Liveness detection giúp phân biệt giữa con người thật và hình ảnh do AI tạo ra. Tìm hiểu cách công nghệ này hỗ trợ bạn ngăn chặn gian lận.

Facial liveness detection là tập hợp các công nghệ và quy trình giúp doanh nghiệp xác định xem một bức ảnh selfie hoặc video có thuộc về người thật đang sống hay là một dạng giả mạo, như mặt nạ hoặc hình ảnh do AI tạo ra. Công nghệ này thường được kết hợp với các phương pháp khác để giảm rủi ro gian lận.

Ví dụ, tự xác thực bằng selfie là một phương pháp xác thực danh tính (IDV) cực kỳ hữu ích, giúp tăng lớp bảo mật bổ sung chống gian lận. Một ví dụ điển hình, Instacart kết hợp xác thực selfie với xác thực giấy tờ chính phủ để bảo vệ chống lại giấy tờ bị đánh cắp, làm giả hoặc giả mạo, đồng thời dễ dàng xác minh lại người dùng trong các tình huống rủi ro cao, như đăng nhập từ địa điểm hoặc thiết bị mới, thay đổi thông tin tài khoản, hoặc truy cập dữ liệu nhạy cảm.

Khi kẻ gian ngày càng sử dụng AI trong các vụ đánh cắp danh tính, chiếm đoạt tài khoản (ATO) và các hình thức gian lận khác, câu hỏi đặt ra là: Làm thế nào để doanh nghiệp trực tuyến phát hiện ảnh selfie do AI tạo và bảo vệ mình trước những rủi ro này?

Facial liveness detection là công nghệ quan trọng giúp chống lại ảnh selfie do AI tạo.

Dưới đây, chúng tôi sẽ giải thích liveness detection là gì, cách hoạt động và tại sao nó quan trọng, cũng như các loại công nghệ mà bạn nên cân nhắc tích hợp vào quy trình xác thực danh tính (IDV).

Định nghĩa:

Liveness detection đề cập đến tập hợp các phương pháp và công nghệ khác nhau được sử dụng để đánh giá một bức ảnh selfie phục vụ xác thực danh tính. Mục tiêu của facial liveness detection là xác định xem bức selfie có phải là của một người thật đang sống hay đã bị làm giả bằng cách nào đó (ví dụ: masking, ảnh in, phát lại kỹ thuật số, video ghi hình, hoặc ảnh selfie/ deepfake do AI tạo).

Ở mức cơ bản nhất, liveness detection có thể chỉ đơn giản là một thành viên trong đội ngũ rủi ro xem xét thủ công các bức selfie để phát hiện giả mạo hoặc hình ảnh bị chỉnh sửa. Tuy nhiên, hiện nay, phương pháp này thường dựa vào hệ thống tự động sử dụng các thuật toán phân tích hình ảnh tiên tiến.

Những gì được phân tích phụ thuộc vào kỹ thuật, thuật toán và mô hình cụ thể được sử dụng. Tuy nhiên, facial liveness detection thường xem xét:

• Dữ liệu hình ảnh: như kết cấu da, tỷ lệ khuôn mặt, sự xuất hiện (hoặc không xuất hiện) của ánh sáng, bóng, độ chói, v.v.
• Metadata trong file ảnh: ví dụ như dữ liệu vị trí (geolocation) về nơi chụp ảnh và loại thiết bị đã chụp.
• Tín hiệu phản xạ: theo dõi các phản xạ của con người (như nhịp thở, chớp mắt, giãn đồng tử, v.v.) trước và sau khi ảnh được chụp.

Mục tiêu:

Liveness detection là phần không thể thiếu để xác định xem một bức ảnh selfie có phải là của người thật đang sống hay là một dạng giả mạo. Nếu không có quá trình này, kẻ gian có thể dễ dàng làm giả selfie để truy cập trái phép vào tài khoản, sản phẩm, dịch vụ hoặc nội dung mà họ không được phép.

Đối với các ngành nghề bắt buộc xác thực danh tính theo pháp luật, liveness detection giúp tăng mức độ đảm bảo rằng người dùng thực sự là chính họ.

Đây là một phần quan trọng trong quy định Chống rửa tiền (AML) mà các tổ chức tài chính phải tuân thủ, cũng như quy định Know Your Seller (KYS) áp dụng cho các sàn thương mại điện tử.

Nó cũng hỗ trợ xác minh độ tuổi, cần thiết cho các công ty trong lĩnh vực mạng xã hội, trò chơi, giải trí người lớn, và các ngành khác.

Tuy nhiên, ngay cả các ngành không bắt buộc IDV theo pháp luật cũng có thể hưởng lợi từ việc tích hợp liveness detection vào quy trình làm việc:

• Nhà tuyển dụng với nhân viên làm việc từ xa có thể sử dụng IDV kết hợp selfie và liveness detection khi nhân viên đăng nhập từ thiết bị mới hoặc địa điểm bất thường
• Dịch vụ y tế số và nền tảng giáo dục trực tuyến có thể triển khai liveness detection để ngăn ngừa gian lận trong y tế và giáo dục.

Loại hình:

Mặc dù liveness detection thường được nhắc đến như một kỹ thuật đơn lẻ, thực tế có nhiều loại phương pháp với các ưu nhược điểm khác nhau, bao gồm:

1, Liveness detection thụ động (Passive Liveness Detection):

Phương pháp này yêu cầu người dùng chụp và gửi một bức selfie để xác thực. Sau khi được gửi, bức selfie sẽ được xử lý bởi nhiều thuật toán nhằm phân tích kết cấu da, bóng, tỷ lệ khuôn mặt và các yếu tố khác. Đây là “thụ động” vì người dùng không cần làm gì ngoài việc chụp selfie để hệ thống hoạt động.

2, Liveness detection chủ động (Active Liveness Detection):

Phương pháp này yêu cầu người dùng thực hiện các hướng dẫn cụ thể khi chụp selfie, ví dụ như quay đầu, mỉm cười, chớp mắt, hoặc giơ tay/giơ một số ngón tay nhất định. Vì các thử thách này khó đoán trước, phương pháp chủ động tăng thêm lớp bảo vệ chống giả mạo khuôn mặt do AI tạo ra.

3, Liveness detection một ảnh vs nhiều ảnh (Single vs. Multi-Image Liveness Detection):

• Single-image: dựa vào một bức ảnh để đánh giá sự sống.
• Multi-image: phân tích nhiều bức ảnh.

Phương pháp nhiều ảnh cung cấp nhiều dữ liệu và tín hiệu rủi ro hơn, từ đó tăng độ tin cậy so với một bức ảnh duy nhất. Tuy nhiên, nó cũng có thể tạo thêm tác vụ cần người dùng thực hiện và ảnh hưởng đến trải nghiệm của họ. Khi lựa chọn giữa single-image và multi-image, doanh nghiệp nên cân nhắc mức độ chấp nhận rủi ro và kỳ vọng của người dùng, đồng thời có thể điều chỉnh số lượng ảnh yêu cầu dựa trên tín hiệu rủi ro theo thời gian thực.

4, Liveness detection trên tài liệu (Document Liveness Detection)

Mặc dù liveness detection thường được nhắc đến trong selfie, phương pháp này cũng có thể phân tích tài liệu để đảm bảo đó là tài liệu vật lý và giấy tờ chính thức không bị giả mạo kỹ thuật số. Trong trường hợp này, loại phân tích thường được tích hợp trong quy trình xác thực giấy tờ hoặc xác minh ID chính phủ.

Định hướng:

Mặc dù khó dự đoán chính xác hướng đi tương lai của các công nghệ liveness detection, một số xu hướng đã được quan sát bao gồm:

1, Đa dạng hóa thử thách (Greater variability in challenges)

Thử thách, như đã đề cập trước đó, là các hướng dẫn người dùng cách tạo pose khi chụp selfie cho liveness detection. Đa dạng hóa các thử thách giúp kẻ gian khó đoán trước, từ đó khó tạo ra các ảnh do AI tạo giả. Trong tương lai, chúng ta có thể thấy một danh mục thử thách rộng hơn nhiều được sử dụng trong liveness detection.

2, Triển khai micromodels

Micromodel là thuật toán được huấn luyện để phát hiện một tín hiệu gian lận rất cụ thể. Trong bối cảnh liveness detection, có thể tạo micromodel chuyên phát hiện kết cấu da không tự nhiên, quá mịn, ví dụ. Các mô hình nhỏ này thường cho phép phân tích hiệu quả hơn so với một mô hình lớn duy nhất, và dự kiến sẽ được triển khai rộng rãi hơn trong tương lai.

3, Sử dụng ensemble models

Ensemble models là các mô hình kết hợp nhiều thuật toán, micromodel và nguồn dữ liệu huấn luyện khác nhau. Chúng thường cung cấp hiểu biết tinh vi hơn về việc có phát hiện sự sống hay không, hoặc các dạng gian lận khác. Tương tự micromodels, ensemble models cũng dự kiến được ứng dụng nhiều hơn trong tương lai.