Detecção automatizada de adulteração de documentos: um guia técnico para identificar documentos de identidade falsificados

Em uma era de rápido avanço tecnológico e digitalização total de todos os processos, está se tornando cada vez mais difícil distinguir documentos genuínos de falsificados. A troca de documentos para fins de identificação e verificação agora é feita digitalmente, escaneando ou enviando fotos de documentos, enviando fotocópias pelo correio ou fazendo upload em vários aplicativos. A troca digital de documentos é praticada em quase todos os setores e indústrias de negócios. É particularmente prático quando uma contraparte está localizada no exterior, pois economiza tempo e facilita o processamento de grandes volumes de documentos em um curto espaço de tempo para empresas que operam internacionalmente.

Este artigo descreve os principais riscos associados à troca digital de documentos e apresenta as melhores práticas para detectar e prevenir a adulteração de documentos.

Resumo das principais melhores práticas para detecção automatizada de adulteração de documentos

A principal solução de Conheça Seu Cliente (KYC) com tecnologia de IA do setor

SAIBA MAIS

• 

  Verifique IDs, documentos, endereços, idade, bases de dados globais de fraude e listas de sanções

• 

  Aumente a confiança com tecnologia biométrica, processamento de imagens e Estimativa de idade

• 

  Proteja-se contra fraude e risco de lavagem de dinheiro com detecção em tempo real baseada em IA

Use uma abordagem multicamadas para detecção de adulteração

Nenhuma técnica de detecção isolada pode identificar todos os tipos de fraude de documentos. Fraudadores usam uma ampla gama de técnicas de manipulação, então é melhor usar uma abordagem em camadas que combine métodos complementares. A precisão da detecção de adulteração é aprimorada pelo uso de técnicas híbridas e complementares que identificam diferentes tipos de manipulação, reduzindo o risco de falsos negativos:

• Perícia de imagem e documento (inconsistências em nível de pixel, anomalias de layout e verificações de autenticidade visual)
• Verificação de elementos de segurança (marcas d’água, hologramas e outros recursos de segurança integrados ao documento)
• Análise de metadados (carimbos de data/hora, data, informações de dispositivo ou IP)
• Verificação de intervenção de texto (alterações nas fontes)
• Comparação de camadas dentro do documento

O método de perícia de imagem

Este método é eficaz na detecção de inconsistências em nível de pixel e vestígios de edição para identificar sinais de manipulação em imagens ou documentos que podem não ser visíveis a olho nu. Ele pode revelar vestígios ocultos deixados por softwares de edição. Ajuda a identificar se partes do documento — como nomes, datas ou fotos — foram alteradas, copiadas ou coladas de outra fonte (por exemplo, detectando artefatos de clonagem ou copiar-colar, bordas não naturais ou anomalias nos padrões de ruído).

Dependendo do tipo de documento e do fluxo de trabalho de verificação, essas verificações também podem procurar inconsistências na pose do retrato, anomalias na forma ou bordas detectadas do documento, mudanças de layout entre campos estáticos e dinâmicos e irregularidades em assinaturas que podem indicar a reutilização de assinaturas prontas ou copiadas.

Se aprofundarmos em algumas das técnicas, por exemplo, a análise de ruído é um método forense usado para examinar os sutis padrões digitais produzidos naturalmente pelo sensor de uma câmera durante a captura da imagem. Como identificar fraude ou adulteração com este método? Quando um documento é manipulado, as regiões editadas exibirão características de ruído diferentes das áreas circundantes. Fraudadores frequentemente alteram documentos substituindo fotografias, modificando detalhes pessoais ou inserindo conteúdo de outras imagens. Isso cria padrões de ruído que diferem do resto do documento.

Além disso, edições e salvamentos repetidos podem introduzir artefatos de recompressão JPEG que indicam manipulação potencial após a captura da imagem original. A análise de ruído é, portanto, um complemento valioso para a inspeção visual e a verificação de metadados.

Uma abordagem de defesa multicamadas é fundamental para a verificação de identidade. Essa abordagem vai além de verificações abrangentes no documento de identidade apresentado, incluindo análise de imagem e verificação biométrica. O gráfico a seguir ilustra como as técnicas de análise forense de imagem podem revelar vestígios ocultos de manipulação.

Como as técnicas de perícia de imagem revelam vestígios de manipulação ocultos

Ao conectar dados de verificação em várias tentativas, padrões de fraude repetidos que podem não ser visíveis durante uma revisão isolada de documentos podem ser identificados. A inteligência de correlação permite a detecção de dispositivos recorrentes, modelos de documentos, sinais comportamentais e outros indicadores associados à atividade fraudulenta. Soluções como o CrossLinks da Veriff ajudam a identificar conexões entre as tentativas de verificação, permitindo que as organizações detectem padrões de fraude repetidos e descubram redes de atividades fraudulentas relacionadas.

Análise de metadados (carimbos de data/hora, informações do dispositivo e histórico do arquivo)

Esta abordagem permite a revisão de informações técnicas ocultas incorporadas em um arquivo digital. Isso pode documentar datas de criação, carimbos de data/hora de modificação, tipo de dispositivo, registros de histórico de arquivos e sinais relacionados à localização, como geolocalização inferida do endereço IP, quando disponível.

Anomalias nos metadados podem indicar atividade suspeita, como um documento sendo adulterado antes do envio ou editado com software de manipulação de imagem. A análise de metadados ajuda a sinalizar inconsistências que podem sugerir falsificação de documentos ou alterações não autorizadas.

Validação da estrutura do documento

Este método é particularmente eficaz para analisar a consistência visual e de formatação de um documento. Sistemas automatizados revisam estilos de fonte, tamanhos de fonte, espaçamento, alinhamento, margens, padrões de formatação e elementos de segurança integrados, como marcas d’água e hologramas, para detectar irregularidades. Documentos adulterados frequentemente contêm inconsistências sutis, como fontes incompatíveis, espaçamento irregular ou campos de texto desalinhados, que podem indicar que certas seções foram editadas ou inseridas manualmente. Este método também é eficaz na detecção de alterações em extratos bancários, contas de serviços públicos e documentos de identidade oficiais.

Análise de camadas cruzadas

A análise de camadas cruzadas examina as diferentes camadas e elementos incorporados em um documento digital (PDFs e arquivos de imagem editados). Muitos documentos contêm várias camadas ocultas criadas durante os processos de digitalização, edição e exportação.

Sistemas automatizados usam a comparação de camadas para identificar sobreposições, edições ocultas e substituídas, conteúdo visível e a estrutura subjacente do documento. Este método é particularmente eficaz na detecção de adulterações sofisticadas que não seriam detectadas pela inspeção visual padrão do documento.

Leitura de chip NFC

A leitura NFC é usada para verificar documentos de identidade eletrônicos. Um aplicativo específico pode ler o chip dentro de um passaporte biométrico ou carteira de identidade nacional e comparar seus dados com a foto do documento e a selfie do usuário, ajudando a detectar documentos falsificados. A maioria dos celulares Android modernos e iPhones recentes podem ler automaticamente as tags NFC. Um chip NFC pode conter as seguintes informações: um URL de site, informações de contato, um número de série ou identificador único, dados de autenticação e credenciais de pagamento (armazenadas com segurança).

Use soluções programadas com AI para identificar documentos adulterados

Esta melhor prática apoia o uso de AI (programas, aplicativos ou soluções de tecnologia) com uma ampla gama de dados que são constantemente aprimorados ou atualizados (incluindo variações de qualidade, formato e idioma) para diferenciar documentos reais e falsos, garantindo a detecção precisa em diferentes tipos de documentos e técnicas de fraude em evolução.

As tecnologias de verificação com AI aplicadas à detecção automatizada de adulteração comumente empregam inúmeros meios para aumentar o grau de precisão com que podem detectar adulterações em documentos, incluindo:

• Desenvolver e treinar um modelo de AI usando o maior número possível de tipos variados de conjuntos de dados
• Gerar dados sintéticos de diferentes provedores de código aberto para simular atividades de adulteração em vários tipos de documentos

Os modelos são continuamente retreinados e monitorados para melhoria contínua, gerando feedback para aprimorar sua capacidade de reconhecer as formas de manipulação de documentos em constante evolução hoje.

As empresas também devem considerar a implementação de controles para mitigar o envenenamento de dados e outros ataques adversários contra modelos de AI, como validar dados de treinamento, monitorar o desempenho do modelo e implementar processos de governança para atualizações do modelo.

Uma consideração fundamental ao escolher um provedor de verificação de identidade (IDV) é a capacidade de personalizar os controles de detecção de fraude. Uma solução escalável com recursos configuráveis permite que as organizações adaptem as medidas de verificação e prevenção de fraudes ao seu perfil de risco, mantendo a conformidade com os requisitos regulatórios aplicáveis.

Treinamento de um modelo de AI com conjuntos de dados diversos

Um dos componentes mais importantes da detecção de adulteração com AI é treinar modelos em conjuntos de dados diversos e representativos. Este método é particularmente eficaz para detectar alterações em vários tipos de documentos, por exemplo, AI exposta a documentos como passaportes, carteiras de identidade, autorizações de residência, extratos bancários e contas de serviços públicos. Envolve a combinação de dados de diferentes fontes, como texto e imagens, e o projeto de um sistema que possa processar e aprender com essas entradas variadas.

A chave para criar um bom modelo de aprendizado de máquina é um conjunto de dados de treinamento de alta qualidade. Os conjuntos de dados de treinamento são coletados e pré-processados antes de serem usados para projetar a arquitetura do modelo e, em seguida, treinar e otimizar o modelo. Diferentes tipos de dados podem desempenhar um papel significativo no quão bem um modelo aprende seus objetivos pretendidos, portanto, cada etapa na construção de um modelo deve ser realizada com uma reflexão cuidadosa sobre a interação e a contribuição de diferentes tipos de dados.

Geração de dados sintéticos para simular vários cenários de adulteração

Outro componente importante da detecção de adulteração com AI é o uso da geração de dados sintéticos. Essa abordagem oferece uma maneira confiável de simular cenários de fraude realistas, criando exemplos artificiais de documentos falsificados ou manipulados para o treinamento de AI.

Os dados sintéticos permitem gerar proativamente casos extremos e testar sistemas contra cenários que ainda não ocorreram. Isso inclui a simulação de edições como nomes alterados, fotos substituídas, datas modificadas ou assinaturas falsas. Ao expor os modelos de AI a uma ampla gama de cenários de adulteração, as organizações podem melhorar a capacidade do sistema de detectar tanto técnicas de fraude comuns quanto as recém-surgidas.

Retreinamento contínuo do modelo de AI

Este processo ajuda a manter a eficácia a longo prazo dos sistemas de detecção automatizada de adulteração. O retreinamento contínuo do modelo de AI permite que o sistema se adapte a padrões de fraude emergentes, melhore a precisão da detecção e reduza o risco de modelos desatualizados não detectarem manipulações sofisticadas.

Monitoramento do modelo de AI e geração de feedback

A avaliação contínua da precisão com que o sistema detecta documentos genuínos e fraudulentos ajuda a sinalizar pontos fracos nos processos ou modelos de AI. Métricas de desempenho, como falsos positivos, falsos negativos e níveis de confiança da detecção, são analisadas para identificar pontos fracos e áreas para melhoria. O feedback de revisões manuais, resultados de verificação do mundo real e relatórios de fraude de clientes pode ser usado para refinar o modelo e aprimorar a confiabilidade geral do sistema. Isso pode incluir feedback enviado por meio de ferramentas de relatório ou APIs, como a funcionalidade de Relatório de Fraude.

As plataformas modernas de verificação de identidade oferecem uma abordagem robusta e orientada por AI para captura e verificação de identidade em uma ampla gama de documentos de identidade e não identidade (incluindo vistos, carteiras de motorista, faturas de cartão de crédito, declarações de impostos e apólices de seguro), combinando análise biométrica e autenticação de documentos.

Use o método de análise automatizada de inconsistência de dados para descobrir adulterações

Esta abordagem é eficaz em casos de falsificação sofisticada, pois pode revelar manipulações e inconsistências nos dados do documento que podem não ser visualmente perceptíveis, mas ainda criam conflitos lógicos no conteúdo do documento. A análise automatizada de inconsistência de dados é um método para identificar e analisar inconsistências dentro de um único documento usando técnicas de comparação de dados, ajudando a detectar possíveis adulterações, conflitos de dados ou modificações de documentos. As plataformas de verificação de identidade modernas frequentemente usam motores de verificação configuráveis que processam dados através de análises automatizadas e manuais, melhorando assim a precisão da detecção e fornecendo supervisão adicional para casos de alto risco ou suspeitos.

A análise automatizada de inconsistência de dados baseia-se em várias técnicas de verificação para identificar os sinais ocultos de adulteração de documentos e detectar conflitos lógicos no conteúdo de um documento. A verificação cruzada de datas, a validação de informações extraídas em fontes externas, a análise da consistência da formatação e a sinalização de valores conflitantes ajudam as empresas a identificar manipulações que podem não ser imediatamente visíveis durante uma inspeção visual padrão.

O gráfico a seguir destaca os controles principais envolvidos na análise automatizada de inconsistência de dados, que são explicados abaixo.

Métodos principais para detectar adulteração e conflitos de dados

• Verificações de validade do documento examinam pontos de dados individuais, como datas de validade, para detectar inconsistências, cronogramas irrealistas ou outros sinais de que um documento pode ser inválido ou alterado.
• Verificações de regras ocultas comparam vários pontos de dados no mesmo documento para identificar inconsistências lógicas, como campos que deveriam corresponder entre si, mas não correspondem.
• Referência cruzada de campos do documento compara dados de várias fontes visuais ou legíveis por máquina no mesmo documento, como a VIZ, MRZ, código de barras ou chip NFC, para detectar incompatibilidades que possam indicar adulteração.
• Comparação dos dados extraídos com fontes externas (se disponível) envolve a verificação das informações extraídas do documento em bases de dados externas confiáveis, registros oficiais ou registros internos. Detalhes como nomes, endereços, números de identificação ou informações de conta podem ser validados em fontes autorizadas para detectar discrepâncias ou informações desatualizadas.
• Verificações de consistência de formatação examinam se os elementos visuais em um documento permanecem uniformes, incluindo fontes, espaçamento, alinhamento e estilos de texto, ajudando a identificar campos que podem ter sido editados ou inseridos de forma inconsistente.
• Detecção de valores conflitantes concentra-se em identificar informações dentro de um documento que não correspondem ou se alinham logicamente com outras informações.

Implemente o algoritmo do modelo de análise de nível de erro (ELA) para prever possíveis falsificações

Esta melhor prática destaca áreas da imagem que passaram por compressão ou manipulação significativas e fornece uma análise comparando os níveis de erro entre os blocos de imagem original e salva novamente. Essas áreas podem indicar a presença de um objeto que foi adicionado ou removido da imagem. O ELA funciona salvando intencionalmente a imagem novamente com uma taxa de erro conhecida, como 95%, e depois calculando a diferença entre a imagem original e a imagem salva novamente.

Use originais de alta qualidade

O ELA tem o melhor desempenho quando imagens originais de alta resolução e minimamente comprimidas são usadas para análise. Capturas de tela de baixa qualidade, arquivos muito comprimidos ou imagens salvas repetidamente podem criar artefatos de compressão enganosos e padrões falsos, reduzindo a precisão da detecção de falsificações.

Aprimore o algoritmo com técnicas forenses adicionais

Os algoritmos de ELA tornam-se significativamente mais eficazes quando combinados com dados de treinamento mais amplos e técnicas forenses complementares. Treinar o modelo em conjuntos de dados grandes e diversos que abrangem vários tipos de documentos, qualidades de imagem e métodos de adulteração melhora sua capacidade de reconhecer padrões de fraude sofisticados.

Combine o ELA com outros métodos forenses

Outra melhor prática na detecção de adulteração de documentos é combinar o ELA com métodos de verificação forense adicionais, em vez de confiar em uma única técnica de detecção (como análise de metadados de imagem e análise de ruído).

Embora o ELA seja uma técnica forense poderosa, não deve ser usado como um método autônomo para autenticação de documentos. Combinar o ELA com outras abordagens de verificação, como análise de metadados, análise de padrões de ruído, perícia de imagem e validação estrutural, fornece uma estrutura mais abrangente e precisa para a detecção de adulterações.

A análise de metadados pode revelar anomalias que não são visíveis no próprio documento. Por exemplo, um documento pode alegar ter sido emitido ou expirado em uma data específica, enquanto os metadados do arquivo subjacente indicam que ele foi criado ou modificado em uma data posterior.

Quando disponíveis, os metadados do arquivo podem revelar que uma imagem foi editada, salva novamente ou exportada por meio de um software inconsistente com a forma como o documento foi declarado ter sido capturado. Tais inconsistências podem servir como indicadores de manipulação potencial e ajudar a identificar documentos que exigem uma análise mais aprofundada.

À medida que a fraude de documentos digitais se torna cada vez mais sofisticada, as organizações também estão explorando padrões emergentes, como as Credenciais de Conteúdo e a C2PA (Coalition for Content Provenance and Authenticity), que visam fornecer informações verificáveis sobre como o conteúdo digital foi criado, modificado e compartilhado.

Assine documentos com assinaturas digitais e use marcas d’água

Assinaturas digitais e marcas d’água podem servir como controles complementares nos fluxos de trabalho de autenticidade de documentos e prevenção de adulteração. Embora nem sempre sejam centrais para os fluxos de IDV, elas podem ajudar a fortalecer a confiança em documentos digitais, apoiando verificações de integridade, autenticação do remetente e validação da propriedade do conteúdo.

Marca d’água

A marca d’água permite imprimir texto digital personalizado em cada página. As melhores práticas aqui incluem escolher um tipo de marca d’água com base no propósito (visível vs. invisível), incorporar marcas d’água de forma robusta para que sobrevivam à edição normal e evitar a degradação do conteúdo original.

Marcas d’água podem incluir logotipos de empresas, rótulos confidenciais, códigos QR ou marcadores digitais ocultos incorporados na estrutura do documento. Na detecção de adulteração de documentos, a marca d’água ajuda as organizações a identificar se um arquivo foi modificado, copiado ou distribuído sem autorização. Este método é comumente usado em sistemas de verificação de identidade para fortalecer a segurança dos documentos e ajudar a prevenir fraudes. Exemplos de tipos de marca d’água são mostrados no gráfico a seguir.

Exemplos de tipos de marca d’água

Assinatura eletrônica

Assinaturas eletrônicas e digitais podem ajudar a verificar a autenticidade e a integridade de documentos digitais. Em alguns fluxos de trabalho, elas atuam como um controle complementar, confirmando que um documento foi emitido ou aprovado por um remetente legítimo e indicando se o conteúdo foi alterado após a assinatura. Embora isso nem sempre seja central para os fluxos de IDV, ainda pode fornecer um contexto de suporte útil nos processos de autenticidade de documentos e prevenção de adulterações.

Verifique a identidade em tempo real

A verificação de identidade em tempo real garante que a identidade de uma pessoa seja autenticada instantaneamente durante o onboarding ou transações, usando verificações de dados ao vivo e verificação biométrica.

Compara documentos emitidos pelo governo e entradas de reconhecimento facial com bases de dados confiáveis para detectar fraudes ou inconsistências. Esse processo ajuda a melhorar a segurança, reduzir o roubo de identidade e permitir acesso digital contínuo, mantendo a conformidade. Por exemplo, as plataformas modernas de verificação de identidade oferecem verificação de identidade global de alta precisão em tempo real, geralmente combinando análise de documentos com verificação biométrica baseada em selfie e tomada de decisão automatizada.

Use imagens de alta qualidade de acordo com diretrizes rigorosas

Para uma captura de alta qualidade, o documento e o rosto devem estar claramente visíveis. Garanta que todo o documento de identidade esteja totalmente enquadrado, sem bordas cortadas ou desfocadas. Reflexos, brilhos, chapéus, óculos ou qualquer coisa que cubra os traços faciais devem ser removidos. A iluminação deve ser uniforme, e brilho ou sombras devem ser evitados para que todo o texto e os recursos de segurança sejam legíveis. Para uma verificação precisa, o rosto também deve estar bem iluminado, centralizado e desobstruído.

Os provedores de verificação de identidade (IDV) usam tecnologias de verificação biométrica para extrair e analisar informações biométricas faciais da selfie de um usuário e compará-las com a fotografia em um documento de identidade. Um vídeo de fundo opcional e não disruptivo pode ser capturado se habilitado.

A foto do documento e do rosto deve ser tirada de acordo com as diretrizes do aplicativo para garantir a compatibilidade com os sistemas de reconhecimento automatizado. Isso inclui enquadramento adequado, iluminação apropriada e adesão às regras de posicionamento exigidas tanto para a captura do documento de identidade quanto da selfie. Aderir a esses padrões melhora a precisão e reduz o risco de erros ou rejeições na verificação.

Forneça feedback em tempo real aos usuários durante o processo de verificação nos aplicativos oficiais

O feedback em tempo real durante o processo de verificação de identidade faz mais do que melhorar a qualidade da imagem. Ele também ajuda a identificar sinais potenciais de manipulação de documentos e fraude de identidade. Os sistemas de verificação automatizada analisam fatores como condições de iluminação, reflexos, sombras, nitidez da imagem e posicionamento do documento para garantir que as imagens capturadas sejam adequadas para análise forense. Por exemplo, um documento de identidade adulterado ou com a foto trocada pode revelar incompatibilidades na direção da fonte de luz, ângulos de sombra ou reflexos que não se alinham com o resto do documento.

Os uploads devem ser concluídos apenas por meio de canais oficiais do aplicativo para garantir que os dados pessoais sejam tratados com segurança. Isso impede que terceiros não autorizados interceptem ou usem indevidamente informações confidenciais. O uso de fluxos de upload confiáveis no aplicativo também ajuda a manter a conformidade com os padrões de privacidade e proteção de dados. As plataformas modernas de verificação de identidade usam movimentos naturais detectados nas fotos tiradas durante a sessão para determinar se a sessão e/ou o usuário são válidos. Essa orientação em tempo real ajuda a garantir que o documento e o rosto do usuário sejam capturados adequadamente e com qualidade suficiente.

Conclusão

Adulterar um documento significa alterá-lo com a intenção de enganar. Isso pode variar de alterações mais sofisticadas, como manipulação de imagem ou falsificação, a modificações simples, como alterar uma data ou endereço. Aceitar documentos adulterados pode levar a consequências graves, incluindo fraude financeira, responsabilidades legais e segurança comprometida.

Uma estratégia eficaz de detecção de adulteração não deve depender apenas de uma única melhor prática, mas sim integrar múltiplos métodos complementares capazes de identificar tanto sinais visíveis quanto ocultos de manipulação. A detecção automatizada de adulteração de documentos opera em segundo plano, permitindo que clientes genuínos concluam a verificação rapidamente, enquanto sinaliza envios potencialmente suspeitos para revisão adicional. A combinação de sistemas de detecção automatizada com processos de revisão humana aprimora ainda mais a confiabilidade e ajuda as organizações a se adaptarem a padrões de fraude em evolução e riscos emergentes. Ao implementar uma estrutura de verificação abrangente e em camadas, as empresas podem melhorar a prevenção de fraudes, fortalecer a conformidade regulatória e proteger informações confidenciais.