Pontuações e limiares de correspondência facial
A correspondência facial retorna uma pontuação de similaridade, e você decide o que acontece em cada faixa - veja como definir os limiares de revisão e reprovação sem afogar sua fila ou deixar fraude passar.
A correspondência facial retorna uma pontuação de similaridade, não um sim ou não. Você define dois limiares: abaixo do limiar de reprovação a sessão é reprovada, entre os dois vai para revisão, acima do limiar de revisão ela passa. Onde você os coloca é uma decisão de política, e é a principal alavanca tanto sobre a sua taxa de fraude quanto sobre a sua fila de revisão.
#O que a pontuação significa
- Liveness carrega a selfie, o veredito de prova de vida e a pontuação de correspondência facial.
- Overview mostra o que essa pontuação fez com a decisão da sessão.
A correspondência facial 1:1 compara a selfie com o retrato do documento e retorna uma pontuação de similaridade. É uma medida de quanto dois rostos se parecem - nunca é uma certeza sobre identidade, porque nenhuma comparação biométrica é.
É por isso que a plataforma dá a você dois limiares em vez de um único veredito.
#As três faixas
| Faixa | O que acontece |
|---|---|
| Acima do limiar de revisão | Passa automaticamente |
| Entre os dois limiares | A sessão vai para In Review para uma pessoa decidir |
| Abaixo do limiar de reprovação | A sessão é reprovada automaticamente, com LOW_FACE_MATCH_SIMILARITY |
Os dois limiares são definidos na etapa de correspondência facial do seu workflow, então workflows diferentes podem ter apetites de risco diferentes - um fluxo de abertura de conta de alto valor e uma verificação de idade de baixo risco não precisam das mesmas configurações.
#O que realmente derruba uma pontuação legítima
Antes de apertar qualquer coisa, saiba o que move a pontuação para usuários genuínos:
- Idade da foto do documento. Um retrato tirado há dez anos é genuinamente menos parecido.
- Qualidade de impressão e digitalização. Alguns países imprimem retratos pequenos e de baixo contraste; um documento desgastado é ainda pior.
- Oclusão. Óculos, chapéus, maquiagem pesada, uma barba que não existia antes.
- Iluminação e câmera. Um ambiente escuro e uma câmera frontal barata custam similaridade.
Nada disso é fraude, e tudo isso é mais comum em alguns mercados do que em outros. Se os seus usuários tendem a ter documentos mais antigos, um limiar ajustado com passaportes recentes vai reprovar pessoas reais.
#Escolhendo os limiares
A troca é simétrica e inevitável:
- Limiares mais rígidos pegam mais impostores e mandam mais usuários genuínos para revisão ou reprovação.
- Limiares mais frouxos aprovam mais usuários genuínos e deixam mais impostores passarem.
Uma forma prática de defini-los:
- Comece com os padrões e colete dados
Rode tráfego real com os padrões por algumas centenas de sessões antes de mudar qualquer coisa. Você não pode ajustar por intuição.
- Veja o que caiu em revisão, e por quê
Abra as sessões da faixa de revisão. Se um revisor aprova quase todas, o seu limiar de revisão está alto demais - ele está gerando trabalho sem nenhuma decisão real nele.
- Veja as reprovações
Se as sessões reprovadas são majoritariamente usuários genuínos com documentos antigos, o seu limiar de reprovação está alto demais para a sua população.
- Mude um limiar de cada vez
Altere um, mantenha o outro, e meça de novo. Mudar os dois ao mesmo tempo não diz nada sobre qual deles importou.
Não ajuste o limiar para fazer uma reclamação específica desaparecer. Um único usuário reprovado não é um sinal, e afrouxar um limiar para resolver um caso o afrouxa para todo impostor também. Corrija casos individuais com uma decisão de revisão manual ou um reenvio; mude limiares só diante de um padrão.
#Ampliar a faixa de revisão não é de graça
Uma faixa de revisão ampla parece segura - nada é reprovado automaticamente, uma pessoa vê tudo que é limítrofe. Na prática, isso converte um problema de decisão em um problema de equipe: a fila cresce, as revisões ficam menos cuidadosas, e a qualidade efetiva das decisões cai. Veja sessões travadas em revisão.
#Uma verificação mais forte vence um limiar melhor
Se a correspondência facial é o seu ponto fraco, a mudança de maior impacto geralmente não é o limiar:
- O NFC lê o retrato direto do chip do documento - a própria imagem do emissor, em qualidade máxima - o que elimina a variável de degradação de impressão.
- A prova de vida ativa aumenta o custo de um ataque de apresentação, então uma pontuação limítrofe tem menos chance de ser um ataque, para começo de conversa.
#Testando os seus limiares antes de ir ao ar
O sandbox tem cenários exatamente para isso: decline_face_match_low_similarity para uma falha clara e review_face_match_borderline para uma pontuação dentro da faixa de revisão. Use-os para confirmar que o seu workflow encaminha cada faixa para onde você acha que encaminha, antes que usuários reais cheguem lá. Veja testando no sandbox.