Detecção de contas duplicadas com biometria 1 para N

Sempre que um produto oferece vantagem por conta nova, bônus de boas-vindas, cashback de estreia, limite promocional, isenção nos primeiros meses, nasce um incentivo econômico para a mesma pessoa se cadastrar muitas vezes. O multi-accounting é a fraude de quem não precisa roubar identidade de ninguém: cada conta individual pode até passar em todas as checagens, com documentos reais de pessoas reais e cooperantes, ou variações dos dados do próprio fraudador. O que denuncia o esquema não é nenhuma conta isolada, é a relação entre elas.

Detectar essa relação é um problema tecnicamente diferente da verificação de identidade comum, e vale entender a diferença antes de comprar ou construir qualquer solução.

1:1 e 1:N são problemas diferentes

A verificação clássica de onboarding é uma comparação um para um: a selfie desta sessão pertence à mesma pessoa da foto deste documento? A resposta compara dois rostos e produz um grau de similaridade. É o que a literatura chama de verificação, e as métricas de erro, taxa de falsa correspondência e taxa de falsa não correspondência, estão definidas na norma ISO/IEC 19795-1, que padroniza como se mede desempenho de sistemas biométricos.

A detecção de duplicata é uma busca um para N: este rosto já existe em algum lugar da minha base de M rostos cadastrados? Cada busca equivale a muitas comparações, e isso muda a matemática do erro de um jeito que costuma surpreender. Mesmo uma taxa de falsa correspondência minúscula por comparação, multiplicada por milhões de comparações por busca, produz falsos positivos rotineiros se o limiar de decisão for o mesmo do caso 1:1. Por isso a identificação 1:N é avaliada separadamente: o NIST, instituto de padrões dos Estados Unidos, mantém uma trilha específica de avaliação para identificação em grandes bases no seu programa público de testes de reconhecimento facial, distinta da trilha de verificação.

A consequência prática: um sistema de duplicatas precisa de limiar próprio, calibrado para a escala da base, e via de regra mais conservador que o da verificação. E precisa tratar o resultado como candidato a revisão, não como veredito automático.

Como funciona por dentro

A arquitetura padrão da indústria representa cada rosto como um vetor numérico, o embedding, extraído por uma rede neural treinada para que rostos da mesma pessoa fiquem próximos no espaço vetorial e rostos de pessoas diferentes fiquem distantes. Detectar duplicata vira, então, um problema de busca por vizinhança: dado o vetor do novo cadastro, encontrar na base os vetores mais próximos e medir a distância.

Buscar o vizinho mais próximo comparando com todos os vetores, um a um, não escala. A solução consolidada são os índices de busca aproximada, e o algoritmo dominante é o HNSW, hierarchical navigable small world, descrito por Malkov e Yashunin em artigo revisado por pares publicado na IEEE Transactions on Pattern Analysis and Machine Intelligence em 2018. O índice troca uma fração pequena e mensurável de exatidão, o recall, por ordens de magnitude de velocidade, e os parâmetros do índice controlam esse compromisso. Quem opera um sistema desses precisa medir o recall na própria escala da base, porque parâmetros que funcionam com cem mil vetores degradam com dez milhões.

O desenho da decisão importa tanto quanto o modelo

Com candidatos vindos do índice, a decisão tem três zonas. Similaridade acima do limiar alto: duplicata quase certa, e a política define se bloqueia ou envia para revisão com as evidências lado a lado. Zona intermediária: caso para revisão humana ou para fricção adicional, nunca para bloqueio silencioso. Abaixo: segue o fluxo normal.

Dois cuidados de calibração separam sistemas sérios de geradores de incidente. Primeiro, priorizar precisão sobre cobertura: num produto real, acusar de fraude um usuário legítimo por semelhança facial custa mais caro, em dano e em risco jurídico, do que deixar passar uma duplicata para o monitoramento pegar depois. Gêmeos e parentes muito parecidos existem na base de qualquer produto grande. Segundo, versionar tudo: modelo, limiar e data de cada decisão registrados, porque uma troca de modelo muda a geometria do espaço vetorial e invalida comparações históricas se ninguém controlar as versões.

A camada jurídica: LGPD desde o desenho

O embedding facial é dado biométrico e, portanto, dado pessoal sensível nos termos do artigo 5º, inciso II, da Lei 13.709/2018. A base legal aplicável à prevenção de fraude em cadastro eletrônico é a do artigo 11, inciso II, alínea g, que autoriza o tratamento indispensável à prevenção à fraude e à segurança do titular em processos de identificação e autenticação, resguardados os direitos do titular. Sobre um banco de rostos de todos os usuários, as ressalvas dessa base pesam de verdade:

• Necessidade, artigo 6º, inciso III: guardar o vetor com finalidade exclusiva de deduplicação já é tratamento sensível; guardar mais que o necessário, ou usar o índice para qualquer outra finalidade, desborda a base legal.
• Transparência, artigo 9º: a política de privacidade precisa dizer que a comparação contra a base existe e para quê.
• Segurança, artigo 46: isolamento por cliente, cifragem e controle de acesso ao índice são o mínimo; um vazamento de embeddings é incidente de dado sensível, com os deveres de comunicação do artigo 48.
• Término, artigos 15 e 16: vetor de conta encerrada precisa de prazo e expurgo definidos.

No desenho que adotamos na UNIFOKAL, por exemplo, o índice de duplicatas é isolado por cliente, a comparação 1:N reutiliza a selfie que o fluxo de verificação já capturou, sem captura adicional, e o limiar prioriza precisão, com o caso duvidoso indo para revisão com evidência, não para bloqueio automático. São escolhas que qualquer comprador pode cobrar de qualquer fornecedor, com a régua das normas citadas abaixo.

Fontes citadas

• ISO/IEC 19795-1, Biometric performance testing and reporting, que define as métricas de erro de sistemas biométricos
• NIST, National Institute of Standards and Technology, programa público de avaliação de reconhecimento facial, com trilha específica de identificação 1:N em grandes bases
• Malkov, Y. e Yashunin, D., Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018
• Lei 13.709/2018, LGPD, artigos 5º, 6º, 9º, 11, 15, 16, 46 e 48, disponível no portal do Planalto: planalto.gov.br