Purdue valida Incode Deepsight: la mejor precisión de su clase en la detección de Deepfake

La Universidad de Purdue construyó un punto de referencia de deepfakes del mundo real para poner a prueba de estrés herramientas académicas, gubernamentales y comerciales en un conjunto de datos de contenido de redes sociales.

En ese frente a frente, Incode entregó la tasa de aceptación falsa (FAR) más baja en imágenes (2.56%) y la mejor precisión de video entre las herramientas comerciales (77.27%), con video FAR en 10.53%, un raro equilibrio de tasa de captura y precisión que minimiza los falsos positivos y la fricción operativa.

Purdue también encuentra que los detectores pagados/comerciales generalmente superan a los modelos de acceso libre, lo que subraya la importancia de los sistemas de mantenimiento continuo.

Combine esos resultados con Visión profundalas capas de comportamiento e integridad, y obtienes la detección de deepfake más precisa del mundo. Si bien el benchmark de Purdue se centra en deepfakes generalizados, en la verificación de identidad específicamente, la brecha en el desempeño es mucho mayor.

En pruebas internas para millones de sesiones IDV reales, Deepsight ha demostrado tener una tasa aceptable falsa 68 veces menor que la siguiente mejor solución comercial y es 10x mejor al identificar deepfakes más que revisores humanos expertos.

Lo que probó la Universidad de Purdue y por qué es importante

Tradicional deep fake los conjuntos de datos se construyen en condiciones de laboratorio (caras frontales limpias, iluminación controlada) y no reflejan escenarios del mundo real, que incluyen compresión intensa, resolución sub-720p, posprocesamiento y canalizaciones de generación heterogéneas.

La base de datos de incidentes políticos de Deepfakes (PDID) de Purdue se dirige explícitamente a incidentes reales de plataformas como X/Twitter, YouTube, TikTok e Instagram, incorporando esos artefactos a la evaluación.

Purdue curó 232 imágenes y 173 videos y evaluó detectores de extremo a extremo utilizando una metodología común (ACC, AUC, FAR). Esa mezcla incluye contenido de baja resolución y clips cortos al estilo de las redes sociales, que son notoriamente desafiantes en entornos de producción.

El estudio compara modelos académicos y gubernamentales de caja blanca, herramientas comerciales de caja negra y LVLM, con el objetivo explícito de exponer los límites de los detectores cuando se mueven de conjuntos de datos de laboratorio a contenido político que circula “en la naturaleza”.

Donde se destacó Incode Deepsight

1. Los falsos positivos más bajos en las imágenes
   Incode logró 91.07% de precisión de imagen con el FAR de imagen más bajo, 2.56%, “reflejando un límite de decisión bien calibrado que minimiza los falsos positivos”, un impulsor crítico de las operaciones de baja fricción.
   
   
2. La mejor precisión de video comercial con gran precisión
   En video, Incode publicó 77.27% de precisión y 10.53% FAR, la máxima precisión entre las herramientas comerciales evaluadas en el benchmark.
   
   
3. Equilibrio competitivo en todas las modalidades
   La Tabla 4 de Purdue muestra Incode con la segunda mejor precisión de imagen en el conjunto comercial y una precisión de video líder, lo que indica una de las compensaciones generales más fuertes entre capturar deepfakes y evitar rechazos falsos de contenido genuino.
   
   
4. Industria frente a modelo libre
   Los hallazgos del documento resaltan que los detectores comerciales generalmente superan a sus contrapartes de acceso libre, probablemente debido a las actualizaciones continuas y una exposición más amplia de datos consistente con el performance en el mundo real de Incode.
   
   
5. Resiliencia fuera del dominio
   Purdue señala que Incode es un detector orientado a la cara diseñado para la verificación de identidad, no para la política, y sin embargo sigue liderando este referente político. Ese resultado habla de robustez cuando la distribución de contenido cambia.

De la Detección a la Defensa. Cómo Deepsight combina la protección Deepfake con el cierre de la brecha de inyección

La superficie de ataque para deepfakes es grande. Los atacantes pueden inyectar contenido manipulado a través de cámaras virtuales, dispositivos rooteados/jailbroken o emuladores durante el proceso de verificación. Visión profunda fue construido para asegurar holísticamente el entero ruta desde el dispositivo hasta la decisión:

• Capa de comportamiento
  Marca las señales de riesgo conductual que indican patrones de granja y no humanos o comportamiento del usuario similar a un bot-like típico de la automatización.
  
  

• Capa de Integridad
  Asegura integridad en el momento de la captura, bloqueando dispositivos manipulados y cámaras falsas o virtuales tratando de eludir los sistemas IDV tradicionales.
  
  

• Capa de percepción
  Detecta deepfakes mediante el uso de una IA multimodal grande (video, movimiento y profundidad) que identifica inconsistencias multimodales típicas de las herramientas Gen AI con > 99% de detección digital de deepfake

La arquitectura holística de Deepsight también “estilos” generadores de huellas dactilares (agrupamiento UMAP), fortaleciendo las señales de atribución incluso cuando una falsificación se ve visualmente perfecta.

Como podemos ver por los clústeres codificados por colores, cada herramienta de generación de imágenes sintéticas tiene un perfil UMAP único que la IA de Deepsight puede reconocer.

En otras palabras, significa que incluso si FaceStudio (el cúmulo púrpura en [5,5]) generara repentinamente un deepfake completamente convincente, su clara huella digital indicaría una probabilidad significativa de que la imagen se originó a partir de esta herramienta —y muy probablemente sea una deepfake, independientemente de lo perfecta que se vea en la superficie.

Por qué es importante el emparejamiento de Deepfake Defense con Prevención de Inyecciones

Purdue valida la precisión de Incode en medios políticos reales. Visión profunda envuelve esa precisión en las defensas de la capa de integridad y comportamiento que bloquean la inyección antes de que las deepfakes entren en el flujo de verificación, agregando capas de protección al marcar las señales de riesgo relevantes para deepfake aguas arriba.

Este enfoque holístico de protección contra deepfakes se traduce en un desempeño líder en el mercado en el mundo real. Esto se alinea con los propios hallazgos de Incode: medido en 1,4 millones de sesiones del mundo real en el segundo segundo año de 2025, Deepsight capturó 24,360 adicional sesiones fraudulentas, lo que se traduce en una reducción significativa del fraude que ningún otro sistema o revisión humana podría haber identificado.

Lo que esto significa para los compradores y operadores

1) Menor fricción por menos falsas alarmas
Las FAR gobierna las escaladas, las falsas banderas y el abandono. El FAR de imagen de Incode (2,56%) y el FAR de video medido (10,53%) de Incode se traducen en menos revisiones manuales y viajes de usuario más fluidos a escala.

2) Cobertura donde se mueven los ataques
El PDID captura contenido de redes sociales corto, de baja resolución y muy procesado, las mismas condiciones que aparecen cada vez más en las canalizaciones de fraude. Con un buen desempeño, hay un proxy para la preparación en el mundo real.

3) Mitigación de extremo a extremo, no solo detección
Deepsight detiene las transmisiones de cámaras virtuales, el contenido inyectado y los dispositivos manipulados aguas arriba, mientras que la capacidad de transmisión multicuadro y el MMI capturan artefactos falsos profundos en el flujo descendente. Un sistema, una decisión.

4) Contexto independiente para los responsables de la toma de decisiones
El estudio de Purdue fue diseñado para “probar las esquinas de la caja”, exponiendo donde los detectores de caja blanca y caja negra luchan en la naturaleza, y documenta la necesidad de umbrales cuidadosos y calibración en la práctica. Sus equipos obtienen evidencia transparente de terceros para la selección de proveedores.

5) Construido para la complejidad de la producción
Purdue también muestra que los detectores comerciales generalmente superan a los modelos de acceso libre y que la detección de video político sigue siendo más difícil que las imágenes, que es exactamente la realidad para la que Deepsight fue diseñado para manejar.

El resultado final

• Validación independiente. El benchmark de deepfakes políticos del mundo real de Purdue muestra Incode con el FAR de imagen más bajo (2.56%), la mejor precisión de video comercial (77.27%) y 10.53% video FAR, al tiempo que enfatiza por qué los detectores deben generalizar más allá de los datos de laboratorio.
  
  
• Liderazgo de producto. Deepsight extiende la fuerte detección de deepfake a la prevención holística del fraude mediante la combinación de defensas de Capa de Comportamiento, Integridad y Percepción para ofrecer un rendimiento de detección de deepfake digital > 99% sin pasos adicionales del usuario.
  
  En las sesiones del mundo real centradas en la verificación de identidad, Deepsight tiene una tasa de falsos aceptables 68 veces menor que la siguiente mejor solución comercial.

Si está evaluando defensas de inyección y deepfake para KYC, pagos, contenido multimedia o integridad de la plataforma, Visión profunda empareja la precisión medida con la prevención de pila completa, diseñada para resultados ejecutivos: menores pérdidas por fraude, menor fricción y mayor conversión.

Si desea leer el estudio completo de Purdue University, por favor haga clic aquí.

Incode fue nombrado Líder en el Cuadrante Mágico de Gartner® 2025™ para la Verificación de Identidad. Descargar el informe.