Aviso de transparencia de IA

Aviso de transparencia sobre inteligencia artificial («IA») de los Servicios de verificación de identidad de Entrust
Este Aviso proporciona información transparente sobre el sistema de Inteligencia Artificial que está utilizando, destacando las capacidades, limitaciones, sesgos, prácticas de uso de datos y medidas de seguridad del sistema. Queremos dotarlo de los conocimientos necesarios para entender cómo funciona esta IA, qué puede y qué no puede hacer, y cómo se manejan sus datos. Al ofrecer esta transparencia, le permitimos tomar decisiones fundamentadas sobre sus interacciones con nuestra tecnología de IA.

Al leer este aviso, recuerde que debe comprobar siempre dos veces la información importante facilitada por nuestra IA. Nuestra tecnología está diseñada para ayudar, no para sustituir, al juicio de los expertos. Para las decisiones que puedan tener implicaciones sanitarias, financieras o jurídicas, recomendamos encarecidamente consultar a profesionales debidamente cualificados u obtener asesoramiento jurídico independiente antes de actuar.

El producto IDV (Identity Verification) de Entrust permite a los clientes procesar, verificar e incorporar usuarios de forma remota. Las entradas de este sistema son una foto o video de un documento de identidad y una foto o video del solicitante. El motor de decisión de Entrust utiliza estas entradas para devolver una señal de aceptación o consideración, junto con el contexto apropiado y desgloses detallados sobre cómo se ha producido ese resultado.

El producto IDV está impulsado por cuatro segmentos tecnológicos básicos, cada uno de los cuales se basa en sistemas de IA. Los cuatro segmentos son (1) similitud facial; (2) biometría antifalsificación y detección de vitalidad (imágenes faciales); (3) extracción automatizada de datos de documentos; y (4) tecnología antifraude en documentos de identidad. Estos segmentos cumplen las tareas de extracción de datos, cotejo biométrico, validación de documentos y validación biométrica, todas las cuales requieren un resultado positivo para que se devuelva una señal de aceptación. Aunque el conjunto de múltiples sistemas de IA que sirven a cada uno de estos segmentos tecnológicos forman la aplicación IDV, hay que señalar que la aplicación IDV contiene también una cantidad sustancial de algoritmos no basados en IA. Es la combinación de algoritmos basados en IA/ML con algoritmos no basados en IA, es decir, código informático «tradicional», lo que en conjunto crea el producto de Entrust.

El uso responsable de la IA por parte de Entrust permite un procesamiento de datos más rápido y coherente, lo que se traduce en una experiencia más fluida y segura para los usuarios finales. Nuestros sistemas están diseñados para minimizar la revisión humana de los datos personales siempre que sea posible, lo que ayuda a reducir la exposición innecesaria de la información del usuario final.

La IA se utiliza en toda nuestra cartera de productos de Verificación de Identidad (IDV) para:

• Indicar si una foto o un video de un documento de identidad oficial parece auténtico o puede mostrar signos de manipulación o fraude.
• Clasificar el tipo de documento, por ejemplo, un pasaporte o un permiso de conducir.
• Extraer información relevante de la imagen o el video del documento, como el nombre o la fecha de nacimiento.
• Indicar si los datos biométricos faciales facilitados por un usuario final parecen auténticos y corresponden a la persona que figura en el documento de identidad.

Nuestras soluciones están diseñadas para identificar patrones que puedan indicar autenticidad o posibles fraudes, ayudando a las organizaciones a tomar decisiones fundamentadas sobre confianza y seguridad. Los resultados deben interpretarse como indicadores de riesgo más que como determinaciones definitivas y deben utilizarse junto con otros controles y procedimientos de verificación.

• Foto o video de un documento de identidad oficial
• Foto o video de biometría facial

Todas las aplicaciones utilizan modelos de aprendizaje profundo, con paradigmas específicos en función de la aplicación. Estos modelos suelen preentrenarse y luego se ajustan con nuestros propios conjuntos de datos para optimizar el rendimiento (tanto en precisión como en equidad).

• Modelos de clasificación binaria: La detección del fraude documental y la detección de vitalidad biométrica utilizan modelos de clasificación binaria para evaluar la probabilidad de que la imagen o el video de entrada sean auténticos (en lugar de estar alterados de forma fraudulenta, por ejemplo, ser una deepfake, o manipulados con algún tipo de obstrucción deliberada).
• Modelos de clasificación multiclase: La clasificación de documentos utiliza un modelo de clasificación multiclase para devolver el tipo de documento más probable dada una imagen de documento de entrada.
• Modelos de Visión-Lenguaje (VLM): La extracción de documentos utiliza un modelo de visión-lenguaje (VLM) para la inteligencia documental.
• Modelos de reconocimiento facial: Nuestra aplicación emplea modelos de aprendizaje profundo supervisado para realizar comparaciones faciales entre selfies o videos capturados en directo y una imagen procedente de un documento de identidad emitido por el Gobierno, u otros selfies o videos capturados previamente. El modelo produce una representación numérica («incrustación») de cada imagen facial y mide la similitud entre las incrustaciones para determinar la probabilidad de que ambas imágenes pertenezcan al mismo individuo, lo que se conoce como verificación biométrica basada en la incrustación, 1:1 o 1:N.

Nuestros modelos de IA se optimizan en función del rendimiento (tanto precisión como equidad) mediante un protocolo sistemático de evaluación comparativa. Se entrenan y se ponen a punto, y después se comparan exhaustivamente con conjuntos de datos recogidos de usuarios finales. Utilizamos datos de control de calidad (QC) muestreados de forma uniforme a partir del entorno de producción para obtener estimaciones imparciales de las verdaderas tasas de aceptación y rechazo falsas de un modelo determinado. Además, empleamos un proceso de retroalimentación denominado Human in the Loop (HITL), mediante el cual analistas humanos evalúan los resultados de las tasas para mejorar continuamente el rendimiento del modelo de acuerdo con los principios de IA responsable de Entrust.

Para ayudarlo a comprender cómo tratamos sus datos cuando utiliza el sistema basado en IA de Entrust, tenga en cuenta los siguientes puntos clave:

• Nuestro uso de la IA implica el tratamiento de datos personales del usuario final. Solo tratamos estos datos personales cuando tenemos una base jurídica válida para hacerlo. Para obtener más información sobre el uso que hacemos de los datos personales, consulte el Aviso de privacidad del producto IDV.
• Restringimos el acceso a nuestros modelos de IA y a los datos relacionados solo a aquellas personas que lo necesiten para sus responsabilidades laborales específicas.
• Ciframos los datos en tránsito y en almacenamiento.

Sesgos potencialmente heredados

Como la mayoría de los sistemas de IA entrenados con datos del mundo real, nuestros modelos pueden reflejar sesgos heredados de los conjuntos de datos utilizados para entrenarlos y mejorarlos. La diversidad de los datos de formación varía según los países y los grupos demográficos, lo que puede dar lugar a diferencias de rendimiento para algunas poblaciones o tipos de documentos. Supervisamos activamente estos factores y aplicamos medidas como el reequilibrio de datos, el reentrenamiento y las pruebas de equidad para reducir las diferencias no intencionadas en el desempeño entre los distintos grupos de usuarios.

Entre las fuentes potenciales de sesgo heredado se incluyen:

• Composición de los datos de formación: Los conjuntos de datos disponibles públicamente utilizados en el desarrollo inicial de modelos pueden sobrerrepresentar determinadas regiones, características faciales o condiciones de imagen.
• Calidad de la imagen y diseño del documento: Las variaciones en la calidad de las fotografías, los estándares de impresión, los hologramas o los elementos de seguridad pueden afectar al rendimiento de los distintos tipos de documentos.
• Condiciones de captura: Las diferencias en la iluminación, los dispositivos de cámara o la forma de recoger las imágenes pueden influir en los resultados de los modelos en distintos entornos.

Esfuerzos de mitigación de sesgos

Los sistemas de IA de Entrust se desarrollan y perfeccionan continuamente para minimizar los sesgos involuntarios y promover resultados justos en todos los grupos demográficos y geográficos. Para mitigar el sesgo, aplicamos:

• Técnicas de muestreo equilibrado y adaptativo durante el entrenamiento del modelo para garantizar una representación regional y demográfica diversa.
• Evaluaciones periódicas del rendimiento entre países, continentes y géneros para identificar y abordar las disparidades.
• Ajustes dinámicos del muestreo que aumentan el énfasis de la formación en los grupos infrarrepresentados para mejorar la precisión.
• Ajuste fino en datos específicos del dominio del mundo real (como comparaciones entre selfies y documentos) para reforzar la generalización del modelo en diferentes tipos de imágenes y condiciones.

Estas medidas reducen significativamente las diferencias de rendimiento; sin embargo, ningún modelo de IA está totalmente libre de sesgos. Seguimos comprometidos con la transparencia, la evaluación continua y las mejoras constantes como parte de nuestro proceso de desarrollo responsable de la IA.

Para obtener más información sobre nuestro compromiso con el desarrollo responsable de tecnología innovadora, puede consultar nuestro Informe Sandbox de la ICO.

Nuestra IA puede estar sujeta a ciertas limitaciones:

• Alcance: Nuestra IA está diseñada específicamente para la prevención del fraude.
• Idioma: Nuestra IA admite entradas multilingües basadas en lenguas que utilizan alfabetos latino y árabe.
• Contexto: Nuestra IA evalúa las entradas como fraudulentas o auténticas.
• Alucinaciones: En casos limitados, nuestra IA puede generar resultados incoherentes si la información se extrae de forma imprecisa de un documento fuente.

Entrust presta servicios de verificación de identidad a sus clientes utilizando un modelo Human in the Loop (HITL) y es fundamental para el funcionamiento de nuestros sistemas de IA. A través de este proceso, analistas formados revisan, validan y perfeccionan regularmente los resultados del modelo para mejorar su rendimiento y alineación de acuerdo con los principios de IA responsable de Entrust.

Antes de que los modelos pasen a producción, los expertos evalúan su rendimiento mediante paneles analíticos y pruebas A/B controladas para confirmar que los resultados cumplen nuestras normas de calidad e imparcialidad. Los revisores humanos también supervisan el etiquetado y la verificación de los datos, garantizando que los datos de formación utilizados para mejorar nuestros sistemas sean precisos y representativos. En algunos productos, sigue habiendo especialistas humanos disponibles en tiempo real para evaluar los resultados cuando la IA detecta entradas inusuales o inciertas.

Agradecemos sus comentarios con el fin de mejorar nuestros sistemas de IA. Para proporcionar detalles sobre posibles imprecisiones o compartir su experiencia, envíenos un correo electrónico a [email protected].

Creemos que los clientes deben tener plena visibilidad y control sobre sus datos, ayudándolos a ser transparentes con sus usuarios finales sobre cómo sus datos contribuyen a mejorar nuestros servicios.

Nuestros sistemas de verificación de identidad (IDV) utilizan el aprendizaje automático para aumentar la precisión, detectar anomalías y mejorar el rendimiento general. La participación en estos procesos queda a discreción del cliente. Nuestro IDV funciona con un modelo de exclusión voluntaria. Cuando un cliente opta por no participar, sus comprobaciones quedan excluidas de cualquier actividad de aprendizaje automático, incluida la formación de modelos. Los clientes tienen pleno control sobre si los datos de los usuarios finales pueden utilizarse para ayudar a desarrollar y perfeccionar nuestros servicios, y pueden personalizarlos en cualquier momento mediante la configuración de la cuenta.

Cuando un cliente opta por no participar en el aprendizaje automático, también queda automáticamente excluido de nuestro proceso de control de calidad (QC). Como parte de nuestra práctica habitual, aproximadamente el tres por ciento (3 %) de todos los controles se revisan de manera aleatoria cada mes para validar su exactitud y respaldar las mejoras continuas. Estos datos de control de calidad contribuyen a reforzar la fiabilidad de nuestros modelos, pero la exclusión voluntaria elimina los controles de los clientes de este ciclo de información.

Incluso cuando los clientes deciden no participar en el aprendizaje automático o el control de calidad, nuestros sistemas pueden procesar datos seudonimizados y agregados para fines comerciales legítimos, como análisis, evaluaciones comparativas e informes estadísticos. Los datos agregados de no incluyen ninguna información personal identificable (PII).

Tratamos el monitoreo de sesgos y la evaluación de equidad como un proceso continuo. Nuestros modelos de IA se revisan y actualizan periódicamente para mejorar el rendimiento y resolver problemas. Cuando se identifican disparidades, ajustamos nuestros datos de entrenamiento, la estrategia de muestreo o los parámetros de calibración para mejorar el equilibrio y la precisión.

Estos esfuerzos forman parte de nuestro compromiso más amplio con el desarrollo responsable de la IA, garantizando que nuestra tecnología de verificación siga siendo lo más precisa y transparente posible en todas las poblaciones de usuarios. Actualizamos este aviso anualmente o cuando se producen cambios significativos para asegurarnos de que dispone de la información más actualizada.

Última actualización: 28 de octubre, 2025