Un equipo pequeño y bastante cabezota. Trabajamos en detección de vida y antifraude desde antes de que los deepfakes en vivo aparecieran en los procesos de alta remota. Cada persona que ves aquí responde por una parte concreta del sistema: señal de cámara, coherencia temporal, calibración de umbrales, cumplimiento normativo o respuesta ante incidentes.
No publicamos currículums inflados. Publicamos lo que cada uno hace y con qué se ha topado.
Diseñó el pipeline de detección pasiva que hoy corre en producción. Viene de visión por computador aplicada a control de acceso y conoce bien el problema de los falsos positivos con luz pobre o cámaras de gama baja. Coordina la calibración de umbrales por tipo de operación.
Responsable de los detectores de artefactos en vídeo: desincronización labial, bordes anómalos y respuestas reflejas poco naturales. Ha trabajado en evaluación de modelos bajo condiciones adversas y mantiene el banco de pruebas con intentos de suplantación documentados.
Traduce los requisitos de KYC institucional en reglas auditables. Se encarga de que cada decisión del sistema quede trazada y de que los equipos de riesgo puedan revisar un rechazo sin depender de cajas negras. Antes trabajó en auditoría de procesos de alta digital.
Analiza cómo se ensamblan perfiles falsos a partir de filtraciones parciales y datos generados. Su trabajo se centra en las señales de coherencia que delatan una identidad inventada: antigüedad del historial frente a actividad reciente, patrones de dispositivo y horarios de operación.
Atiende los casos límite cuando el sistema duda y alguien tiene que decidir rápido. Documenta cada incidente, mide cuánto tarda la respuesta y devuelve al equipo de modelos los escenarios reales que aún no están bien cubiertos.
Si necesitas hablar con alguien concreto sobre un caso de validación o un intento de suplantación, escríbenos y te derivamos a la persona adecuada.
Contactar con el equipoLo que los equipos de riesgo y producto preguntan cuando evalúan un motor de liveness para KYC institucional. Sin letra pequeña, sin promesas de precisión absoluta.
La verificación facial compara una selfie con una foto del documento. La detección de vida, en cambio, comprueba que delante de la cámara hay una persona presente y no una reproducción. En un flujo KYC institucional las dos cosas se ejecutan juntas: primero se confirma que hay vida, después se compara la identidad. Si el primer paso falla, el segundo no tiene sentido.
El motor analiza señales que un generador sintético no reproduce bien: micro-movimientos de cabeza, parpadeo con ritmo irregular, coherencia entre audio y labios, y artefactos en los bordes del rostro. También se mide la respuesta del usuario a pruebas activas —girar la cabeza, leer una frase corta— porque un deepfake en tiempo real suele tardar más en reaccionar o reacciona de forma mecánica.
Una identidad sintética combina datos reales filtrados con otros fabricados para construir un cliente que nunca existió. El documento puede ser auténtico y la selfie también: el fraude está en la combinación. Por eso el motor cruza la coherencia temporal del historial, la antigüedad de los datos y el comportamiento en el alta, no solo la validez del papel.
El análisis de vida se resuelve en el rango de milisegundos a pocos segundos, según la calidad de la cámara y la red del usuario. La decisión final depende de la política de riesgo de cada plataforma: algunas aprueban automáticamente, otras derivan a revisión manual cuando la confianza queda en una franja intermedia. El sistema devuelve una puntuación, no un sí o un no cerrado.
Es el punto donde más se trabaja. Una cámara de gama baja o una habitación oscura degradan las señales y pueden rechazar a un cliente legítimo. Por eso el umbral de decisión se calibra por tipo de operación y por contexto: no es lo mismo abrir una cuenta básica que autorizar una transferencia alta. Cuando la confianza no alcanza, el flujo deriva a una prueba adicional en lugar de bloquear.
El diseño por defecto trabaja con plantillas derivadas, no con el video original. La mayoría de las implementaciones institucionales descartan el material bruto tras la decisión y conservan solo la traza de auditoría que exige el regulador. El detalle exacto depende de la configuración de cada plataforma y de la normativa aplicable en su jurisdicción.
El equipo de LivenessGuard no empezó vendiendo detección de deepfakes. Empezó resolviendo un problema puntual: cómo confirmar que la persona al otro lado de la cámara estaba realmente ahí, en ese momento, sin obligarla a repetir el proceso tres veces. Esa pregunta nos llevó a construir un pipeline de validación que hoy usan plataformas financieras para aprobar altas institucionales en menos de un segundo.
Un modelo pequeño, entrenado con grabaciones propias, distinguía entre un rostro real y una foto sostenida frente a la cámara. Funcionaba con luz de oficina y fallaba con luz de calle. Ese primer límite nos marcó el resto del trabajo: la iluminación real nunca se parece a la del laboratorio.
Una plataforma de crédito digital probó el sistema en su flujo de alta remota. Aprendimos a convivir con dispositivos antiguos, conexiones inestables y usuarios que no siguen instrucciones. El umbral de decisión dejó de ser un número fijo y pasó a calibrarse por tipo de operación.
El fraude cambió de forma: ya no se trataba solo de suplantar a alguien, sino de inventar un cliente que nunca existió. Sumamos señales de coherencia temporal y cruzamos datos de actividad reciente contra antigüedad de historial. Los perfiles fabricados empezaron a delatarse solos.
Los ataques con cara generada en tiempo real nos obligaron a combinar pruebas activas y pasivas en la misma sesión. Desincronización labial, artefactos en bordes y respuestas reflejas poco naturales se convirtieron en señales auditables dentro del pipeline de KYC.
El sistema actual decide en fracciones de segundo sin penalizar al cliente legítimo. Cada rechazo queda trazado con las señales que lo motivaron, algo que los equipos de riesgo exigen para auditar el proceso sin frenar la conversión.