Détection de deepfakes
La détection de deepfakes désigne l'ensemble des technologies et méthodes permettant d'identifier les images, vidéos ou sons générés ou manipulés par intelligence artificielle. Dans le contexte de la vérification d'identité, elle vise à contrer les tentatives de fraude utilisant des visages synthétiques.
Les deepfakes représentent une menace croissante pour les systèmes de vérification d'identité à distance. Grâce aux réseaux antagonistes génératifs (GAN) et aux modèles de diffusion, il est désormais possible de générer des images de visages photoréalistes, de substituer un visage dans une vidéo en temps réel ou de cloner une voix à partir de quelques secondes d'enregistrement. Ces techniques peuvent être utilisées pour tromper les systèmes de face matching et de détection du vivant.
Les solutions de détection de deepfakes analysent plusieurs types d'artefacts : les incohérences au niveau des pixels (bords flous, textures anormales), les anomalies physiologiques (clignements d'yeux absents, asymétries faciales non naturelles), les artefacts temporels dans les vidéos (scintillements, déformations entre les images) et les métadonnées de l'image (traces de génération par IA dans les données EXIF).
La course entre les créateurs de deepfakes et les détecteurs est constante. Les solutions les plus avancées combinent plusieurs modèles de détection entraînés sur des jeux de données diversifiés, une analyse multimodale (image + audio + comportement) et une mise à jour continue pour s'adapter aux nouvelles techniques de génération. La certification iBeta Level 2 intègre désormais des tests spécifiques contre les attaques par deepfake.
Réglementations
Exemples concrets
- 1.Un fraudeur tente d'ouvrir un compte bancaire en ligne en utilisant un deepfake en temps réel pour passer l'étape de face matching. Le système détecte des micro-artefacts autour des contours du visage et des incohérences dans les clignements d'yeux.
- 2.Une plateforme de signature électronique identifie une vidéo deepfake lors d'un parcours de vérification d'identité : l'analyse fréquentielle révèle des patterns de compression incompatibles avec une capture caméra authentique.
- 3.Un assureur détecte une tentative de fraude à l'assurance vie utilisant une vidéo deepfake du souscripteur prétendu. L'analyse temporelle de la vidéo révèle des micro-déformations typiques des modèles génératifs entre les images successives.