Решения для проверки «живого» присутствия в реальном времени против дипфейк-мошенничества

Сотрудник финансового отдела подключился к тому, что выглядело как обычный видеозвонок с финансовым директором компании и коллегами. Участники выглядели знакомыми, голоса звучали аутентично, и ничто в этой встрече не вызывало немедленных подозрений.

К моменту окончания звонка $25 million были переведены. Эта схема выходит далеко за рамки видео. Федеральная торговая комиссия (FTC) предупредила, что мошенники все чаще используют сгенерированные ИИ голоса, чтобы выдавать себя за доверенных лиц и убеждать жертв переводить деньги или раскрывать конфиденциальную информацию.

Это проблема, которую сейчас оценивают многие инженеры по безопасности, менеджеры по продуктам по борьбе с мошенничеством и директора по информационной безопасности (CISO) в банках и финтех-компаниях. Средства контроля «живого» присутствия (liveness), созданные для KYC-онбординга, не были предназначены для живых звонков, аутентификации в контакт-центрах или одобрения видеовстреч, где человеку могут доверять на основе того, как он выглядит или звучит в режиме реального времени.

В этом руководстве объясняется, как работает обнаружение «живого» присутствия в реальном времени для каналов распознавания лиц и голоса, где большинство систем защиты от мошенничества не справляются, и что следует оценивать при сравнении решений для обнаружения «живого» присутствия в реальном времени для борьбы с дипфейк-мошенничеством.

Основные выводы

• Обнаружение «живого» присутствия подтверждает, что биометрический ввод исходит от живого человека, а не от фотографии, записи, маски или синтетического медиаконтента
• Большинство коммерческих решений охватывают проверку «живого» лица для KYC, в то время как проверка «живого» голоса является отдельным и часто неохваченным уровнем
• Дипфейк-мошенничество нацелено на оба канала: атаки с подменой лица (face-swap) во время видеозвонков и атаки с клонированием голоса в контакт-центрах и телефонных разговорах
• Выбор решения требует оценки задержки, охвата модальностей, интерпретируемости, покрытия моделей «нулевого дня» и вариантов развертывания
• Если ваша система защиты от мошенничества охватывает только онбординг, голосовой канал на уровне транзакций, скорее всего, остается незащищенным

Что такое обнаружение «живого» присутствия — и чем оно не является

Обнаружение «живого» присутствия — это процесс биометрической безопасности, который определяет, исходит ли представленное лицо или голос от реального, живого человека, а не является поддельным вводом. Оно одновременно подтверждает «кто» и «когда», проверяя, что сигнал был создан в режиме реального времени, человеком, в момент захвата.

Это не то же самое, что проверка личности или сопоставление лиц. Система распознавания лиц проверяет, соответствует ли лицо сохраненной записи. Обнаружение «живого» присутствия проверяет, является ли представленное лицо реальным и живым. Без него мошенник может предъявить фотографию, видеозапись или сгенерированное ИИ лицо и полностью обойти проверку личности.

Та же логика применима к голосу. Система голосовой биометрии сопоставляет голос звонящего с зарегистрированным профилем. Обнаружение «живого» голоса проверяет, исходит ли представленный голос от живого говорящего или от синтетического или записанного аудиоисточника.

Обнаружение «живого» присутствия находится между этапами представления и аутентификации. Оно отфильтровывает мошеннические данные до того, как они попадут в вашу систему верификации.

Два канала, на которые нацелено дипфейк-мошенничество

Дипфейк-атаки могут быть направлены на несколько точек в рабочем процессе, включая визуальную проверку личности, голосовые взаимодействия или и то, и другое одновременно. Они могут использовать уровень лица, уровень голоса или оба сразу. Большинство систем защиты от мошенничества решают одну проблему, но не другую.

Атаки на уровне лица

Атаки на уровне лица нацелены на визуальную проверку личности, включая процессы онбординга, KYC-проверки, порталы удаленной аутентификации и видеозвонки, где личность оценивается визуально.

Здесь действуют три основных типа атак:

• Атаки с предъявлением: мошенник держит перед камерой распечатанную фотографию, видео на экране или 3D-маску во время верификации.
• Атаки с внедрением: синтетическое видео вставляется непосредственно в поток данных камеры через программное обеспечение виртуальной камеры, минуя физическую камеру.
• Мошенничество с синтетической личностью: сгенерированное ИИ лицо используется во время цифрового онбординга для открытия мошеннического счета под синтетической личностью.

Многие коммерческие платформы для проверки «живого» присутствия фокусируются в основном на проверке лица во время онбординга. Это оставляет голосовые взаимодействия, такие как аутентификация в контакт-центре и звонки руководителей, вне зоны их обнаружения.

Атаки на уровне голоса

Атаки на уровне голоса осуществляются через телефонные системы, контакт-центры и живые звонки, где звонящим часто доверяют на основе того, как они звучат.

Инструменты клонирования голоса могут воспроизводить аспекты тембра, темпа и речевых паттернов человека на основе аудиообразца. FTC предупреждает, что мошенники используют клонирование голоса, чтобы сделать запросы денег или информации более убедительными, а FBI предупреждала о вредоносных кампаниях, использующих сгенерированные ИИ голосовые сообщения для выдачи себя за других лиц.

Три распространенных типа атак на уровне голоса:

• Дипфейк-вишинг: синтетический голос выдает себя за финансового директора, представителя банка или коллегу, чтобы манипулировать целью и заставить ее перевести средства или раскрыть учетные данные.
• Мошенничество в контакт-центре: клонированный голос проходит голосовую биометрическую аутентификацию IVR для доступа к счету без украденного пароля.
• Выдача себя за другого во время живой встречи: клонированный голос, иногда в сочетании с подменой лица, присоединяется к видеозвонку, выдавая себя за руководителя, чтобы авторизовать транзакции или извлечь конфиденциальную информацию.

Система защиты от мошенничества, охватывающая только проверку «живого» лица, слепа ко всем трем типам. Если ваш контакт-центр или рабочие процессы общения с руководством полагаются на голос как на сигнал доверия, у вас есть незащищенная поверхность.

Обнаружение «живого» присутствия следует одной и той же основной логике независимо от модальности: анализировать входящий сигнал на наличие артефактов, указывающих на то, что он не исходит от живого человека в данный момент.

Хотя основная цель остается прежней, методы, используемые в системе, варьируются в зависимости от того, оценивает ли она сигналы лица или голоса.

Активное и пассивное обнаружение «живого» присутствия

ISO/IEC 30107-3 определяет оценку эффективности для обнаружения атак с предъявлением биометрических данных, в то время как работа FATE PAD от NIST оценивает алгоритмы пассивного обнаружения атак с предъявлением лица.

Активное обнаружение «живого» присутствия запрашивает действие (челлендж) и проверяет, соответствует ли ответ живому человеку. Оно подходит для критически важных разовых проверок, где допустимо дополнительное трение. Пассивное обнаружение анализирует биометрический ввод в фоновом режиме без взаимодействия с пользователем, что делает его более подходящим для контекстов с большим объемом операций, где трение создает операционные проблемы.

Как проверка «живого» лица обнаруживает синтетические сигналы

Системы проверки «живого» лица анализируют входящие видеокадры на наличие сигналов, которые отличают живое лицо от поддельного:

• Несоответствия текстуры: настоящая кожа имеет специфическую зернистость и поведение при отражении света. Синтетические лица часто демонстрируют сглаженные текстуры или нерегулярные отражения.
• Микродвижения: живое лицо постоянно движется — незначительный тремор глаз, движение при дыхании, естественные сдвиги. Статичное изображение или плохо сгенерированное лицо этого не делают.
• Признаки глубины: 3D-системы проверки «живого» присутствия отображают глубину лица, чтобы подтвердить реальную трехмерную структуру.
• Временная согласованность: сгенерированные ИИ лица могут создавать артефакты на уровне кадров — мерцание, неестественное моргание или изменения освещения, не соответствующие окружающей среде.

ISO/IEC 30107-3 — это международный стандарт для обнаружения атак с предъявлением в биометрических системах. Тестирование iBeta PAD обеспечивает независимую сертификацию на соответствие этому стандарту. Проверка наличия этой сертификации — практическая отправная точка при оценке поставщиков решений для проверки «живого» лица.

Как проверка «живого» голоса идентифицирует синтетическое аудио

Детекция живости голоса работает на уровне формы волны, анализируя акустические свойства речевого сигнала:

• Спектральные артефакты: конвейеры TTS и клонирования голоса оставляют характерные паттерны в частотном спектре, отсутствующие в естественной речи.
• Просодические несоответствия: естественная речь обладает микровариациями в интонации, ритме и акцентах, которые генеративным моделям сложно воспроизвести на протяжении всего разговора.
• Артефакты сжатия и кодеков: сгенерированный ИИ дипфейк-аудио, пропущенный через телефонные кодеки, приобретает обнаруживаемые артефакты, которые не возникают в естественной речи при тех же условиях.
• Иррегулярности формант: синтетические голоса могут создавать формантные паттерны, выходящие за пределы диапазона естественных человеческих речевых вариаций.

Здесь особенно важно покрытие атак нулевого дня. Новые генеративные голосовые модели выпускаются часто. Система детекции, обученная только на известных моделях, может пропустить атаки с использованием инструмента, выпущенного на прошлой неделе. Системы с покрытием атак нулевого дня обновляются по мере появления новых моделей, быстрее закрывая это окно уязвимости.

Где развертывается детекция живости в реальном времени

Детекция живости — это не единственный инструмент контроля. Она охватывает различные поверхности атаки в зависимости от того, в какой части вашего рабочего процесса может быть внедрена синтетическая личность или голос.

KYC и цифровая онбординг-процедура

Именно здесь сосредоточена большая часть детекции живости лица. Банки, финтех-компании и регулируемые цифровые сервисы требуют подтверждения личности при открытии счета. Мошенник, открывающий счет с использованием синтетического лица, обходит все последующие меры контроля мошенничества, которые предполагают, что зарегистрированная личность является реальной.

Задача состоит в том, чтобы сбалансировать точность детекции и отток пользователей при онбординге. Высокий уровень ложноположительных срабатываний блокирует реальных пользователей и увеличивает процент отказов. Мировой рынок биометрической детекции живости лица, согласно March 2025 report от Biometric Update и Goode Intelligence, по прогнозам, превысит 250 миллионов долларов к 2027 году, что отражает, насколько центральным стал этот уровень для регулируемых рабочих процессов KYC.

Контакт-центры и аутентификация через IVR

Мошенничество в контакт-центрах представляет собой иную проблему. Злоумышленники часто обладают достаточной информацией об учетной записи, чтобы дойти до этапа голосовой аутентификации, где цель состоит в том, чтобы пройти биометрическую проверку с помощью клонированного голоса, а не украденных учетных данных.

Поскольку эти взаимодействия происходят в реальном времени, системы детекции должны анализировать телефонное аудио с низкой задержкой и поддерживать распространенные голосовые кодеки. В отличие от сценариев онбординга, детекция живости лица здесь практически не обеспечивает защиты, что делает детекцию живости голоса ключевым инструментом контроля для организаций, полагающихся на голосовую аутентификацию.

Живые встречи и коммуникация руководителей

Защита живых встреч — это новый, но критически важный контекст развертывания. Поскольку генеративный ИИ сделал замену лица и клонирование голоса в реальном времени доступными, видеоконференции стали жизнеспособной поверхностью для атак.

Схема: мошенник присоединяется к звонку, выдавая себя за руководителя с помощью замены лица и клонированного голоса, а затем санкционирует банковский перевод или извлекает конфиденциальную информацию у участников, у которых нет причин сомневаться в том, с кем они разговаривают. Атака происходит внутри аутентифицированной сессии, против сотрудников, не являющихся специалистами по безопасности, в контексте, где социальное давление снижает бдительность. Детекция должна работать непрерывно на протяжении всего звонка, а не только на этапе входа в систему.

Оцениваете свое мультимодальное покрытие в реальном времени? Resemble Meetings интегрируется напрямую с Zoom, Microsoft Teams, Google Meet и Webex для анализа аудио- и видеопотоков в реальном времени во время каждого запланированного звонка — никаких изменений в вашей текущей настройке не требуется.

Что должны охватывать решения для детекции живости в реальном времени

Если вы инженер по безопасности, менеджер по продуктам для борьбы с мошенничеством или CISO, сравнивающий решения для детекции живости в реальном времени для борьбы с дипфейк-мошенничеством, эти критерии помогут определить, сможет ли система работать в производственных условиях, а не только в демо-версии поставщика.

Контрольный список для оценки

• Охватывает ли решение детекцию живости лица, голоса или и то, и другое? Если ваша модель угроз включает мошенничество в контакт-центрах или имитацию личности на встречах, голосовое покрытие не является опциональным.
• Является ли детекция пассивной или активной? Пассивная подходит для сценариев с большим объемом или низким уровнем трения. Активная подходит для разовых проверок с высоким уровнем риска.
• Какова фактическая задержка при производственной нагрузке? Демонстрационная производительность не предсказывает производительность при одновременном использовании.
• Против каких типов атак она протестирована? Подтвердите покрытие атак с предъявлением, атак через инъекцию и синтетического медиаконтента, сгенерированного ИИ.
• Предоставляет ли система покрытие генеративных моделей нулевого дня? Новые инструменты синтеза выпускаются часто.
• Каковы уровни ложноположительных и ложноотрицательных срабатываний — и при каких условиях? Запрашивайте показатели для различных условий качества аудио или видео, а не лучшие результаты лабораторных тестов.
• Является ли детекция объяснимой? Команды комплаенса и юридические отделы должны понимать, что послужило причиной срабатывания флага, а не просто получать оценку.
• Какие варианты развертывания доступны? Локальное развертывание и работа в изолированных сетях (air-gapped) важны для регулируемых сред.
• Какие сертификаты соответствия применяются? ISO/IEC 30107-3 и тестирование iBeta PAD для систем распознавания лиц. Совместимость с SOC 2, GDPR и HIPAA для детекции аудио и голоса.
• Подключается ли она к вашей существующей инфраструктуре? API, который не поддерживает ваши форматы телефонии, платформы конференц-связи или SIEM, создает проблему совместимости еще до того, как станет инструментом безопасности.

Распространенные ошибки при развертывании детекции живости

Даже сильные программы детекции живости могут потерпеть неудачу, если команды рассматривают проверку как единый элемент контроля при онбординге, а не как часть более широкого стека борьбы с мошенничеством.

• Охват лица при игнорировании голоса: большинство команд развертывают детекцию живости лица для онбординга и считают защиту от мошенничества завершенной. Голосовые атаки в контакт-центрах и живых звонках используют канал, который детекция живости лица не затрагивает.
• Выбор на основе точности демо, а не производственной эффективности: уровни ложноположительных срабатываний, задержка под нагрузкой и производительность при ухудшенном качестве аудио или видео — вот метрики, которые имеют значение. Поставщики демонстрируют свои лучшие результаты.
• Отношение к детекции живости как к автономному контролю: она должна работать вместе с проверкой документов, поведенческой биометрией, анализом устройств и контекстной оценкой рисков. Система, которая проходит проверку живости, но не проходит по другим сигналам, все равно должна быть помечена.
• Выбор системы «черного ящика», которую не может проверить отдел комплаенса: если на выходе только оценка без объяснения, у ваших команд комплаенса и юридического отдела нет доказательств для действий при сообщении об инциденте мошенничества.
• Недооценка атак через инъекцию: многие системы детекции живости лица тестируются против фотографий, подносимых к камере. Атаки через инъекцию направляют синтетическое видео напрямую в поток данных камеры через программное обеспечение виртуальной камеры — это отдельный вектор атаки, который покрывается не всеми продуктами.
• Предположение, что покрытие детекции остается актуальным по умолчанию: новые инструменты синтеза и методы атак появляются со временем. Команды по борьбе с мошенничеством должны спрашивать, как часто обновляются модели детекции, какие новые типы атак тестируются и как быстро изменения в покрытии отражаются в производстве.

Как Resemble AI поддерживает мультимодальную детекцию живости

Resemble AI помогает командам по обеспечению безопасности и борьбе с мошенничеством внедрять анализ в реальном времени в те части рабочего процесса, где голос или видео используются в качестве сигнала доверия. Это включает аутентификацию в контакт-центрах, звонки с участием операторов, встречи для подтверждения платежей, удаленные собеседования при найме и рабочие процессы коммуникации руководителей.

Это важно, поскольку мошенничество с использованием дипфейков возникает не только на этапе регистрации. Оно может проявиться позже, когда звонящий пытается получить доступ к учетной записи, участник встречи подтверждает транзакцию или удаленный кандидат проходит живое собеседование.

DETECT-3B Omni и покрытие голосового уровня

Resemble Detect работает на базе DETECT-3B Omni — мультимодальной модели, которая оценивает аудио-, видео- и графические сигналы в совокупности, а не рассматривает каждую модальность отдельно. Это позволяет организациям выявлять синтетические манипуляции во время голосовых вызовов, видеовстреч и процессов проверки личности с помощью единой архитектуры обнаружения.

Для контакт-центров и рабочих процессов анализа звонков Resemble Detect поддерживает:

• Аудиоформаты телефонии, включая G.711, G.723.1 и PCMu/PCMa
• Стандартные аудиоформаты, включая MP3 и WAV
• Анализ входящих и исходящих вызовов
• Интеграцию на уровне сети или приложений
• Развертывание в облаке, локально (on-premise), Docker, Kubernetes и в полностью изолированных средах (air-gapped)

Каждое обнаружение проходит через Resemble Intelligence — уровень интерпретируемости, который выявляет конкретные артефакты, вызвавшие срабатывание флага, и генерирует криминалистический отчет для комплаенс-контроля и юридической проверки.

Resemble Meetings для защиты звонков в реальном времени

Resemble Meetings интегрируется напрямую с Zoom, Microsoft Teams, Google Meet и Webex. Система анализирует аудио- и видеопотоки участников во время живых звонков, чтобы выявлять потенциальные попытки использования синтетического голоса или подмены лица, не записывая сессию и не прерывая встречу.

При срабатывании флага команды безопасности могут использовать оповещение для проверки сессии и принятия решения о необходимости повторной аутентификации, эскалации события или завершения звонка.

Каждая помеченная сессия может генерировать криминалистический отчет, содержащий:

• Данные о временных метках
• Идентификацию техники манипуляции
• Оценку уровня уверенности
• Доказательства для юридической проверки, комплаенса или реагирования на инциденты

Для финансовых учреждений, использующих голосовую биометрию, более важным вопросом является то, выходят ли существующие средства контроля мошенничества за рамки онбординга и распространяются ли они на живые голосовые взаимодействия, где фактически подтверждаются транзакции.

Chrome Deepfake Detection для аналитиков

Для аналитиков по борьбе с мошенничеством, специалистов по комплаенсу и команд безопасности, которые сталкиваются с подозрительным контентом во время веб-расследований, расширение Chrome Deepfake Detection от Resemble AI обеспечивает сканирование изображений, видео и аудио по запросу прямо во время просмотра страниц. Оно возвращает оценку уверенности для контента, созданного ИИ, без необходимости отдельной загрузки файлов.

Заключение

Эффективное обнаружение «живого присутствия» (liveness detection) для борьбы с дипфейками требует охвата как уровня лица, так и уровня голоса. Многие системы защиты от мошенничества прорабатывают одну сторону более тщательно, чем другую.

Если ваш текущий стек включает проверку «живого присутствия» лица для KYC, но не содержит анализа аудио для звонков в контакт-центр или живых встреч, у вас есть защита на этапе создания учетной записи, но не на этапе подтверждения транзакции, где чаще всего происходят финансовые потери.

Составьте карту своей поверхности угроз. Определите, какие точки взаимодействия полагаются на голос как на сигнал доверия, включая аутентификацию через IVR, звонки операторов, видеовстречи руководителей и потоки финансовых подтверждений. Затем оцените, включает ли ваш текущий стек анализ в реальном времени в этих точках.

Если нет, это измеримый пробел. Если вы оцениваете, покрывает ли ваш текущий стек защиты от мошенничества угрозы аудио-дипфейков, свяжитесь с Resemble AI, чтобы понять, как обнаружение голоса и живых звонков в реальном времени может вписаться в вашу производственную среду.

Часто задаваемые вопросы

1. Что такое обнаружение «живого присутствия» в реальном времени?

Обнаружение «живого присутствия» в реальном времени подтверждает, исходит ли входящий биометрический сигнал — лицо или голос — от живого человека в момент захвата, а не от фотографии, повтора видео, маски или синтетического медиаконтента. «В реальном времени» означает, что проверка выполняется во время взаимодействия, а не после него. Постфактумный анализ может подтвердить, что мошенничество произошло, но не может остановить уже авторизованную транзакцию. Обнаружение, работающее в реальном времени, может пометить подозрительного участника или звонящего до завершения взаимодействия, давая командам безопасности или операционным отделам время на принятие мер.

2. Как обнаружение «живого присутствия» предотвращает мошенничество с дипфейками?

Оно анализирует биометрические данные на наличие артефактов, указывающих на то, что они являются синтетическими, а не исходят от живого человека. Для систем распознавания лиц это включает несоответствия текстуры, отсутствие микродвижений и аномалии глубины. Для голосовых систем это включает спектральные артефакты, оставленные конвейерами синтеза, неестественную просодию и нерегулярности формант. Когда синтетический сигнал помечается, система блокирует или эскалирует взаимодействие до завершения аутентификации или авторизации транзакции. Эффективность предотвращения наиболее высока, когда обнаружение выполняется до завершения аутентификации или подтверждения транзакции. Для рабочих процессов живых звонков низкая задержка обычно важна, поскольку командам безопасности нужен сигнал, пока взаимодействие еще активно.

3. В чем разница между активным и пассивным обнаружением «живого присутствия»?

Активное обнаружение требует, чтобы пользователь выполнил задание — моргнул, повернул голову или повторил фразу — и проверяет, соответствует ли ответ живому человеку. Это добавляет трение, но обеспечивает надежное подтверждение в сценариях с высокими ставками. Пассивное обнаружение работает в фоновом режиме без участия пользователя, анализируя биометрический сигнал с помощью распознавания образов на основе ИИ. Оно подходит для контекстов с большим объемом операций, таких как контакт-центры или повторная аутентификация, где трение приводит к оттоку пользователей. Оба типа применимы к биометрии лица и голоса. Выбор зависит от уровня риска рабочего процесса и того, сколько трения может допустить этот контекст.

4. Может ли обнаружение «живого присутствия» выявить голосовые дипфейки?

Обнаружение «живого присутствия» голоса специально разработано для выявления синтетического аудио, включая речь, созданную ИИ, и клонированные голоса. Оно анализирует паттерны на уровне формы волны, включая спектральные артефакты, несоответствия просодии, нерегулярности формант и поведение при взаимодействии с кодеками, которые отличают естественную человеческую речь от синтетического вывода. Производительность может варьироваться в зависимости от качества звука, сжатия кодека телефонии, фонового шума и сложности модели синтеза. Системы с поддержкой «нулевого дня» — те, которые обновляются при выпуске новых моделей синтеза — поддерживают более широкое обнаружение с течением времени, чем статические модели, обученные только на известных инструментах.

5. В чем разница между обнаружением «живого присутствия» и распознаванием лиц?

Распознавание лиц сопоставляет представленное лицо с сохраненной записью идентификационных данных. Оно отвечает на вопрос: «это тот самый человек?». Определение «живости» (liveness detection) отвечает на другой вопрос: «это реальный, живой человек?». Распознавание лиц без проверки на «живость» можно обойти, предъявив высококачественную фотографию или созданное ИИ изображение зарегистрированного пользователя. Проверка на «живость» подтверждает подлинность входных данных перед выполнением сопоставления личности. Для безопасной биометрической аутентификации необходимы оба процесса: проверка на «живость» подтверждает, что входные данные реальны, а распознавание лиц подтверждает, что личность соответствует записи.

6. Какие стандарты соответствия применяются к определению «живости»?

ISO/IEC 30107-3 — это международный стандарт обнаружения атак на предъявление в биометрических системах. Тестирование iBeta PAD обеспечивает независимую сертификацию на соответствие этому стандарту. Для обнаружения дипфейков в голосе и аудио соответствующими структурами являются SOC 2 Type II, GDPR и HIPAA, в зависимости от контекста развертывания и географии. Статья 50 Закона ЕС об ИИ вводит требования к маркировке и прозрачности контента, созданного с помощью ИИ. Руководители отделов безопасности и соответствия в регулируемых секторах должны уточнить, какие структуры применимы к их юрисдикции, прежде чем выбирать поставщика.

7. Что такое покрытие «нулевого дня» и почему оно важно для обнаружения дипфейков?

Покрытие «нулевого дня» — это способность системы обнаружения идентифицировать синтетический медиаконтент, созданный моделями генеративного ИИ, на которых она ранее не обучалась, в частности, моделями, выпущенными после последнего обновления системы. Новые генеративные инструменты появляются часто. Статическая модель, обученная на известных конвейерах синтеза, пропустит атаки с использованием инструмента, выпущенного в прошлом месяце. Системы с покрытием «нулевого дня» обновляют свои механизмы обнаружения при появлении новых архитектур, сокращая время между выходом нового инструмента в арсенал злоумышленников и моментом, когда ваша система сможет его обнаружить. Для команд безопасности это напрямую определяет, как долго ваш стек защиты от мошенничества остается эффективным после того, как новый ИИ-инструмент становится широко доступным.

8. Как узнать, есть ли в моем стеке защиты от мошенничества уязвимость, связанная с голосовыми дипфейками?

Составьте карту каждого взаимодействия в вашем рабочем процессе, где голосовой сигнал используется в качестве фактора доверия. Это включает аутентификацию через IVR, потоки вызовов с операторами, звонки для подтверждения действий руководителей, видеовстречи, на которых принимаются финансовые или конфиденциальные решения, а также любую верификацию клиентов по телефону. Затем задайте вопрос: включает ли ваш текущий стек анализ аудиопотока в режиме реального времени в любой из этих точек? Если ответ «нет» — или если средства контроля мошенничества применяются только во время первоначальной регистрации — у вас есть незащищенный уровень на этапе транзакции. Определение «живости» голоса устраняет этот пробел и отличается от инструментов проверки «живости» лица, которые используются в вашем процессе онбординга.