Toden se junta à NVIDIA Inception

Verificar se uma selfie corresponde à foto em um documento de identidade é um problema simples. Um rosto, um documento, uma comparação e a resposta em menos de um segundo.

Verificar se essa mesma pessoa já passou pelo seu cadastro com outro nome é um problema diferente. A nova pessoa precisa ser comparada com todas as identidades que a empresa já verificou, e esse conjunto só aumenta. Uma pequena instituição financeira faz isso com alguns milhares de pessoas. Uma grande instituição faz com milhões, a cada novo cadastro.

Mais do nosso trabalho em Toden Agora parece ser o segundo problema. Essa é uma das principais razões pelas quais nos juntamos a eles. NVIDIA Começo, NVIDIA O programa da [empresa/organização] para startups que desenvolvem soluções com IA e computação acelerada não envolve investimento nem participação acionária. O que ele nos proporciona é um acesso mais direto às ferramentas necessárias à medida que essas cargas de trabalho migram para GPUs.

Um documento autêntico ainda pode abrir uma conta fraudulenta.

Uma verificação de identidade pode ser aprovada em todos os aspectos e ainda assim permitir a ocorrência de fraudes.

Um número de identificação nacional verdadeiro, confirmado no banco de dados do governo, com o rosto de outra pessoa em frente à câmera. A detecção de reconhecimento facial identifica a pessoa.

Para a mesma pessoa abrir três contas com três documentos de identidade reais, é mais difícil. Cada verificação é aprovada individualmente, e apenas uma busca por reconhecimento facial as conecta. Portanto, cada rosto verificado em Toden A busca é feita nos clientes existentes da organização. Um resultado positivo é encaminhado para um revisor. Nunca consideramos isso como prova de que dois registros se referem à mesma pessoa, pois, com um número suficiente de perfis, algumas correspondências falsas são inevitáveis.

Ou vinte candidatos em um mesmo endereço. Isso por si só não prova nada: tanto um complexo familiar quanto uma fazenda de fraudes reúnem muitas pessoas em um mesmo endereço. O que os diferencia é se eles também compartilham telefones, rostos ou o mesmo endereço IP no mesmo dia, e é isso que mostramos ao analista.

Mesmo as partes que parecem resolvidas não estão. Os passaportes contêm dígitos de verificação para que a máquina possa identificar quando houve um erro na leitura do número. Encontramos um número de passaporte que nosso scanner havia lido incorretamente em dois lugares, onde os dois erros se anulavam, de modo que o dígito de verificação ainda passou. Letras e dígitos semelhantes são exatamente onde o reconhecimento de texto falha. Portanto, o scanner agora rejeita qualquer leitura com mais de uma versão plausível e encaminha o documento para um segundo leitor.

Alguns sinais valem menos do que aparentam. Nas redes móveis nigerianas, um endereço IP localiza o assinante na cidade onde se encontra o gateway da sua operadora. Costumávamos mostrar a cidade. Removemos essa informação e agora mostramos apenas o país, porque uma resposta incorreta, mesmo que pareça precisa, causa mais danos do que nenhuma resposta.

O custo está na busca, não no cheque.

Nossos modelos faciais são executados em nossos próprios servidores, portanto, uma selfie nunca é enviada a terceiros para comparação. Para um produto que lida com dados biométricos, essa foi a decisão correta, e significa que o processamento computacional é nosso para resolver.

Hoje, esses modelos rodam em CPUs. Para adequá-los à memória disponível, quantizamos o modelo facial para inteiros de 8 bits. Cada incorporação ficou cerca de duas vezes e meia mais lenta, e em nossos testes nenhum veredicto foi alterado. Para uma partida, essa diferença é imperceptível. Ninguém nota um quarto de segundo.

A busca é onde os resultados aparecem. Nossa busca facial compara um novo rosto com todos os rostos armazenados na organização, um por um. Isso é preciso e foi o ponto de partida ideal. Mas o custo aumenta a cada cliente que nossos clientes verificam. A solução é bem conhecida: um índice criado para busca por vizinho mais próximo e inferência em hardware projetado para isso.

O mesmo se aplica ao que estamos desenvolvendo a seguir. Estamos trabalhando na detecção de documentos que foram editados ou gerados automaticamente, e não apenas daqueles que não podem ser lidos. Também queremos modelos de risco treinados com base em decisões reais de revisores, e não em pesos que definimos manualmente. Ambos são mais complexos de executar do que qualquer coisa que temos atualmente.

Os nossos modelos faciais já usam ONNX, um formato de modelo aberto. As ferramentas de inferência da NVIDIA, como o TensorRT, aceitam esse formato: migrar para GPUs é um passo de engenharia, não uma reescrita. O Inception dá-nos acesso às ferramentas de desenvolvimento e à formação técnica da NVIDIA, a preços preferenciais em alguns produtos de hardware e software e a ofertas de créditos cloud durante essa transição.

No entanto, um hardware melhor não torna um modelo confiável. Em agosto, testamos três modelos comerciais de estimativa de idade comparando-os com datas de nascimento verificadas por nós. Todos os três superestimaram a idade da pessoa mais jovem em doze anos ou mais. Não lançamos nenhum deles. O poder computacional torna um bom modelo utilizável. Não faz nada por um modelo ruim.

Evidências não são confiança.

A verificação de identidade questiona se as evidências de identidade são válidas. A inteligência de risco questiona se a conta é confiável.

A primeira questão tem uma resposta em determinado momento. A segunda nunca é resolvida. O cliente que verificou sua conta sem problemas em março acessa o sistema de um novo celular em outro país em junho e paga a alguém cuja conta nunca havia sido usada para pagamentos.

Portanto, a unidade útil não é a verificação em si, mas sim o registro a partir do qual a verificação começa. Toden Uma verificação cria uma identidade. O que descobrimos posteriormente se vincula a ela: dispositivos, dados de contato comprovados, endereços, rostos vistos em outros lugares, resultados de verificações, transações. Um fluxo de trabalho atua sobre essa combinação. Ele pode solicitar uma nova selfie, abrir um caso ou enviar a conta para análise.

Adicionar sinais é a parte fácil. O analista ainda precisa ser capaz de interpretar o resultado. Aprendemos isso com nossa própria pontuação de risco. Ela foi calculada corretamente, mas os três fatores exibidos ao lado não somavam o número, então ninguém conseguia verificá-la. Reconstruímos o sistema para que cada pontuação seja uma lista de contribuições que, somadas, resultam exatamente na pontuação. Em conformidade, uma pontuação que ninguém consegue explicar é uma pontuação que ninguém consegue defender.

Esse princípio também limita o que permitimos que os modelos façam. Um modelo deve classificar, encaminhar e resumir. Quem terá o pedido recusado deve ser decidido por uma pessoa ou por uma política que o cliente possa ler. Cada decisão do revisor é registrada como um resultado rotulado, e esse registro é o que o próximo modelo aprende.

O que estamos construindo

A infraestrutura de identidade não vai se tornar um sistema de aprovação ou reprovação. Serão sistemas que entendem como pessoas, dispositivos, contas, documentos e dinheiro se relacionam entre si e ajudam uma empresa a decidir em que confiar.

É isso que estamos construindo.

Construindo infraestrutura de identidade, fraude ou risco? Explore Toden