Deepfake w KYC: 5 sygnałów, które powinien złapać wymiennik

iEXExchanger
Deepfake w KYC: 5 sygnałów, które powinien złapać wymiennik

Oszuści coraz częściej przechodzą weryfikację tożsamości za pomocą wideo deepfake. Omawiamy pięć sygnałów, które powinien wyłapać system antyfraudowy wymiennika, i pokazujemy, gdzie detektory AI zawodzą bez ręcznej moderacji.

Deepfake w weryfikacji KYC to wygenerowane przez AI zdjęcie lub wideo twarzy, którym oszust podszywa się pod prawdziwego klienta. Od końca 2025 roku takie próby przestały być rzadkością — generatory twarzy stały się tanie i dostępne dla każdego z laptopem. Oto pięć sygnałów, po których moderacja i system antyfraudowy mogą złapać fałszywkę, zanim przejdzie weryfikację.

Skąd wziął się ten problem

Jeszcze parę lat temu podrobione selfie z dokumentem w dłoni robiło się w edytorze graficznym — i podmianę było widać gołym okiem. Dziś wystarczy kilka publicznych zdjęć danej osoby, żeby model wygenerował wideo z mruganiem, obrotem głowy i wypowiedzeniem frazy, o którą prosi moderator.

Dla wymiennika to nie jest abstrakcyjne ryzyko. Weryfikacja tożsamości otwiera drogę do dużych wypłat, dodania nowych metod płatności, zdjęcia limitów. Przepuszczona fałszywka to nie tylko przyszły chargeback — to udział waszej usługi w łańcuchu prania pieniędzy, a potem niewygodne pytania od partnera płatniczego albo banku.

5 sygnałów deepfake'owego dokumentu przy weryfikacji

  • Blaski i cienie żyją własnym życiem. Na prawdziwym wideo światło pada jednakowo na twarz, szyję i tło. W syntetyku odbicie w oczach nie zgadza się ze źródłem światła w kadrze, a cień od podbródka czasem „nie nadąża” za obrotem głowy.
  • Metadane dokumentu nie zgadzają się z profilem. Skan paszportu jest z wczoraj, a EXIF zdjęcia — z telefonu wycofanego ze sprzedaży dwa lata temu. Albo region wydania dokumentu nie pasuje do IP i języka interfejsu wnioskodawcy.
  • Twarz jest „zbyt przeciętna”. Modele generatywne wygładzają rysy, żeby uniknąć artefaktów. W rzeczywistości twarze są asymetryczne — nierówne brwi, znamiona, lekko krzywy uśmiech.
  • Ta sama twarz w różnych wnioskach. Oszuści tworzą konta seriami, zmieniając tylko kolor włosów albo tło. Porównanie biometryczne po wektorach twarzy wyłapuje powtórkę nawet przy innym kadrowaniu.
  • Dziwna reakcja na zadanie na żywo. Poproście o obrót głowy, a nie tylko mrugnięcie — wiele modeli deepfake z lat 2025-2026 wciąż słabo radzi sobie z nieprzewidywalnym poleceniem w czasie rzeczywistym.

Jak narzędzia AI faktycznie łapią fałszywkę

Nowoczesny system antyfraudowy nie „patrzy” na wideo — zestawia od razu kilkadziesiąt sygnałów: mikroruchy mięśni twarzy, częstotliwość mrugania, spójność oświetlenia między klatkami, metadane pliku, wzorce zachowania całego wniosku. Takie modele są trenowane właśnie na deepfake'ach, nie na klasycznym fotomontażu, więc wychwytują artefakty generowania niewidoczne dla moderatora.

Najlepiej działa to w parze: detektor AI wystawia risk score, a ostateczną decyzję w spornych przypadkach podejmuje żywy człowiek. Pełna automatyzacja weryfikacji bez ręcznego przeglądu to dla wymiennika zły pomysł — koszt fałszywej akceptacji jest zbyt wysoki.

Gdzie detektory AI zawodzą

Szczerze: stuprocentowej ochrony nie ma. Modele-detektory i modele-generatory deepfake'ów rozwijają się równolegle, a przewaga regularnie przechodzi z jednej strony na drugą. Świeży generator potrafi przez kilka miesięcy wyprzedzać detektory trenowane na starszych artefaktach.

Detektor deepfake'ów nie ratuje też przed starszym trikiem — skradzionym prawdziwym dokumentem połączonym z prawdziwą, żywą osobą, opłaconym „słupem”, który sam przechodzi weryfikację. Tu pomaga już nie biometria, a analiza behawioralna i sprawdzanie czarnych list.

Częste błędy przy wdrażaniu

Pierwszy: kupują detektor deepfake'ów i wyłączają ręczną moderację spornych przypadków, żeby zaoszczędzić na etatach. Drugi: nie aktualizują modelu miesiącami, choć generatory zmieniają się co kwartał. Trzeci: zostawiają progi risk score domyślnie ustawione z pudełka, zamiast skalibrować je pod własny ruch klientów i typowe schematy oszustw w swoim regionie.

Podsumowanie

Deepfake'i w KYC to nie hipotetyczne zagrożenie z przyszłości, tylko realne narzędzie oszustów już dziś. Poleganie wyłącznie na oku moderatora jest ryzykowne, ale ślepe zaufanie automatyce też nie jest dobrym pomysłem — potrzebny jest tandem detektora AI i żywej decyzji w spornych przypadkach. Jeśli budujecie weryfikację i antyfraud dla własnego wymiennika od zera, łatwiej zacząć na gotowej platformie — iEXExchanger oferuje produkty do uruchomienia i ochrony własnego biznesu kantoru kryptowalut.

Pytania i odpowiedzi

Często zadawane pytania na temat artykułu

Czym jest oszustwo deepfake w KYC?

To wygenerowane przez AI zdjęcie lub wideo twarzy, którym oszust podszywa się pod prawdziwą osobę podczas weryfikacji tożsamości. Model naśladuje mruganie, obrót głowy i wypowiedzenie kodowej frazy, żeby przejść automatyczną i ręczną kontrolę wymiennika.

Jak ręcznie rozpoznać deepfake'owe wideo weryfikacyjne?

Zwróć uwagę na odbicia w oczach niezgodne z oświetleniem kadru, „zbyt symetryczną” twarz i dziwną reakcję na nieoczekiwane polecenie na żywo, np. gwałtowny obrót głowy. Żaden pojedynczy sygnał nie jest rozstrzygający — liczy się całość.

Czy detektor AI może całkowicie zastąpić moderatora?

Nie, a poleganie wyłącznie na automatyzacji jest ryzykowne. AI dobrze wylicza risk score z kilkudziesięciu sygnałów naraz, ale ostateczną decyzję w spornych przypadkach powinien podejmować człowiek — koszt błędu jest zbyt wysoki.

Co zrobić, gdy detektor błędnie oznaczy prawdziwego klienta?

Potrzebna jest jasna ścieżka ręcznego przeglądu — prośba o kolejne wideo z żywym moderatorem, a nie automatyczny, dożywotni ban. Fałszywe alarmy zdarzają się przy każdym modelu, a proces odwoławczy to część normalnej weryfikacji.

Jak często aktualizować model antydeepfake?

Generatory deepfake'ów aktualizują się mniej więcej co kwartał, a model detekcji bez retreningu szybko traci skuteczność. Rozsądny punkt odniesienia to przegląd progów i retrening co 2-3 miesiące.