KI-Transparenzhinweis

Entrust Identity Verification Services, Transparenzhinweis zu künstlicher Intelligenz ("KI")
Dieser Hinweis stellt Ihnen transparente Informationen zu dem von Ihnen genutzten KI-System zur Verfügung, in dem die Fähigkeiten, Einschränkungen, Verzerrungen, Datennutzungspraktiken und Sicherheitsmaßnahmen des Systems dargelegt werden. Wir möchten Ihnen das nötige Wissen vermitteln, um zu verstehen, wie diese KI funktioniert, was sie kann und was nicht, und wie Ihre Daten behandelt werden. Durch diese Transparenz ermöglichen wir Ihnen, fundierte Entscheidungen über Ihre Interaktionen mit unserer KI-Technologie zu treffen.

Denken Sie beim Lesen dieses Hinweises daran, dass Sie wichtige Informationen, die von unserer KI bereitgestellt werden, immer wieder überprüfen sollten. Unsere Technologie soll dazu dienen, das Urteil von Experten zu unterstützen, nicht dieses ersetzen. Bei Entscheidungen, die gesundheitliche, finanzielle oder rechtliche Auswirkungen haben können, empfehlen wir dringend, entsprechend qualifizierte Fachleute zu konsultieren oder unabhängigen Rechtsbeistand einzuholen, bevor Sie Maßnahmen ergreifen.

Entrust's IDV (Identity Verification)-Produkt ermöglicht Kunden Bearbeitung, Verifizierung und Onboarding von Kunden aus der Ferne. Die Eingaben für dieses System sind ein Foto/Video eines Ausweisdokuments und ein Foto/Video der antragstellenden Person. Der Entscheidungsmechanismus von Entrust gibt auf Grundlage dieser Eingaben ein Signal hinsichtlich Akzeptanz / Überprüfungserfordernissen aus, zusammen mit entsprechendem Kontext und einer detaillierten Aufschlüsselung, wie dieses Ergebnis zustande gekommen ist.

Das IDV-Produkt stützt sich auf vier technologische Kernsegmente, die jeweils auf KI-Systemen beruhen. Die vier Segmente sind (1) Gesichtsähnlichkeit; (2) biometrische Anti-Spoofing und Liveness Detection (Gesichtsbilder); (3) automatische Datenextraktion aus Dokumenten; und (4) Technologie zur Betrugsbekämpfung auf Identitätsdokumenten. Diese Segmente erfüllen die Aufgaben der Datenextraktion, des biometrischen Abgleichs, der Dokumentenvalidierung und der biometrischen Validierung, die alle ein positives Ergebnis erfordern, damit ein Akzeptanzsignal zurückgegeben werden kann. Während die IDV-Anwendung aus mehreren KI-Systemen besteht, die jedes dieser Technologiesegmente bedienen, enthält die IDV-Anwendung auch eine größere Anzahl von nicht KI-basierten Algorithmen. Es ist die Kombination von KI/ML-basierten Algorithmen mit nicht-KI-basierten Algorithmen, d. h. "traditionellem" Computercode, die zusammen das Produkt von Entrust ergeben.

Entrusts verantwortungsvoller Einsatz von KI ermöglicht eine schnellere und konsistentere Datenverarbeitung, was zu einem reibungsloseren und sichereren Erlebnis für die Endnutzer führt. Unsere Systeme sind so konzipiert, dass die menschliche Überprüfung personenbezogener Daten so weit wie möglich minimiert wird, um eine unnötige Offenlegung von Endbenutzerinformationen zu vermeiden.

KI wird in unserem gesamten Produktportfolio zur Identitätsüberprüfung (IDV) eingesetzt:

• Angabe, ob ein Foto oder Video eines amtlichen Ausweises echt erscheint oder Anzeichen von Manipulation und/oder Betrug aufweist
• Klassifizieren der Dokumentenart, z. B. Reisepass oder Führerschein
• Extrahieren relevanter Informationen aus Bild- oder Videodokumenten, wie z. B. Name oder Geburtsdatum
• Angabe, ob die von einem Endnutzer bereitgestellten biometrischen Gesichtsdaten echt zu sein scheinen und der Person entsprechen, die auf dem Ausweisdokument angegeben ist.

Unsere Lösungen sind darauf ausgelegt, Muster zu erkennen, die auf Echtheit oder potenziellen Betrug hindeuten, und helfen Unternehmen, fundierte Entscheidungen in Bezug auf Vertrauen und Sicherheit zu treffen. Die Ergebnisse sind eher als Risikoindikatoren denn als endgültige Feststellungen zu interpretieren und sollten in Verbindung mit anderen Kontrollen und Überprüfungsverfahren verwendet werden.

• Foto/Video eines amtlichen Ausweises
• Foto/Video der biometrischen Gesichtserkennung

Alle Anwendungen verwenden Deep-Learning-Modelle, wobei je nach Anwendung spezifische Paradigmen zum Einsatz kommen. Diese Modelle werden in der Regel vorab trainiert und dann anhand unserer eigenen Datensätze feinabgestimmt, um die Leistung zu optimieren (sowohl Genauigkeit als auch Fairness).

• Binäre Klassifizierungsmodelle: Bei der Erkennung von Dokumentenfälschungen und der Erkennung biometrischer Merkmale werden binäre Klassifizierungsmodelle verwendet, um die Wahrscheinlichkeit zu bewerten, dass das eingegebene Bild/Video echt ist (und nicht in betrügerischer Absicht verändert ist, z. B. Deepfake oder absichtlich manipuliert).
• Mehrklassen-Klassifizierungsmodelle: Bei der Dokumentenklassifizierung wird ein Mehrklassen-Klassifizierungsmodell verwendet, um den wahrscheinlichsten Dokumententyp für ein eingegebenes Dokumentenbild zu ermitteln.
• Vision-Language Models (VLM): Die Dokumentenextraktion verwendet ein Vision-Language-Modell (VLM) für die Dokumentenerkennung.
• Gesichtserkennungsmodelle: Unsere Anwendung nutzt überwachte Deep-Learning-Modelle, um Gesichtsvergleiche zwischen einem live aufgenommenen Selfie oder Video und einem Bild aus einem amtlichen Ausweisdokument oder anderen zuvor aufgenommenen Selfies oder Videos durchzuführen. Das Modell erzeugt eine numerische Darstellung ("Einbettung") jedes Gesichtsbildes und misst die Ähnlichkeit zwischen den Einbettungen, um die Wahrscheinlichkeit zu bestimmen, dass beide Bilder zu derselben Person gehören, was auch als einbettungsbasierte, 1:1- oder 1:N-biometrische Verifizierung bekannt ist.

Unsere KI-Modelle werden mithilfe eines systematischen Benchmarking-Protokolls auf Leistung (sowohl Genauigkeit als auch Fairness) optimiert. Sie werden trainiert und feinabgestimmt und dann gründlich mit Datensätzen verglichen, die aus Endnutzerdaten gesammelt wurden. Wir verwenden Quality Check (QC)-Daten, die gleichmäßig aus der Produktion entnommen werden, um unverzerrte Schätzungen der Wahr-Falsch/Akzeptanz-Ablehnungsraten eines bestimmten Modells zu erhalten. Darüber hinaus setzen wir einen Feedback-Prozess ein, der Human in the Loop (HITL) genannt wird. Dabei bewerten menschliche Analysten die Ergebnisse der Bewertungen, um die Leistung des Modells in Übereinstimmung mit den Grundsätzen der verantwortungsvollen KI von Entrust kontinuierlich zu verbessern.

Damit Sie verstehen, wie wir mit Ihren Daten umgehen, wenn Sie das KI-gestützte System von Entrust nutzen, beachten Sie bitte die folgenden wichtigen Punkte:

• Unser Einsatz von KI umfasst die Verarbeitung personenbezogener Daten der Endnutzer. Wir verarbeiten solche personenbezogenen Daten nur, wenn wir eine gültige Rechtsgrundlage dafür haben. Wenn Sie mehr über die Verwendung personenbezogener Daten erfahren möchten, besuchen Sie die IDV Product Privacy Notice.
• Wir beschränken den Zugang zu unseren KI-Modellen und zugehörigen Daten auf die Personen, die ihn für ihre spezifischen Aufgaben benötigen.
• Wir verschlüsseln die Daten bei der Übertragung und Speicherung.

Potenziell ererbter Bias

Wie die meisten KI-Systeme, die auf realen Daten trainiert werden, können unsere Modelle ererbte Verzerrungen aus den Datensätzen widerspiegeln, die zum Trainieren und Verbessern verwendet werden. Die Vielfalt der Trainingsdaten variiert von Land zu Land und von Bevölkerungsgruppe zu Bevölkerungsgruppe, was zu Unterschieden in der Leistung für einige Bevölkerungsgruppen oder Dokumenttypen führen kann. Wir überwachen diese Faktoren aktiv und wenden Maßnahmen wie Daten-Neugewichtung, Neutraining und Fairness-Tests an, um unbeabsichtigte Leistungsunterschiede zwischen Nutzergruppen zu verringern.

Mögliche Quellen für ererbten Bias sind unter anderem:

• Zusammensetzung der Trainingsdaten: Öffentlich zugängliche Datensätze, die in der frühen Modellentwicklung verwendet werden, können bestimmte Regionen, Gesichtsmerkmale oder Bildgebungsbedingungen überrepräsentieren.
• Bildqualität und Dokumentendesign:Unterschiede in der Fotoqualität, bei Druckstandards, Hologrammen oder Sicherheitsmerkmalen können die Leistung bei verschiedenen Dokumenttypen beeinträchtigen.
• Erfassungsbedingungen: Unterschiede in der Beleuchtung, den Kamerageräten oder der Art der Bilderfassung können die Modellergebnisse in verschiedenen Umgebungen beeinflussen.

Bemühungen zur Abschwächung von Bias

Die KI-Systeme von Entrust werden entwickelt und laufend verfeinert, um unbeabsichtigte Verzerrungen zu minimieren und faire Ergebnisse für alle demografischen und geografischen Gruppen zu erzielen. Zur Abschwächung von Bias wenden wir folgendes an:

• Ausgewogene und adaptive Stichprobenverfahren während des Modelltrainings, um eine vielfältige regionale und demografische Vertretung zu gewährleisten
• Regelmäßige Leistungsbewertungen über Länder, Kontinente und Geschlechter hinweg, um Ungleichheiten zu erkennen und zu beseitigen
• Dynamische Stichprobenanpassungen , die den Schwerpunkt des Trainings auf unterrepräsentierte Gruppen legen, um die Genauigkeit zu verbessern.
• Feinabstimmung an realen, domänenspezifischen Daten (z. B. Vergleiche von Selfies mit Dokumenten), um die Modellgeneralisierung über verschiedene Bildtypen und Bedingungen hinweg zu verbessern

Diese Maßnahmen verringern die Leistungsunterschiede erheblich, aber kein KI-Modell ist völlig frei von Verzerrungen. Wir verpflichten uns weiterhin zu Transparenz, kontinuierlicher Bewertung und laufenden Verbesserungen als Teil unseres verantwortungsvollen KI-Entwicklungsprozesses.

Weitere Informationen über unser Engagement für eine verantwortungsvolle Entwicklung innovativer Technologien finden Sie in unserem ICO Sandbox Report.

Unsere KI kann bestimmten Einschränkungen unterliegen:

• Anwendungsbereich: Unsere KI ist speziell für die Betrugsprävention konzipiert
• Sprache: Unsere KI unterstützt mehrsprachige Eingaben, die auf Sprachen mit lateinischer und arabischer Schrift basieren.
• Kontext: Unsere KI bewertet Eingaben entweder als betrügerisch oder echt
• Halluzinationen: In begrenzten Fällen kann unsere KI inkonsistente Ergebnisse liefern, wenn Informationen ungenau aus einem Quelldokument extrahiert werden.

Entrust bietet Identitätsüberprüfungsdienste für Kunden an, die ein Human-in-the-Loop (HITL)-Modell verwenden, das ein zentraler Bestandteil der Funktionsweise unserer KI-Systeme ist. Im Rahmen dieses Prozesses überprüfen, validieren und verfeinern geschulte Analysten regelmäßig die Modellergebnisse, um deren Leistung und Ausrichtung im Einklang mit den verantwortungsvollen KI-Prinzipien von Entrust zu verbessern.

Bevor die Modelle für die Produktion freigegeben werden, bewerten Experten ihre Leistung mithilfe von Analyse-Dashboards und kontrollierten A/B-Tests, um zu bestätigen, dass die Ergebnisse unseren Standards für Qualität und Fairness entsprechen. Menschliche Prüfer überwachen auch die Datenbeschriftung und -überprüfung, um sicherzustellen, dass die zur Verbesserung unserer Systeme verwendeten Trainingsdaten korrekt und repräsentativ sind. Bei bestimmten Produkten bleiben menschliche Spezialisten in Echtzeit verfügbar, um die Ergebnisse zu bewerten, wenn die KI ungewöhnliche oder unsichere Eingaben feststellt.

Wir freuen uns über Ihr Feedback, damit wir unsere KI-Systeme verbessern können. Wenn Sie Angaben zu möglichen Ungenauigkeiten machen oder Ihre Erfahrungen mitteilen möchten, senden Sie uns eine E-Mail an [email protected].

Wir sind der Meinung, dass Kunden volle Transparenz und Kontrolle über ihre Daten haben sollten, damit sie ihren Endnutzern gegenüber transparent machen können, wie ihre Daten zur Verbesserung unserer Dienste beitragen.

Unsere Systeme zur Identitätsüberprüfung (IDV) nutzen maschinelles Lernen, um die Genauigkeit zu erhöhen, Anomalien zu erkennen und die Gesamtleistung zu verbessern. Die Teilnahme an diesen Verfahren liegt ganz im Ermessen des Kunden. Unsere IDV-Mechanismen funktionieren auf Opt-out-Basis. Entscheidet sich ein Kunde für Opt-out, werden dessen Prüfungen von allen Aktivitäten des maschinellen Lernens, einschließlich Modelltraining, ausgenommen. Die Kunden haben die volle Kontrolle darüber, ob Endnutzerdaten für die Entwicklung und Verbesserung unserer Dienste verwendet werden dürfen, und sie können dies jederzeit über die Kontokonfiguration anpassen.

Kunden, die nicht am maschinellen Lernen teilnehmen möchten, werden auch automatisch von unserem Qualitätskontrollverfahren (QC) ausgeschlossen. Im Rahmen unserer Standardpraxis werden jeden Monat etwa drei (3 %) Prozent aller Kontrollen stichprobenartig überprüft, um die Richtigkeit zu bestätigen und laufende Verbesserungen zu unterstützen. Diese Erkenntnisse aus der Qualitätskontrolle tragen dazu bei, die Zuverlässigkeit unserer Modelle zu verbessern, aber durch das Opt-out werden die Prüfungen der Kunden aus diesem Feedback-Zyklus herausgenommen.

Auch wenn Kunden sich gegen die Teilnahme am maschinellen Lernen oder an der Qualitätskontrolle entscheiden, können unsere Systeme pseudonymisierte und aggregierte Daten für legitime Geschäftszwecke wie Analysen, Benchmarking und statistische Berichte verarbeiten. Die zusammengefassten Daten enthalten keine personenbezogenen Daten (PII) .

Wir betrachten die Bias-Überwachung und der Fairness-Bewertung als kontinuierlichen Prozess. Unsere KI-Modelle werden regelmäßig überprüft und aktualisiert, um die Leistung zu verbessern und Probleme zu lösen. Wenn Unstimmigkeiten festgestellt werden, passen wir unsere Trainingsdaten, die Stichprobenstrategie oder die Kalibrierungsparameter an, um die Ausgewogenheit und Genauigkeit zu verbessern.

Diese Bemühungen sind Teil unseres umfassenden Engagements für eine verantwortungsvolle KI-Entwicklung, die sicherstellt, dass unsere Verifizierungstechnologie für alle Nutzergruppen so genau und transparent wie möglich bleibt. Wir aktualisieren diesen Hinweis jährlich oder bei wesentlichen Änderungen, um sicherzustellen, dass Sie über die aktuellsten Informationen verfügen.

Zuletzt aktualisiert: Oktober 28, 2025