับไปใช้การตรวจสอบในแอปที่ปลอดภัย บล็อกการเปลี่ยนแปลงบัญชีระหว่างรอการตรวจสอบ
- สถานการณ์: การตรวจสอบล้มเหลวเพิ่มขึ้นจากช่วง IP ที่เฉพาะเจาะจง
- การดำเนินการ: ควบคุม เพิ่มความถี่ในการท้าทาย และเรียกใช้ Ensemble โมเดลเป้าหมาย แบ่งปันข้อมูลข่าวกรองกับพันธมิตรด้านการฉ้อโกง
การสร้างสมดุลระหว่างความปลอดภัยและ UX: เคล็ดลับการออกแบบ
- แรงเสียดทานแบบ Progressive: ทำให้ Flow ที่มีความเสี่ยงต่ำรวดเร็ว สำรองการตรวจสอบที่ยากลำบากสำหรับบริบทที่มีความเสี่ยงสูง
- ความโปร่งใส: อธิบายว่าเหตุใดจึงมีการเพิ่มระดับ (“อุปกรณ์ผิดปกติ” แทนที่จะเป็น “คุณดูเหมือนของปลอม”)
- เส้นทางการกู้คืน: จัดหาทางเลือกที่ปลอดภัยสำหรับผู้ใช้ที่ถูกต้องตามกฎหมายที่ไม่ผ่าน Liveness ที่เข้มงวด (ไปยังสาขาการตรวจสอบด้วยตนเองหรือการรับรองเอกสารเมื่อเหมาะสม)
เมตริกที่สำคัญ
- อัตราการ Capture การโจมตี (อัตราการตรวจจับ Deepfake) ตามเวกเตอร์ (การสลับใบหน้า การโคลนเสียง การ Replay)
- อัตราการยอมรับผิดพลาด (FAR) และอัตราการปฏิเสธผิดพลาด (FRR)
- เวลาในการตรวจสอบและอัตราการละทิ้งภายใต้ความท้าทาย Step-Up
- อัตราการฉ้อโกงและการเรียกเก็บเงินคืนหลังการ Onboarding
- ความแม่นยำ/การเรียกคืนของผู้ตรวจสอบและความหน่วงในการเพิ่มระดับ
รายการตรวจสอบความพร้อมของทีมและกระบวนการ
- เรามีเจ้าของที่ระบุสำหรับความเสี่ยงด้านข้อมูลประจำตัวในการตรวจสอบ การกู้คืน และการชำระเงินหรือไม่
- เราบันทึกสัญญาณและการตัดสินใจทั้งหมดด้วยเอาต์พุตที่อธิบายได้หรือไม่
- เราดำเนินการ Red-Teaming ด้วย Deepfake สังเคราะห์ทุกไตรมาสหรือไม่
- มี Playbook การตอบสนองต่อเหตุการณ์ที่กำหนดไว้สำหรับเหตุการณ์ Deepfake หรือไม่
- เราสอดคล้องกับความเป็นส่วนตัวภายใน กฎหมาย และการปฏิบัติตามกฎระเบียบเกี่ยวกับการจัดการข้อมูลและการเก็บรักษาข้อมูลหรือไม่
หมายเหตุเครื่องมือและระบบนิเวศ
- พิจารณาผู้ขายที่ให้ Liveness แบบ Passive และ Active ที่แข็งแกร่ง นิติวิทยาศาสตร์ของเอกสาร และการตรวจจับการ Injection
- ประเมินสัญญาณที่ใช้ rPPG อย่างระมัดระวัง รวมกับ Cues อื่นๆ เพื่อลดผลบวกลวงบนอุปกรณ์ที่มีแสงน้อยหรือ FPS ต่ำ
- สร้างสถาปัตยกรรมที่เสียบได้เพื่อให้คุณสามารถสลับตัวตรวจจับใหม่ได้โดยไม่ต้องเขียน Flow ทั้งหมดของคุณใหม่
สิ่งที่ควรทราบ: ลดความซับซ้อนของเอกสารและการฝึกอบรม
การสืบสวนและการฝึกอบรมผู้ตรวจสอบได้รับประโยชน์จากเอกสารที่สอดคล้องกัน ตัวอย่างที่มีคำอธิบายประกอบ และขั้นตอนการทำงานร่วมกัน อย่างไรก็ตาม ทีมงานมักใช้พื้นที่ทำงาน AI เพื่อรวมศูนย์นโยบาย Playbook และหลักฐาน ฮับที่มีน้ำหนักเบาเช่น Sider.AI สามารถช่วยคุณเก็บเอกสารที่มีอยู่จริง แนวทางการตรวจสอบ และไทม์ไลน์เหตุการณ์ไว้ในที่เดียว ซึ่งมีประโยชน์ระหว่างการตรวจสอบและการชันสูตรพลิกศพข้ามสายงาน ภูมิทัศน์ด้านกฎระเบียบและความเสี่ยง
- คาดว่าจะมีการตรวจสอบระบบไบโอเมตริกซ์และการป้องกัน Deepfake ที่เพิ่มขึ้นโดยหน่วยงานกำกับดูแลและพันธมิตร
- ติดตามข่าวสารล่าสุดเกี่ยวกับคำแนะนำของรัฐบาลและอุตสาหกรรมที่ระบุถึงภัยคุกคามและการลดผลกระทบที่แนะนำ
- เตรียมพร้อมสำหรับการรับรองประสิทธิภาพของโมเดล ความเป็นธรรม และความสามารถในการอธิบาย
ประเด็นสำคัญ: รายการตรวจสอบ Anti- ของคุณ
- การป้องกันแบบแบ่งชั้น: Passive + Active Liveness ความสมบูรณ์ของอุปกรณ์ การตรวจสอบสภาพแวดล้อม และตัวตรวจจับ Ensemble
- จัดการความเสี่ยง: เพิ่มแรงเสียดทานอย่างชาญฉลาดตามความเสี่ยงของเหตุการณ์และสัญญาณเชิงพฤติกรรม
- ฝึกอบรมมนุษย์: สร้าง Playbook ผู้ตรวจสอบ ตรวจสอบการตัดสินใจ เก็บชุดทองคำ
- ตรวจสอบอย่างต่อเนื่อง: การตรวจสอบหลังการ Onboarding และการตรวจจับการเปลี่ยนแปลงจะจับการโจมตีในระยะหลัง
- บันทึกและอธิบาย: ดูแลรักษา Trails ที่ตรวจสอบได้สำหรับการตัดสินใจและการอุทธรณ์
มองไปข้างหน้า
การวิจัยเกี่ยวกับการติดตามข้อมูลประจำตัวของแหล่งที่มาและการตรวจจับสิ่งประดิษฐ์กำลังพัฒนาอย่างรวดเร็ว ในขณะเดียวกัน เครื่องมือการฉ้อโกงก็มีการพัฒนาเช่นกัน กลยุทธ์ที่ชนะคือความคล่องตัว: การตรวจจับแบบโมดูลาร์ การอัปเดตโมเดลอย่างรวดเร็ว และวัฒนธรรมการทดสอบ Red-Team รวมสิ่งนั้นเข้ากับ UX ที่รอบคอบ และคุณสามารถรักษา Conversion ให้สูงได้ในขณะที่ป้องกันการฉ้อโกงข้อมูลประจำตัวที่ขับเคลื่อนโดย ออกจากระบบนิเวศของคุณ
คำถามที่พบบ่อย
Q1: การฉ้อโกงข้อมูลประจำตัวด้วย คืออะไร
คือเมื่อผู้โจมตีใช้เครื่องมือสลับใบหน้าหรือ Deepfake เพื่อแอบอ้างเป็นบุคคลอื่นใน Flow การตรวจสอบเซลฟี่หรือวิดีโอ พวกเขากำหนดเป้าหมายไปที่การ Onboarding การกู้คืนบัญชี และการอนุมัติที่มีความเสี่ยงสูงโดยใช้สื่อสังเคราะห์ที่สมจริง
Q2: ฉันจะตรวจจับ Deepfake ระหว่าง KYC ได้อย่างไร
ใช้การตรวจสอบ Liveness แบบแบ่งชั้น (Passive และ Active) ข้อความแจ้งสภาพแวดล้อม และตัวตรวจจับ Ensemble โมเดลสำหรับสิ่งประดิษฐ์และสัญญาณ rPPG เพิ่มนิติวิทยาศาสตร์ของเอกสารและการตรวจสอบความสมบูรณ์ของอุปกรณ์เพื่อหยุดการ Replay และการ Injection
Q3: การตรวจสอบ Liveness หยุด ได้อย่างสมบูรณ์หรือไม่
ไม่มีการควบคุมใดที่สมบูรณ์แบบ ผลลัพธ์ที่ดีที่สุดมาจากการรวม Liveness แบบ Active/Persistent ข้อมูลอุปกรณ์และพฤติกรรม และการตรวจสอบโดยมนุษย์สำหรับกรณี Edge รวมถึงการตรวจสอบอย่างต่อเนื่องหลังการ Onboarding
Q4: ฉันควรติดตามเมตริกใดสำหรับประสิทธิภาพ Anti-Deepfake
ตรวจสอบอัตราการ Capture Deepfake, FAR/FRR, เวลา Conversion Step-Up, ความแม่นยำ/การเรียกคืนของผู้ตรวจสอบ และการฉ้อโกงหลังการ Onboarding ใช้สิ่งเหล่านี้เพื่อปรับเกณฑ์และ Ensemble โมเดลเมื่อเวลาผ่านไป
Q5: มีมาตรฐานหรือแนวทางสำหรับความเสี่ยงด้านข้อมูลประจำตัว Deepfake หรือไม่
ใช่ หน่วยงานของรัฐบาลและอุตสาหกรรมได้เริ่มเผยแพร่คำแนะนำและรายงานเกี่ยวกับภัยคุกคาม Deepfake และการลดผลกระทบที่แนะนำ รวมถึง Liveness ทางชีวมิติและนิติวิทยาศาสตร์ของเอกสาร
