API de prueba de vida: prevención de deepfakes

La prueba de vida de Didit confirma que hay una persona real y presente frente a la cámara, y no una foto impresa, una reproducción en pantalla, una máscara o un deepfake, mediante prueba de vida pasiva, con acción 3D o con destellos. Alcanza una precisión del 99.9% con una tasa de falsa aceptación (FAR) inferior al 0.1%. La lección de Academy sobre el flujo alojado del usuario llega al selfie de prueba de vida en el minuto 8:49 y, en el 9:16, a los métodos pasivo, de destello 3D y de acción 3D.

​

Métodos de prueba de vida

Nuestra plataforma implementa tres tecnologías antisuplantación distintas, cada una pensada para diferentes necesidades de seguridad y experiencias de usuario:

Método	Descripción	Nivel de seguridad	Ideal para
3D Action & Flash	• Combina una verificación biométrica multifactor con una secuencia de acciones aleatoria y un análisis dinámico de patrones de luz. • Al comenzar, se pide al usuario una acción sencilla, como parpadear o asentir, lo que asegura la interacción en tiempo real. • A la vez, el sistema proyecta una secuencia de patrones de luz sobre el rostro y analiza los reflejos para confirmar la estructura tridimensional de la cara. • Los algoritmos de aprendizaje profundo examinan las microexpresiones y las respuestas a los reflejos de luz para verificar la presencia de una persona real. • Ofrece la máxima seguridad al integrar señales de comportamiento (acción) y físicas (profundidad basada en luz), lo que hace casi imposible suplantarlo con imágenes estáticas, vídeos o incluso máscaras avanzadas.	Máximo	Aplicaciones bancarias, sanitarias y gubernamentales
3D Flash	• Usa un análisis dinámico de patrones de luz para validar la topología facial sin requerir interacción del usuario. • Proyecta una serie de patrones de luz sobre el rostro a más de 30 fotogramas por segundo y analiza los reflejos para crear un mapa de profundidad. • Este mapa de profundidad confirma la estructura tridimensional del rostro y lo distingue de imágenes planas o suplantaciones 2D. • Ofrece una experiencia fluida y mantiene una alta seguridad frente a ataques de presentación como fotos o pantallas.	Alto	Servicios financieros, acceso a cuentas, verificación de identidad
Passive Liveness	• Se basa en un análisis de aprendizaje profundo de un solo fotograma para detectar indicios de vida. • Examina la imagen en busca de artefactos, patrones de textura y otros indicadores sutiles que diferencian un rostro real de una suplantación. • Una red neuronal convolucional (CNN) valida los rasgos faciales e identifica anomalías, como las de fotos impresas o pantallas digitales. • Ofrece una verificación rápida y cómoda, pero con una seguridad estándar, adecuada para casos de uso de bajo riesgo.	Estándar	Escenarios de baja fricción, aplicaciones de consumo

Cada método genera una puntuación de prueba de vida normalizada (0-100%) basada en nuestro algoritmo propietario, que evalúa varios factores de seguridad en tiempo real.

​

Umbrales configurables

Puedes personalizar los niveles de seguridad definiendo distintos umbrales para las puntuaciones de prueba de vida. Por ejemplo:

​

Reintentos y feedback accionable

En una sesión de Didit, una captura de prueba de vida que falla por una causa corregible (poca luz, rostro descentrado, oclusión, una puntuación en el límite) no se rechaza de inmediato. Se pide al usuario que reintente con indicaciones concretas, hasta un número de intentos configurable.

• Número de intentos - face_liveness_max_attempts controla el total de envíos de prueba de vida por sesión. Por defecto es 3 (un intento inicial más dos reintentos) y se puede configurar por nodo del flujo (rango 1-3).
• Feedback de reintento - mientras queden intentos, un fallo reintentable mantiene al usuario en el paso de prueba de vida y devuelve un cuerpo con feedback_codes accionables (los SDK web y móviles los muestran automáticamente como mensajes de ayuda):
  {
    "detail": "Move to a brighter, evenly lit place and try again.",
    "error": "LOW_FACE_LUMINANCE",
    "feedback_codes": ["LOW_FACE_LUMINANCE"],
    "attempts_used": 1,
    "max_attempts": 3
  }
  
• Códigos reintentables - LOW_FACE_LUMINANCE (demasiado oscuro), HIGH_FACE_LUMINANCE (demasiado brillante), NO_FACE_DETECTED, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION, LOW_LIVENESS_SCORE, MULTIPLE_FACES_DETECTED, AGE_NOT_DETECTED.
• Reintento garantizado por condiciones de captura - LOW_FACE_LUMINANCE, HIGH_FACE_LUMINANCE, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION y NO_FACE_DETECTED describen el lugar donde está el usuario, no a la persona. Cuando un intento falla únicamente por esos códigos, el usuario siempre recibe un segundo intento con el mensaje de ayuda anterior, incluso en un flujo configurado con face_liveness_max_attempts: 1. Cualquier otro código sigue aplicando exactamente el número de intentos configurado.
• Agotamiento y fraude - cuando se agotan los intentos, se aplica el estado calculado (Declined o In Review). Los ataques de presentación confirmados (LIVENESS_FACE_ATTACK), las coincidencias con la lista de bloqueo y los rostros duplicados se rechazan de inmediato y nunca se reintentan.

​

Cómo funciona