Aviso de transparência sobre IA

Aviso de transparência sobre Inteligência Artificial (“IA”) dos serviços de verificação de identidade da Entrust
Este Aviso fornece informações transparentes sobre o sistema de IA que você está usando, descrevendo as capacidades, limitações, vieses, práticas de uso de dados e medidas de segurança do sistema. Queremos capacitar você com o conhecimento necessário para entender como essa IA funciona, o que ela pode e não pode fazer e como seus dados são tratados. Ao proporcionar essa transparência, permitimos que você tome decisões informadas sobre suas interações com nossa tecnologia de IA.

Ao ler este aviso, lembre-se de sempre verificar novamente as informações importantes fornecidas pela nossa IA. Nossa tecnologia foi projetada para auxiliar, e não para substituir, o julgamento de especialistas. Para decisões que possam ter implicações de saúde, financeiras ou legais, recomendamos enfaticamente consultar profissionais devidamente qualificados ou obter aconselhamento jurídico independente antes de tomar qualquer medida.

O produto de IDV (Verificação de identidade) da Entrust permite que os clientes processem, verifiquem e integrem usuários remotamente. Os dados de entrada para este sistema são uma foto/vídeo de um documento de identidade e uma foto/vídeo do requerente. O mecanismo de decisão da Entrust usa essas informações para retornar um sinal de aceitação/consideração, juntamente com o contexto apropriado e análises detalhadas de como esse resultado foi obtido.

O produto de IDV é impulsionado por quatro segmentos tecnológicos principais, cada um dos quais depende de sistemas de IA. Os quatro segmentos são (1) similaridade facial; (2) anti-falsificação biométrica e detecção de vivacidade (imagens faciais); (3) extração automatizada de dados de documentos; e (4) tecnologia antifraude em documentos de identidade. Esses segmentos executam as tarefas de extração de dados, correspondência biométrica, validação de documentos e validação biométrica, todas exigindo um resultado positivo para que um sinal de aceitação seja retornado. Embora o conjunto de múltiplos sistemas de IA que atendem a cada um desses segmentos tecnológicos forme o aplicativo de IDV, é importante observar que o aplicativo de IDV também contém uma quantidade substancial de algoritmos não baseados em IA. É a combinação de algoritmos baseados em IA/ML com algoritmos não baseados em IA, ou seja, código de computador “tradicional”, que juntos criam o produto da Entrust.

O uso responsável de IA pela Entrust permite um processamento de dados mais rápido e consistente, resultando em uma experiência mais fluida e segura para os usuários finais. Nossos sistemas são projetados para minimizar, sempre que possível, a revisão humana de dados pessoais, ajudando a reduzir a exposição desnecessária de informações do usuário final.

A IA é utilizada em todo o nosso portfólio de produtos de Verificação de identidade (IDV) para:

• Indicar se uma foto ou vídeo de um documento de identidade emitido pelo governo parece genuíno ou pode apresentar sinais de manipulação e/ou fraude.
• Classificar o tipo de documento, por exemplo, passaporte ou carteira de motorista.
• Extrair informações relevantes da imagem ou vídeo do documento, como nome ou data de nascimento.
• Indicar se os dados biométricos faciais fornecidos pelo usuário final parecem genuínos e correspondem à pessoa apresentada no documento de identidade.

Nossas soluções são projetadas para identificar padrões que podem indicar autenticidade ou potencial fraude, ajudando as organizações a tomar decisões informadas sobre confiança e segurança. Os resultados devem ser interpretados como indicadores de risco, e não como determinações definitivas, e devem ser utilizados em conjunto com outros controles e procedimentos de verificação.

• Foto/vídeo de um documento de identidade emitido pelo governo.
• Foto/vídeo de biometria facial

Todas as aplicações utilizam modelos de aprendizagem profunda, com paradigmas específicos dependendo da aplicação. Normalmente, esses modelos são pré-treinados e, em seguida, ajustados com nossos próprios conjuntos de dados para otimizar o desempenho (tanto em termos de precisão quanto de imparcialidade).

• Modelos de classificação binária: A detecção de fraude em documentos e a detecção de vivacidade biométrica utilizam modelos de classificação binária para avaliar a probabilidade de a imagem/vídeo de entrada ser genuína (em oposição a ter sido alterada de forma fraudulenta, como por exemplo, sendo uma deepfake, ou adulterada com algum tipo de obstrução deliberada).
• Modelos de classificação multiclasse: A classificação de documentos utiliza um modelo de classificação multiclasse para retornar o tipo de documento mais provável, dada uma imagem de documento de entrada.
• Modelos de visão-linguagem (VLM): A extração de documentos utiliza um modelo de visão-linguagem (VLM) para inteligência documental.
• Modelos de reconhecimento facial: Nosso aplicativo utiliza modelos de aprendizado profundo supervisionado para realizar comparações faciais entre selfies ou vídeos capturados ao vivo e uma imagem proveniente de um documento de identidade emitido pelo governo, ou outras selfies ou vídeos capturados anteriormente. O modelo produz uma representação numérica ("embedding") de cada imagem facial e mede a similaridade entre os embeddings para determinar a probabilidade de ambas as imagens pertencerem ao mesmo indivíduo, também conhecida como verificação biométrica baseada em embedding, 1:1 ou 1:N.

Nossos modelos de IA são otimizados para desempenho (tanto precisão quanto imparcialidade) usando um protocolo sistemático de avaliação comparativa. Eles são treinados e ajustados, e então rigorosamente comparados com conjuntos de dados coletados de usuários finais. Usamos dados de Verificação de qualidade (QC) amostrados uniformemente da produção para obter estimativas não enviesadas das taxas verdadeiras de aceitação/rejeição falsa de um determinado modelo. Além disso, empregamos um processo de feedback chamado Human in the Loop (HITL), no qual analistas humanos avaliam as taxas de saída para melhorar continuamente o desempenho do modelo de acordo com os princípios de IA responsável da Entrust.

Para ajudar você a entender como lidamos com seus dados quando você usa o sistema de IA da Entrust, considere os seguintes pontos principais:

• Nossa utilização de IA envolve o processamento de dados pessoais do usuário final. Processamos esses dados pessoais apenas quando temos uma base legal válida para fazê-lo. Para saber mais sobre como usamos seus dados pessoais, visite o Aviso de privacidade do produto de IDV.
• Restringimos o acesso aos nossos modelos de IA e aos dados relacionados apenas às pessoas que precisam deles para desempenhar suas funções específicas.
• Criptografamos os dados em trânsito e durante o armazenamento.

Possíveis vieses herdados

Assim como a maioria dos sistemas de IA treinados com dados do mundo real, nossos modelos podem refletir vieses herdados dos conjuntos de dados usados para treiná-los e aprimorá-los. A diversidade dos dados de treinamento varia entre países e grupos demográficos, o que pode levar a diferenças de desempenho para algumas populações ou tipos de documentos. Monitoramos ativamente esses fatores e aplicamos medidas como rebalanceamento de dados, retreinamento e testes de imparcialidade para reduzir diferenças não intencionais de desempenho entre os grupos de usuários.

Possíveis fontes de viés hereditário incluem:

• Composição dos dados de treinamento: Os conjuntos de dados disponíveis publicamente e utilizados no desenvolvimento inicial de modelos podem sobrerrepresentar certas regiões, características faciais ou condições de imagem.
• Qualidade de imagem e design de documentos: Variações na qualidade da foto, nos padrões de impressão, nos hologramas ou nos recursos de segurança podem afetar o desempenho em diferentes tipos de documentos.
• Condições de captura: Diferenças na iluminação, nos dispositivos de câmera ou na forma como as imagens são coletadas podem influenciar os resultados do modelo em diferentes ambientes.

Esforços para mitigar vieses

Os sistemas de IA da Entrust são desenvolvidos e continuamente aprimorados para minimizar vieses não intencionais e promover resultados justos entre grupos demográficos e geográficos. Para mitigar o viés, aplicamos:

• Técnicas de amostragem balanceadas e adaptativas durante o treinamento do modelo para garantir uma representação regional e demográfica diversificada.
• Avaliações regulares de desempenho entre países, continentes e gêneros para identificar e abordar disparidades.
• Ajustes dinâmicos de amostragem que aumentam a ênfase do treinamento em grupos sub-representados para melhorar a precisão.
• Ajuste fino em dados específicos do domínio do mundo real (como comparações de selfies com documentos) para fortalecer a generalização do modelo em diferentes tipos e condições de imagem.

Essas medidas reduzem significativamente as diferenças de desempenho; no entanto, nenhum modelo de IA está completamente livre de viés. Mantemos o nosso compromisso com a transparência, a avaliação contínua e as melhorias constantes como parte do nosso processo responsável de desenvolvimento de IA.

Para obter mais informações sobre nosso compromisso com o desenvolvimento de tecnologia inovadora de forma responsável, você pode consultar nosso Relatório Sandbox do ICO.

Nossa IA pode estar sujeita a certas limitações:

• Escopo: Nossa IA foi projetada especificamente para a prevenção de fraudes.
• Idioma: Nossa IA suporta entradas multilíngues com base em idiomas que usam os alfabetos latino e árabe.
• Contexto: Nossa IA avalia as informações inseridas como fraudulentas ou genuínas.
• Alucinações: Em casos específicos, nossa IA pode gerar resultados inconsistentes se as informações forem extraídas incorretamente de um documento de origem.

A Entrust fornece serviços de verificação de identidade para clientes utilizando um modelo Human in the Loop (HITL) e é fundamental para o funcionamento de nossos sistemas de IA. Por meio desse processo, analistas treinados revisam, validam e refinam regularmente os resultados do modelo para melhorar seu desempenho e alinhamento, de acordo com os princípios de IA responsável da Entrust.

Antes de os modelos serem lançados em produção, especialistas avaliam seu desempenho usando painéis analíticos e testes A/B controlados para confirmar se os resultados atendem aos nossos padrões de qualidade e imparcialidade. Revisores humanos também supervisionam a rotulagem e verificação dos dados, garantindo que os dados de treinamento usados para aprimorar nossos sistemas sejam precisos e representativos. Em determinados produtos, especialistas humanos permanecem disponíveis em tempo real para avaliar os resultados quando a IA detecta entradas incomuns ou incertas.

Agradecemos seu feedback, pois ele nos ajuda a aprimorar nossos sistemas de IA. Para fornecer detalhes sobre possíveis imprecisões ou para compartilhar sua experiência, envie um e-mail para [email protected].

Acreditamos que os clientes devem ter total visibilidade e controle sobre seus dados, o que os ajuda a manter a transparência com seus usuários finais sobre como seus dados contribuem para aprimorar nossos serviços.

Nossos sistemas de verificação de identidade (IDV) utilizam aprendizado de máquina para aumentar a precisão, detectar anomalias e melhorar o desempenho geral. A participação nesses processos fica inteiramente a critério do cliente. Nosso IDV opera com base no cancelamento da inscrição. Quando um cliente opta por cancelar sua inscrição, suas checagens são excluídas de quaisquer atividades de aprendizado de máquina, incluindo o treinamento do modelo. Os clientes têm total controle sobre se os dados do usuário final podem ser usados para ajudar a desenvolver e aprimorar nossos serviços e podem personalizar isso a qualquer momento por meio da configuração da conta.

Quando um cliente opta por não participar do aprendizado de máquina, ele também é automaticamente excluído do nosso processo de Controle de Qualidade (CQ). Como parte de nossa prática padrão, aproximadamente três por cento (3%) de todas as checagens são revisadas aleatoriamente a cada mês para validar a precisão e apoiar melhorias contínuas. Essas informações de controle de qualidade ajudam a fortalecer a confiabilidade de nossos modelos, mas optar por não participar remove as verificações dos clientes desse ciclo de feedback.

Mesmo quando os clientes optam por não participar do aprendizado de máquina ou do controle de qualidade, nossos sistemas podem processar dados pseudonimizados e agregados para fins comerciais legítimos, como análises, benchmarking e relatórios estatísticos. Os dados agregados não incluem quaisquer informações de identificação pessoal (PII).

Consideramos o monitoramento de vieses e a avaliação de imparcialidade como um processo contínuo. Nossos modelos de IA são revisados e atualizados regularmente para melhorar o desempenho e solucionar problemas. Quando identificamos discrepâncias, ajustamos nossos dados de treinamento, estratégia de amostragem ou parâmetros de calibração para melhorar o equilíbrio e a precisão.

Esses esforços fazem parte do nosso compromisso mais amplo com o desenvolvimento responsável de IA, garantindo que nossa tecnologia de verificação permaneça o mais precisa e transparente possível para todos os usuários. Atualizamos este aviso anualmente ou quando ocorrem mudanças significativas para garantir que você tenha as informações mais recentes.

Última atualização: Outubro de 28, 2025