Sumsub enrichit sa plateforme avec Adaptive Deepfake Detector

Sumsub , annonce le lancement d’Adaptive Deepfake Detector. Ce nouveau modèle répond aux limites des solutions traditionnelles hors ligne, souvent incapables de détecter les dernières formes de fraude par deepfake. Contrairement aux approches existantes, la solution de Sumsub identifie efficacement les nouveaux schémas de fraude sophistiqués grâce à un outil de détection basé sur le machine learning, enrichi par des mises à jour en temps réel.

Les mises à jour périodiques des modèles mettent en évidence une vulnérabilité structurelle. Entre deux cycles d’évolution dont le déploiement peut prendre plusieurs semaines voire plusieurs mois, de nouvelles menaces parviennent à contourner les dispositifs de défense et à causer des dommages concrets aux utilisateurs d’applications numériques ainsi qu’aux entreprises. Le principal facteur différenciant de la nouvelle solution proposée par Sumsub réside dans la précision de sa détection. Celle-ci repose sur un apprentissage continu du modèle, alimenté par des signaux de fraude issus de multiples couches, ce qui lui permet de s’adapter en quelques heures seulement plutôt qu’en plusieurs semaines ou mois.

Dans la détection actuelle des deepfakes, les équipes de gestion des risques ne peuvent plus se limiter à l’analyse des contenus visuels. L’ensemble du contexte de la session utilisateur doit être pris en compte. Au-delà de la création d’images, de voix ou de vidéos falsifiées, les fraudeurs recourent également à différentes méthodes d’injection, introduisant ainsi une couche de données supplémentaire que les systèmes de prévention doivent analyser et surveiller.

D’un point de vue technique, la détection en temps réel fondée sur un modèle d’apprentissage en ligne élimine les délais liés aux cycles d’entraînement planifiés et réduit le besoin de revues humaines régulières pour rester à jour. La nouvelle solution repose ainsi sur une approche continue et adaptative :

• La solution apprend en continu de nouveaux schémas, y compris les types émergents de deepfakes et les méthodes d’injection, qu’elle intègre immédiatement à sa base de menaces connues.
• Les signaux sont collectés à partir de sources multiples et non d’un seul vecteur d’anomalie. Le système de détection multicouche analyse les documents, la géolocalisation, l’adresse IP, les données des appareils, la biométrie faciale incluant la preuve de vie, et croise les informations de vérification entre plusieurs utilisateurs afin d’identifier les activités de réseaux frauduleux.
• À chaque nouvelle observation, le modèle ajuste ses paramètres sans nécessiter de réentraînement manuel.
• La frontière de décision du détecteur évolue en continu pour s’adapter aux menaces, ce qui permet d’atteindre un niveau de précision de détection proche de 100 %