Incode invests in privacy-first architecture and acquires Identiq.

Tecnología de Incode

Laboratorio de IA de Frontier para la Prevención del Fraude

Incode está avanzando en el estado del arte de los modelos de IA que identifican y combaten el fraude. Al aprovechar modelos fundamentales capacitados en conjuntos de datos de fraude globales únicos y con la capacidad de aprender continuamente, Incode no solo detiene el fraude actual, sino que también evoluciona a la velocidad de las amenazas de fraude emergentes de la generación de IA.

Solicitar una demostración

Desafíos

El fraude se está acelerando con el aumento de la IA generativa; Deepfakes, identidades sintéticas y agentes de suplantación automatizada pueden crearse e implementarse a una escala sin precedentes, produciendo ataques adversarios que evolucionan tan rápido como evoluciona la IA generativa.

Solución

Incode desarrolla modelos fundacionales para análisis de identidad, documentos y comportamiento. Estos modelos están capacitados en conjuntos de datos patentados y diseñados para adaptarse en tiempo real a los intentos de fraude adversario, manteniéndose a la vanguardia de la evolución del fraude de IA.

VLM, LLM, Agente

Modelos multimodales y agenticos para la adaptación al fraude en tiempo real

Con el fin de interpretar señales complejas de identidad, documentos y comportamiento, Incode desarrolla Modelos de Lenguaje de Visión, Modelos de Lenguaje Grande y agentes de razonamiento que trabajan en todas las modalidades para evaluar patrones de fraude y apoyar la detección adaptativa a medida que surgen nuevos ataques.

Modelo de Lenguaje de Visión de Identidad (VLM)

Fraude  Modelos de Lenguaje Grande (LLM)

Agentes de Razonamiento para la Inteligencia de Riesgos

Modelo de Lenguaje de Visión de Identidad (VLM)

El VLM de Incode está capacitado en datos de identidad global, documentos, plantillas y muestras sintéticas de fraude en más de 200 regiones. Con un aprendizaje de pocos disparos, se adapta rápidamente a nuevos tipos de ataque y formatos de documentos invisibles. Analiza señales visuales y textuales para detectar manipulaciones, sintéticos, deepfakes, y documentos alterados con alta precisión.

Lo que potencia:

‍

Detección de manipulación y síntesis: Identifica deepfakes, swaps, ediciones y contenido visual sintético.

‍

Inteligencia de documentos: Clasifica los tipos de documentos, realiza OCR y extrae campos estructurados.

‍

Visual: Comprobación de coherencia de texto: Verifica de forma cruzada que las imágenes, el texto y los metadatos se alinean y son auténticos

‍

Desempeño: Precisión superior frente a los clasificadores tradicionales de ML en benchmarks de producción y simulaciones de fraude.

‍

Mejoras clave en el Performance:

‍

67% menos de errores en la detección de identificación falsa
+4,0% de ganancia en la precisión de manipulación de documentos
25% menos de errores en la detección de fraudes de firmas
Ciclos de entrenamiento ~ 80% más rápidos con arquitectura VLM optimizada
0% APCER en un conjunto de datos de vida desafiante

‍

Modelo de Lenguaje Grande (LLM) de fraude

El LLM Fraud de Incode está capacitado en conjuntos de datos de fraude patentados, metadatos de identidad, secuencias de comportamiento, señales de dispositivos y flujos transaccionales. A través del aprendizaje de pocos disparos y transferencia, se adapta rápidamente a las tácticas de fraude emergentes y a los intentos de manipulación contextual. Interpreta patrones complejos de múltiples fuentes en tiempo real para descubrir anomalías e intenciones ocultas.

Lo que potencia:

‍

Detección de anomalías y patrones: Detecta secuencias, comportamientos y tácticas de fraude inusuales.

‍

Extracción de señal de riesgo: Deriva información estructurada a partir de datos desordenados de múltiples fuentes.

‍

Clasificación de intención de fraude: Distingue los errores benignos del usuario de los intentos coordinados de fraude.

‍

Desempeño: Las primeras pruebas internas muestran ganancias significativas con respecto a los clasificadores tradicionales basados en reglas y ML.

Agentes de Razonamiento para la Inteligencia de Riesgos

Los Agentes de Razonamiento están capacitados en cientos de señales y millones de resultados de identidad y fraude etiquetados. Utilizando el aprendizaje por refuerzo y las historias específicas del cliente, refinan los límites de decisión a lo largo del tiempo. Orquestan los resultados de VLM, LLM, telemetría de dispositivos e información sobre el comportamiento en una evaluación de riesgos unificada y contextualizada.

Lo que potencia:

‍

Decisiones de Riesgo Holísticas: Combine señales multimodales para ofrecer resultados contextuales en tiempo real.

‍

Coordinación de Señales y Resolución de Conflictos: Pesar y equilibrar las señales cuando no estén de acuerdo.

‍

Verificación adaptativa: Adapte la lógica de decisión al perfil de riesgo y la tolerancia de cada cliente.

‍

Desempeño: Diseñado para minimizar la intervención humana a la vez que mejora las tasas de error. Los resultados de Early Risk AI Agent muestran una reducción del fraude y mayores tasas de aprobación para los usuarios genuinos.

México:

FAR mejora en ≈ 47.6%
FRR mejora en ≈ 60.3%

‍

ESTADOS UNIDOS:

FAR mejora en ≈ 12.1%
FRR mejora en ≈ 19.1%

‍

Datos de entrenamiento

Datos completos de capacitación

Los modelos multimodales y agentic de Incode se basan en una sólida base de datos que cubre cobertura global, canalizaciones de capacitación estructuradas, exposición temprana a entornos de alto fraude e inteligencia de red en tiempo real. En las siguientes secciones se describe cómo estas capas de datos soportan un performance de modelos de IA preciso, seguro y adaptativo.

Illustration of technology training data.

Acceso a los datos

Amplia cobertura de datos para la mejora del modelo

Incode entrena modelos resilientes con datos de bases de datos gubernamentales, integraciones empresariales y miles de millones de verificaciones globales. Esta escala proporciona la diversidad y profundidad necesarias para entrenar modelos con amplia cobertura regional y resiliencia frente a una amplia gama de tácticas de fraude.

Cobertura global

200+

Países

4,600+

Tipos de documentos

Datos a escala

400M+

Identidades únicas

4,1B+

Comprobaciones de identidad

Cobertura empresarial

700+

Clientes empresariales

20+

Industrias atendidas

Fuente de datos de la verdad

670+

Conexiones a bases de datos de identidad verificadas

15+

Biometría: fuente gubernamental de conexiones de verdad

Infraestructura de Datos de Fraude

Convertir las señales de datos globales en inteligencia de defensa contra el fraude en tiempo real

Sobre la base de esta base global de acceso a datos, Incode utiliza etiquetado estructurado, generación de datos sintéticos y pruebas de estrés continuas para convertir las señales sin procesar en datos de capacitación de alta calidad para modelos de IA resistentes al fraude.

Tuberías de etiquetado

Revisión humana y automatizada en millones de registros.

‍

200+ etiquetadoras humanas que crean datos de capacitación y miden el desempeño de IA para cada cliente.

Datos sintéticos

120+ herramientas sintéticas de generación de datos.

‍

Generación de documentos manipulados, ataques de presentación y deepfakes para entrenar modelos sobre amenazas raras.

Laboratorio de Fraude

Entorno de equipo rojo para simular y reproducir  mundo real escenarios de ataque.

‍

Continuo pruebas de estrés de modelos para fortalecer las defensas contra nuevas tácticas de fraude.

Acceso a los mejores datos de capacitación para la prevención del fraude

Modelos entrenados con
datos de regiones con alto nivel de fraude

Empezamos en América Latina, una de las regiones con mayor fraude del mundo, cubriendo el 66% de la población adulta. Esta exposición temprana al fraude complejo y a gran escala endureció nuestros modelos desde el principio.

Sobre esta base, Incode ahora atiende a más de 700 empresas en todo el mundo, incluyendo 8 de los 10 principales bancos de América del Norte y llegando a cerca del 65% de los adultos estadounidenses. Los mismos modelos que se han endurecido en los mercados con alto nivel de fraude ahora se implementan a nivel mundial, dando soporte a clientes de todas las industrias y regiones.

Debido a que las nuevas técnicas de fraude a menudo aparecen primero en LATAM, nuestra fuerte presencia allí nos brinda una ventaja de alerta temprana, ayudando a los modelos a adaptarse más rápido y ofrecer una mayor prevención del fraude antes de que las amenazas se propaguen a otras regiones.

A world map showing relative scales of fraud in Mexico and Brazil compared to "learning", with Brazil's fraud depicted as 12x larger than the US and Mexico's as 4x larger.

Detección de fraude entre organizaciones

Gráfico de confianza

Trust Graph de Incode es una tecnología que preserva la privacidad que conecta, de otro modo, cientos de millones de silos de datos separados entre gobiernos y empresas. Al vincular estas señales de manera segura, descubre patrones ocultos, ayudando a identificar a los estafadores en serie y el crimen organizado que de otro modo pasarían desapercibidos. 

‍

Este efecto de red no solo mejora la detección de fraudes en tiempo real sino que también aumenta la densidad y diversidad de los datos de entrenamiento, haciendo que los modelos de Incode sean más fuertes y más adaptables a lo largo del tiempo.

Base de datos de caras vectoriales de Incode

Esta tecnología interna impulsa Trust Graph al permitir la búsqueda instantánea en cientos de millones de integraciones de identidad generadas por nuestros modelos de reconocimiento. Optimizado para la velocidad, ofrece tiempos de respuesta de sub-20 ms con recuperación completa mientras mantiene la confiabilidad distribuida y el performance en memoria.

Desempeño
Búsqueda de milisegundos a escala masiva.

‍

Confiabilidad
Distribuido con resiliencia y replicación a nivel de zona.

‍

Flexibilidad
Estructuras de índices personalizables, factores de replicación,  y funciones de comparación.

‍

Seguridad
Cifrado, controles de retención y auditabilidad completa.

Junto con Trust Graph, forma una red de identidad que preserva la privacidad que detecta el fraude en los ecosistemas y devuelve señales de identidad diversas y de alta calidad a los modelos de IA de Incode.

Más información sobre Trust Graph

Densidad de identidad

Cómo Incode mide la confianza en la identidad

La densidad de identidad expresa la confianza con la que se puede confirmar la identidad de un usuario. Incode lo mide combinando registros deterministas con señales probabilísticas de IA, impulsadas por nuestra base de datos global, modelos multimodales e inteligencia de Trust Graph.

Densidad de identidad rica mediante mapeo determinista y probabilístico

Verificación de identidad en capas

Densidad de identidad mide la confianza para confirmar la verdadera identidad de alguien.

‍Mapeo determinista ancla identidades con hechos duros y verificados como fuentes biométricas del gobierno o verificaciones previas verificadas.  Mapeo probabilístico utiliza modelos de ML basados en IA que analizan patrones a través de la cara, el documento, el dispositivo y el comportamiento para ampliar la cobertura y detectar anomalías cuando los registros directos son limitados.

Modelos entrenados con
datos de regiones con alto nivel de fraude

Red de Incode  Más de 400 M+ identidades confirmadas por Incode (por ejemplo, 65% de los adultos de EE. UU.).

‍Biometría SOTs
‍Más de 15 conexiones a fuentes de verdad del gobierno biométrico.

Fuentes probabilísticas

Modelos multimodales y agenticos  Los VLM, LLMs y Agentes Inteligentes amplían la cobertura a nuevas identidades fuera de las fuentes deterministas.

Juntas, las fuentes deterministas y probabilísticas ayudan a Incode a crear una cobertura de identidad más densa al agregar más puntos de datos, más señales y mayor certeza al verificar una identidad.

Dark abstract background made of rectangular panels with subtle blue light.

Modelos de Deep Learning

Inteligencia facial

Vida

Defensa Deepfake

Aseguramiento de la edad

Inteligencia Documental

Fraude y Defensa de Riesgos

Inteligencia de dispositivos y comportamiento

Inteligencia facial y modelos principales

Percepción facial de extremo a extremo que detecta rostros, crea sólidas embeciones y hace coincidir identidades a escala a través de un motor vectorial, mejorando continuamente a través de la calibración y la minería de casos duros. 

‍

Validación de terceros 

‍

Tecnología Nist #1 clasificada para reconocimiento facial
1:1: Certificación NIST
1: N Certificado NIST
Certificación FIDO Face
DHS RIVTD: Incode fue uno de los únicos 3 proveedores en cumplir con todos los benchmarks clave (FTXR < 1%, FNMR < 1%, FMR por debajo de 1:10,000).

Detector facial genérico

‍

Detecta y localiza rostros en selfies e imágenes de documentos, sirviendo como base para tareas descendentes como reconocimiento, vida y validación de documentos. El modelo está entrenado para manejar diversas condiciones de imagen, incluyendo rotación, oclusiones y distractores no humanos. Evaluado en conjuntos de datos que cubren selfies, ID, muestras rotadas, negativos e entradas no humanas.

Reconocimiento facial 1:1

‍

Realiza una verificación biométrica uno a uno comparando las incrusiones faciales de una selfie en vivo con las embedas extraídas de un retrato de documento gubernamental o de una imagen de una persona identificada en el sistema Incode. El modelo está optimizado para minimizar tanto las falsas aceptaciones como los falsos rechazos bajo umbrales estrictos. Evaluado en un conjunto de datos de más de 5.8 millones de pares de documentos selfie

Reconocimiento facial 1:N

‍

Realiza una búsqueda biométrica de uno a muchos incrustando una selfie en vivo en un espacio de características de alta dimensión y comparándola con una galería de identidades inscritas. El modelo está diseñado para la escalabilidad y la eficiencia, soportando grandes bases de datos mientras mantiene estrictos umbrales de precisión. Minimiza las falsas acepciones y los falsos rechazos mediante la indexación optimizada y la puntuación de similitud.

FaceDB (motor de coincidencia de vectores)

‍

Una base de datos vectorial de alto performance para la coincidencia de identidades. Permite una rápida autenticación 1:1 e identificación 1:N con respuestas sub-20 ms en cientos de millones de vectores. Construido en C ++ con indexación HNSW, FaceDB ofrece confiabilidad distribuida, opciones de índice flexibles y performance en memoria con escalado manual.

Conoce más sobre cómo Incode entrena sus modelos de reconocimiento facial

La vida y los modelos principales

Defensas multimodales que distinguen a los usuarios reales y los documentos físicos de los ataques de presentación y deepfakes utilizando señales espaciales, temporales y conscientes del dispositivo con entrenamiento duro y negativo continuo. 

‍

Validación de terceros 

‍

1stTecnología Pasisive Liveness para ser certificada en el mercado
iBeta ISO/IEC 30107‑3 Confirmación de nivel 2 de detección de ataques (PAD) de presentación para la vida pasiva.

Vida de la cara

‍

Viveness Face: Detecta si una selfie proviene de un ser humano vivo en lugar de un ataque de presentación (foto, reproducción de pantalla, máscara o deepfake). La vivencia pasiva predeterminada de Incode se ha evaluado en un conjunto de datos de más de 150.000 intentos de falsificación, que abarca repeticiones, copias en papel, máscaras 2D y máscaras 3D.

Vida del documento

‍

Protege contra ataques de presentación de documentos de identidad, como una copia impresa o una reproducción de pantalla. Utiliza análisis pasivos basados en imágenes durante la captura para detectar artefactos reveladores de reimpresiones y pantallas mientras mantiene la experiencia del usuario baja fricción. Evaluado en diversos documentos globales y escenarios de ataque, ofrece velocidad y precisión mucho más allá de las capacidades humanas.

Más información sobre la tecnología de detección de vida de Incode

Deepfake Defense y Modelos Core

Deepfake y Gen‑AI Defense: modelos multimodales que detectan y bloquean fraudes generados por IA, deepfakes, intercambios faciales, inyecciones de documentos e identidades sintéticas. 

‍

Validación de terceros 

‍

#2 en el ICCV 2025 DeepID Challenge, un benchmark enfocado en detectar documentos de identidad generados por Gen-AI.
Clasificado #1 en detección de ataques deepfake por Hochschule Darmstadt, superando a proveedores comerciales y laboratorios de investigación

Deepfakes

‍

Detecta si una selfie se ha generado, alterado o inyectado sintéticamente (por ejemplo, morfas faciales, swaps o deepfakes generados por IA). Evaluado en un conjunto de datos de más de 40.000 intentos de falsificación digital

Documentos Gen-AI

‍

Protege contra imágenes falsas de documentos de identidad generadas con IA o producidas a partir de plantillas listas para usar que se venden en mercados de documentos falsos.

Más información sobre la tecnología de detección de vida de Incode

Garantía de edad y modelos principales

Estimación de edad lista para políticas que proporciona predicciones calibradas con límites de incertidumbre y restricciones de imparcialidad, encaminando casos de borde a la verificación secundaria. 

‍

Validación de terceros 

‍

NIST: Cada modelo se clasificó entre los 3 primeros del mercado para el MAE promedio más bajo en todas las edades
NIST: Tiempo de respuesta más rápido entre los proveedores de verificación de edad para la estimación de edad
Acreditación ACCS bajo PAS 1296 (sistema de certificación de verificación de edad, acreditado por UKAS)

Estimación de edad

‍

Estima la edad de un usuario a partir de una selfie para apoyar el cumplimiento basado en la edad con baja fricción. Diseñado y monitoreado para la equidad demográfica, con desempeño validado en evaluaciones externas y análisis de sesgo interno, entrenado en datos de más de 200,000 imágenes.

Ver validación de terceros sobre la tecnología de Estimación y Verificación de Edad de Incode

Inteligencia Documental y Modelos Básicos

Comprensión de documentos que clasifica el tipo, extrae y valida OCR, MRZ y códigos de barras, y detecta la manipulación, fusionando señales en una puntuación de autenticidad del documento que se adapta al aprendizaje activo. 

Clasificación de tipo de documento

‍

Identifica el tipo de documento de identidad y la autoridad emisora mediante el análisis de diseños visuales y señales de texto. Propone candidatos probables a partir de características visuales, luego refina usando señales de texto para distinguir plantillas parecidas. Da salida al tipo final y emisor con confianza, y puede devolver una lista clasificada de los mejores candidatos. Evaluado en un gran conjunto de datos de documentos de identidad globales.

Alteración y templado de documentos

‍

Protege contra documentos de identidad manipulados: detectar intercambios de retratos, campos de texto alterados o cubiertos y manipulaciones digitales realizadas con herramientas de edición de fotos.

Legibilidad del texto del documento

‍

Evalúa si los campos de texto de un documento son legibles para la extracción automatizada de datos. Mediante una imagen de documento recortada y una máscara de zona de texto, el modelo clasifica cada muestra como ilegible, sin campos de texto de interés o legible. Las señales incluyen contraste de región de texto, señales de estructura a nivel de carácter y sensibilidad de artefactos ajustada para la preparación para OCR.

Recorte de documentos (Web + Móvil)

‍

Detecta y recorta documentos de identidad de los marcos de las cámaras en tiempo real en dispositivos móviles y web, devolviendo una región de documentos estandarizada y corregida en perspectiva. Soporta múltiples orientaciones, oclusiones parciales y fondos variados; produce un cultivo ajustado y consistente para el procesamiento posterior.

Validación de código de barras

‍

Asegura que los datos de código de barras extraídos de los documentos de identidad sean correctos, completos y cumplan con las normas antes de su uso en sentido descendente.

Fraude y Defensa de Riesgos

Una capa de orquestación en tiempo real que combina los resultados del modelo con inteligencia de redes de fraude y agentes de riesgo de IA para puntuar y enrutar las decisiones de riesgo, optimizando los umbrales a través de retroalimentación continua y evaluación contrafactual.

Agente de IA de riesgo

‍

Un sistema de detección de fraude de alto performance que fusiona más de 250 señales a través de telemetría facial, documental, de vida y de comportamiento en una única probabilidad de fraude, lo que brinda precisión de nivel empresarial con capacidad de interpretabilidad incorporada, adaptabilidad y automejora.

Gráfico de confianza

‍

Una defensa de inteligencia de fraude entre ecosistemas que revela fraude repetido y coordinado. Vincula entidades como rostros, huellas digitales de dispositivos, sesiones e identificadores de documentos, detecta la reutilización y las relaciones riesgosas en tiempo real, y muestra patrones que impulsan decisiones de escalamiento o bloqueo.

Evasión Fraude

‍

Un modelo diseñado para bloquear intentos avanzados de fraude que tratan de eludir la viveza y los sistemas de reconocimiento facial. Se dirige a comportamientos adversarios como expresiones extremas, máscaras parciales o medias, oclusiones y otros intentos de manipular la captura en el dispositivo.

Inteligencia de dispositivos y comportamiento

Analiza los entornos de dispositivos y las señales de interacción del usuario para fortalecer las defensas contra el fraude. Bloquea entornos inyectados o emulados, señala patrones de interacción anormales y utiliza la inteligencia de dispositivos y entre sesiones para vincular entidades relacionadas.

Modelo de comportamiento

‍

Se centra en los patrones de interacción dentro de los módulos soportados para evaluar la autenticidad. Los ejemplos incluyen patrones de gestos y anomalías de flujo. Ayuda a destacar la actividad de secuencias de comandos o reproducidas y el uso inusual indicativo de automatización o fraude

Modelo de señal de dispositivo

‍

Evalúa la integridad del dispositivo y el entorno de captura. Las entradas incluyen características de hardware y SO, atributos de navegador y aplicación, indicadores de IP y red, indicadores de emulador y cámara virtual, y otras señales a nivel de sensor. Detecta entornos comprometidos, emulados o sospechosos para evitar el acceso no autorizado y el fraude.

IA responsable

Gobernanza

Marco de gobierno integral que cubre prácticas de datos, seguridad, desarrollo de modelos, imparcialidad y cumplimiento de normas para garantizar una IA responsable

Solicitar documentación completa

Datos
Prácticas

Datos cifrados, minimizados y limitados a propósito con opciones regionales de cumplimiento de normas.

Acceso y 
Seguridad

Controles basados en roles, SDLC seguro, administración de claves de HSM y registro de auditoría completo.

Conjunto de datos
Calidad

Conjuntos de datos seleccionados y equilibrados con seudonimización y control de calidad continuo.

Desarrollo de modelos

Tuberías reproducibles, capacitación versionada y ajuste basado en el performance.

Equidad y 
Sesgo

Pruebas de sesgo en todos los datos demográficos con corrección y monitoreo continuo.

Controles de implementación

Implementaciones por etapas, comprobaciones canarias, interruptores de desconexión e implementaciones seguras de microservicios.

Monitoreo y retroalimentación

Paneles de control en tiempo real, detección de deriva y alertas de producción centradas en fraudes.

Retención y eliminación

Retención configurable, eliminación verificada y políticas alineadas con GDPR/CCPA.

Incidente y continuidad

Monitoreo 24/7, preparación para DR y respuesta rápida a vectores de fraude emergentes.

Cumplimiento de normas y Transparencia

Con certificación SOC2/ISO, compatible con GDPR/CCPA/LGPD, con un Centro de Confianza público.

Recursos sobre KYC

Recursos más recientes sobre prevención del fraude

2 min

Incode Welcomes Massimiliano Errigo as Regional Vice President for Europe, Middle East, and UKI

Incode welcomes Massimiliano Errigo as RVP for Europe, Middle East, and UKI, bringing enterprise sales leadership to a fast-growing identity verification market.

Image with text that reads Incode Expands its Privacy Architecture

4 min

Incode Transforms the Privacy Landscape With Strategic Investment and Identiq Acquisition

Incode commits to privacy-preserving identity verification in 2026, combining AI-first IDV, on-device processing, and Identiq's fraud network.

4 min

How AI-First Identity Verification Enables Privacy at Scale

Learn how Incode's AI-first identity verification minimizes human access to biometric data by design, without sacrificing accuracy or speed.

Ponte en contacto

Elimine el fraude e impulse el crecimiento en una sola plataforma

Orqueste la verificación de identidad, el cumplimiento de normas y la prevención del fraude en una plataforma diseñada para crecer con su negocio.

Solicitar una demostración

Contáctanos

Incode Technology

Frequently Asked Questions

Incode operates a proprietary frontier AI lab developing custom models for facial recognition, liveness detection, document analysis, and deepfake detection — rather than relying on third-party AI components.

Liveness detection technology confirms that a biometric scan captures a real, physically present person — not a spoof. Methods include passive liveness (analyzing video frames for biological signals) and active liveness (asking users to perform specific actions).

Incode's frontier AI models are trained on a proprietary dataset of 4.1B+ identity events, producing consistent top-of-benchmark performance. Off-the-shelf APIs use generalized models not optimized for fraud detection at scale.

OCR (Optical Character Recognition) extracts structured data from identity documents — name, date of birth, document number, expiry — with AI post-processing validating field formats, cross-referencing extracted data, and flagging inconsistencies.

Incode's facial recognition models are trained on globally diverse datasets and tested against NIST FRTE benchmarks that specifically evaluate demographic fairness — achieving consistent accuracy across all tested demographic groups.

Laboratorio de IA de Frontier para la Prevención del Fraude

Modelos multimodales y agenticos para la adaptación al fraude en tiempo real

Modelo de Lenguaje de Visión de Identidad (VLM)

Modelo de Lenguaje Grande (LLM) de fraude

Agentes de Razonamiento para la Inteligencia de Riesgos

Datos completos de capacitación

Amplia cobertura de datos para la mejora del modelo

Cobertura global

200+

4,600+

Datos a escala

400M+

4,1B+

Cobertura empresarial

700+

20+

Fuente de datos de la verdad

670+

15+

Convertir las señales de datos globales en inteligencia de defensa contra el fraude en tiempo real

Acceso a los mejores datos de capacitación para la prevención del fraude

Gráfico de confianza

Cómo Incode mide la confianza en la identidad

Densidad de identidad rica mediante mapeo determinista y probabilístico

Modelos entrenados con datos de regiones con alto nivel de fraude

Fuentes probabilísticas

Modelos de Deep Learning

Inteligencia facial y modelos principales

Validación de terceros

Detector facial genérico

Reconocimiento facial 1:1

Reconocimiento facial 1:N

FaceDB (motor de coincidencia de vectores)

La vida y los modelos principales

Validación de terceros

Vida de la cara

Vida del documento

Deepfake Defense y Modelos Core

Validación de terceros

Deepfakes

Documentos Gen-AI

Garantía de edad y modelos principales

Validación de terceros

Estimación de edad

Inteligencia Documental y Modelos Básicos

Clasificación de tipo de documento

Alteración y templado de documentos

Legibilidad del texto del documento

Recorte de documentos (Web + Móvil)

Validación de código de barras

Fraude y Defensa de Riesgos

Agente de IA de riesgo

Gráfico de confianza

Evasión Fraude

Inteligencia de dispositivos y comportamiento

Modelo de comportamiento

Modelo de señal de dispositivo

Gobernanza

Recursos más recientes sobre prevención del fraude

Elimine el fraude e impulse el crecimiento en una sola plataforma

Contáctanos

Frequently Asked Questions

What AI technology does Incode use for identity verification?

What is liveness detection technology?

How does Incode's AI compare to off-the-shelf identity verification APIs?

What is the role of OCR in document verification technology?

How does Incode ensure accuracy across different ethnicities and skin tones?

Suscríbase a nuestro boletín

Modelos entrenados con
datos de regiones con alto nivel de fraude

Validación de terceros 

Validación de terceros 

Validación de terceros 

Validación de terceros 