O problema da comparação de referências em fraudes: por que a Microblink lançou o Desafio FREUID
A fraude sempre evoluiu em paralelo com a tecnologia. À medida que as organizações adotaram o onboarding digital, os fraudadores se adaptaram. À medida que a verificação biométrica se tornou mais comum, os invasores desenvolveram ataques de apresentação e deepfakes.
Agora, à medida que a IA generativa se torna amplamente acessível, os fraudadores podem criar identidades sintéticas, documentos falsificados e conteúdo gerado por IA em uma escala que seria difícil de imaginar há apenas alguns anos.
O desafio não é simplesmente que a fraude está se tornando mais sofisticada. Ela está se tornando mais fácil de ser praticada, mais fácil de ser automatizada e mais fácil de ser ampliada.
Na Microblink, essa é uma das razões pelas quais lançamos o FREUID Challenge 2026 em parceria com o IJCAI-ECAI 2026. O objetivo da iniciativa é promover uma avaliação mais aberta, reproduzível e relevante do ponto de vista operacional dos sistemas de detecção de fraudes.
A detecção de fraudes enfrenta um problema de benchmarking
No campo do aprendizado de máquina, as comparações com padrões de referência têm desempenhado um papel fundamental na aceleração do progresso.
A visão computacional tem se beneficiado de conjuntos de dados públicos e competições que permitem aos pesquisadores comparar abordagens com base em padrões comuns de avaliação. O processamento de linguagem natural estabeleceu referências amplamente reconhecidas para medir o desempenho em diferentes tarefas. Mais recentemente, os grandes modelos de linguagem têm sido avaliados por meio de estruturas de teste públicas cada vez mais rigorosas.
Historicamente, a detecção de fraudes não tem apresentado o mesmo nível de transparência.
Muitos conjuntos de dados sobre fraudes continuam sendo de propriedade exclusiva. Outros são fortemente expurgados, têm escopo limitado ou não refletem como a fraude se manifesta em ambientes reais. Como resultado, as organizações frequentemente avaliam os sistemas com base em métricas fornecidas pelos fornecedores, em testes internos ou em cenários de benchmarking restritos que podem não refletir com precisão as condições de produção. Isso cria uma discrepância entre o desempenho medido e o desempenho real.
A detecção de fraudes é, em essência, um problema adversarial e em constante evolução. Os invasores adaptam suas técnicas em resposta às defesas implantadas, o que significa que modelos que apresentam bom desempenho em conjuntos de dados estáticos podem falhar diante de novas condições de aquisição, estratégias de manipulação ou fluxos de geração sintética. Portanto, a elaboração de protocolos de avaliação significativos requer não apenas cenários de ataque realistas, mas também atenção cuidadosa às mudanças de distribuição, à generalização e a viéses não intencionais nos benchmarks.
A fraude moderna é um problema adversarial
Uma das razões pelas quais é difícil estabelecer parâmetros de referência para a detecção de fraudes é que as distribuições dos ataques evoluem continuamente. As técnicas de fraude mudam com o tempo, à medida que os invasores se adaptam aos sistemas de detecção implantados, exploram novas estratégias de manipulação e tiram proveito dos recursos emergentes da IA generativa.
No contexto da verificação de identidade, isso pode incluir documentos sintéticos, ataques físicos do tipo “imprimir e capturar”, regiões manipuladas em documentos, variabilidade na aquisição de dados e combinações de múltiplas técnicas de ataque dentro do mesmo fluxo de trabalho de verificação. Os métodos tradicionais de avaliação muitas vezes têm dificuldade em reproduzir essas condições do mundo real, pois testam os sistemas com conjuntos de dados fixos, em vez de cenários adversários em constante evolução.
O desafio já não se resume simplesmente a identificar se um documento é autêntico. As organizações precisam, cada vez mais, compreender como os sistemas se comportam quando os invasores se adaptam, experimentam e iteram ativamente contra os mecanismos de detecção.
O que é o Desafio FREUID?
Realizado em parceria com a conferência IJCAI–ECAI 2026, o FREUID Challenge oferece a pesquisadores, profissionais e equipes de aprendizado de máquina um benchmark disponível ao público, voltado para a detecção de falsificação de documentos de identidade em condições realistas e adversas.
O conjunto de referência inclui documentos de identidade sintéticos, documentos genuínos sintéticos autênticos, ataques físicos do tipo “impressão e captura”, regiões manipuladas em documentos e variabilidade na aquisição, projetados para refletir melhor os ambientes operacionais de detecção de fraudes.
Os participantes são desafiados a criar modelos capazes não apenas de detectar documentos manipulados, mas também de generalizar em condições de ataque nunca vistas anteriormente e em mudanças de distribuição. A avaliação dá ênfase a métricas relevantes do ponto de vista operacional e a testes voltados para a robustez.
Ao tornar o desafio acessível ao público, esperamos incentivar uma colaboração mais ampla entre os profissionais do setor e a comunidade científica.
Por que a Microblink se importa
Na Microblink, dedicamos uma quantidade significativa de tempo ao estudo de como a fraude realmente ocorre. Por meio do nosso Laboratório de Fraudes, analisamos continuamente técnicas de ataque emergentes, realizamos testes adversariais, geramos cenários de ataque sintéticos e avaliamos como a fraude evolui em diferentes regiões e mercados.
Uma coisa ficou cada vez mais clara: os fraudadores inovam rapidamente. Novas metodologias de ataque costumam surgir mais rápido do que os conjuntos de dados públicos, as suítes de benchmarks ou as estruturas de avaliação conseguem se adaptar. Isso torna essenciais os testes contínuos e a validação independente.
Acreditamos que o setor precisa de formas mais reproduzíveis de avaliar o desempenho dos sistemas de detecção de fraudes em condições realistas, e não apenas em cenários idealizados. A avaliação comparativa ajuda a criar essa visibilidade. Ela auxilia os pesquisadores a identificar pontos fracos, comparar abordagens de maneira imparcial e desenvolver defesas mais robustas contra ameaças em constante evolução. Acima de tudo, ela cria uma estrutura comum para medir o progresso.
O futuro da defesa contra fraudes exige uma avaliação contínua
À medida que a IA generativa e a mídia sintética continuam a evoluir, os sistemas de detecção de fraudes precisam, cada vez mais, operar em condições caracterizadas por mudanças na distribuição, comportamentos de ataque adaptativos e estratégias de manipulação até então inéditas.
Para enfrentar esses desafios, é necessária uma comunidade mais ampla de pesquisadores, profissionais da área e especialistas em fraudes, trabalhando em conjunto para aprimorar os modelos de detecção e as metodologias de avaliação transparentes. O FREUID Challenge é uma contribuição para esse objetivo. Pois, se a fraude está em constante evolução, a forma como medimos a detecção de fraudes também deve evoluir continuamente.
Tem interesse em participar? Saiba mais sobre o FREUID Challenge 2026 e inscreva-se na competição.
