Un centro de investigación que publica lo que otros prefieren dejar en notas internas: comparativas abiertas sobre detección de suplantación biométrica y sobre cómo cambian los perfiles de seguridad cuando el atacante también entrena modelos.
Ningún informe sale sin corpus, umbrales y condiciones de captura documentadas. Si un resultado no se puede reproducir con los datos descritos, no entra en la serie de white papers. Preferimos un hallazgo incómodo a una conclusión redonda sin trazabilidad.
Redes siamesas, transformers con atención sobre parches, esquemas híbridos. Los medimos con las mismas métricas operativas: aceptación de impostores a umbral fijo, coste del falso rechazo por canal y estabilidad del score en el tiempo. El lector decide qué le encaja.
La verificación facial dejó de ser un evento puntual. Hoy convive con señales de dispositivo, patrones de interacción y contexto de red. Analizamos esa fusión y sus límites bajo PSD2 y GDPR, porque la gobernanza de datos cambia cuando se correlacionan señales.
Cada informe lleva una capa ejecutiva de dos páginas y un anexo metodológico con detalle suficiente para replicar el experimento. El objetivo es que un equipo de riesgo y un equipo de ML puedan discutir el mismo documento sin traducciones intermedias.
El efecto esperado para quien nos lee es simple: decisiones de despliegue biométrico con menos supuestos heredados y más evidencia verificable sobre la mesa.
Desde los primeros informes sobre verificación facial hasta la publicación de white papers con protocolos reproducibles, cada etapa dejó una decisión concreta: qué medir, con qué corpus y bajo qué umbral operativo.
El trabajo arrancó con un corpus acotado de ataques de impresión y replay sobre lectores móviles. La decisión clave fue publicar la metodología completa, incluidos los errores de calibración, para que otros equipos pudieran replicar los resultados sin depender de nuestras conclusiones.
Cuando los ataques generativos empezaron a circular, el centro amplió el corpus con máscaras 3D y deepfakes. Ahí quedó claro que el AUC agregado ocultaba diferencias por subgrupo, y que la calibración por dominio pesaba más que la elección de arquitectura.
La fusión de biometría facial con señales de dispositivo y comportamiento obligó a reescribir los protocolos internos. Se incorporaron revisiones bajo PSD2 y GDPR, y se separó el tratamiento de datos de verificación del de datos de investigación.
Los informes más recientes abandonaron la accuracy como titular y adoptaron tasas de aceptación de impostores a umbral fijo, coste del falso rechazo por canal y estabilidad temporal del score. Es un formato menos vistoso y bastante más útil para quien decide en producción.
Los informes se publican con datos anonimizados y sin cifras comerciales. Si necesitás el corpus de evaluación o una revisión metodológica, escribinos a info@cuauhtemoc-blanco.com.
Los informes sobre detección de spoofing y perfiles de seguridad compuestos no se publican en solitario. Cada white paper pasa por revisión de equipos externos que aportan corpus, validación en campo o contraste metodológico antes de salir del borrador.
Aporta corpus de ataques de presentación con impresión y replay recogidos en condiciones de iluminación variable. Revisa las métricas de APCER y BPCER antes de cada publicación.
Colabora en la comparación de arquitecturas siamesas y transformers sobre datos de verificación móvil. Su aporte se centra en la calibración por dominio y en la estabilidad temporal del score.
Contrasta los apartados regulatorios de los white papers sobre perfiles compuestos, especialmente los límites bajo PSD2 y GDPR cuando la biometría facial convive con señales de dispositivo.
Ejecuta pruebas ciegas sobre los modelos citados en nuestros informes y devuelve resultados operativos: tasa de aceptación de impostores a umbral fijo y coste del falso rechazo por canal.
Facilita series históricas de despliegues en entidades financieras europeas entre 2018 y 2024, útiles para trazar la evolución de la verificación unimodal hacia esquemas compuestos.
Las colaboraciones se documentan en la sección de metodología de cada informe. Si tu institución trabaja en detección de spoofing o gobernanza de perfiles biométricos y quiere sumarse a una revisión, escríbenos a info@cuauhtemoc-blanco.com.
Cada etapa deja un rastro verificable: corpus nuevos, métricas ajustadas y perfiles de seguridad que se reescriben cuando aparece un ataque que antes no existía. Esta es la secuencia de hitos que ordena nuestros informes y white papers.
Reunimos impresiones en papel, replay en pantalla y máscaras de silicona bajo tres condiciones de iluminación. El objetivo no era batir un récord de precisión, sino fijar una línea base reproducible para comparar arquitecturas más adelante. Ese corpus sigue siendo el punto de partida de cada revisión anual.
Dejamos de reportar accuracy agregada y pasamos a publicar tasas de aceptación de impostor y de falso rechazo a umbral fijo. La decisión obligó a rehacer comparativas previas, pero permitió ver que dos modelos con AUC casi idéntico se comportan de forma muy distinta en producción móvil.
Publicamos la primera revisión cruzada de ambas familias frente a deepfakes generados con modelos recientes. Los transformers ganan en ataques sintéticos, pero exigen calibración por dominio para no degradar la verificación legítima. El informe incluye las matrices de confusión completas por subgrupo demográfico.
Documentamos cómo la banca europea migró de verificar un único rasgo biométrico a correlacionar biometría facial, señales de dispositivo y patrones de interacción. El cambio trae mejoras medibles en fraude, pero también obliga a gobernanza de datos más estricta bajo PSD2 y GDPR.
Introdujimos seguimiento del score a lo largo de semanas para detectar deriva por actualización de dispositivo o cambio de iluminación estacional. Los resultados muestran que la calibración por canal reduce el falso rechazo sin abrir la puerta a impostores, algo que el AUC por sí solo nunca habría revelado.
La línea activa examina inyección de vídeo en tiempo real, clonación de voz combinada con verificación facial y evaluación de sesgos por acento. Los borradores se publican con datos anonimizados y se revisan antes de convertirse en informes cerrados.
Los hitos se revisan cuando aparece un tipo de ataque que invalida comparativas anteriores. Si trabajas con verificación biométrica y quieres contrastar metodología, escríbenos a info@cuauhtemoc-blanco.com.
Identidad del centro
Equipos de verificación de identidad en banca, fintech y servicios públicos que operan con biometría facial o de voz y necesitan comparar arquitecturas sin depender de métricas agregadas. También asesoramos a áreas de cumplimiento que deben justificar decisiones de umbral ante auditoría.
Informes con corpus mixtos de ataques de impresión, replay, máscaras 3D y deepfakes generativos. Cada documento incluye APCER y BPCER a distintos umbrales, notas de calibración por dominio y las limitaciones que encontramos al replicar resultados en dispositivos móviles de gama media.
Preferimos datos de piloto antes que benchmarks públicos. Documentamos supuestos, versiones de modelo y semillas de entrenamiento para que cualquier equipo pueda repetir la comparación. Cuando un resultado no se sostiene fuera del laboratorio, lo escribimos igual.
Sin titulares grandilocuentes. Distinguimos entre lo que un modelo demuestra en un corpus controlado y lo que promete en una demo. Si una arquitectura gana en ataques sintéticos recientes pero degrada la verificación legítima, ambas cosas aparecen en el mismo párrafo.
Los informes se publican en abierto. Las notas metodológicas ampliadas y los conjuntos de evaluación se comparten bajo solicitud a info@cuauhtemoc-blanco.com.