O que é a taxa de rejeição real?
Quando um sistema de verificação de identidade se depara com um usuário fraudulento, um documento adulterado ou outra entrada inválida, uma de suas funções mais importantes é simples: rejeitá-la. A Taxa de Rejeição Verdadeira (TRR) mede a frequência com que um sistema acerta nessa decisão.
A TRR é uma métrica importante para avaliar a detecção de fraudes, a verificação de identidade, a autenticação biométrica e outros sistemas que precisam distinguir entre entradas legítimas e ilegítimas. Uma alta Taxa de Rejeição Verdadeira indica que um sistema está identificando e rejeitando com sucesso tentativas inválidas. Mas a TRR não pode ser avaliada isoladamente. As organizações também precisam entender como os limites de segurança afetam os usuários legítimos, as rejeições falsas, as taxas de conversão e a experiência geral do cliente.
À medida que a IA generativa facilita a criação em grande escala de deepfakes, identidades sintéticas e documentos de identidade manipulados, compreender essas relações está se tornando ainda mais importante. As organizações precisam de sistemas de verificação capazes de identificar fraudes sofisticadas sem criar atritos desnecessários para usuários legítimos.
Compreendendo a verdadeira taxa de rejeição
A Taxa de Rejeição Real mede a proporção de tentativas inválidas ou não autorizadas que um sistema rejeita corretamente. Na verificação de identidade, por exemplo, isso pode incluir um documento de identidade fraudulento, um usuário não autorizado tentando acessar uma conta ou uma identidade que não atenda aos critérios de verificação exigidos.
O TRR também se aplica além da identificação e da biometria. Na indústria de manufatura, ele pode descrever a capacidade de um sistema de controle de qualidade de rejeitar corretamente produtos defeituosos. Na produção farmacêutica, ele pode ajudar a avaliar se os produtos que não atendem aos padrões exigidos são identificados e removidos com sucesso. Em todas essas aplicações, o princípio subjacente permanece o mesmo: o TRR mede o grau de confiabilidade com que um sistema reconhece algo que não deve ser aceito.
Um TRR alto é geralmente desejável, pois indica que entradas inválidas estão sendo detectadas com sucesso. No entanto, maximizar o TRR sem levar em conta outras métricas pode gerar problemas. Um sistema configurado para rejeitar praticamente tudo o que pareça suspeito poderia alcançar uma detecção de fraudes eficaz, mas, ao mesmo tempo, rejeitaria um grande número de usuários legítimos.
É por isso que a TRR precisa ser considerada em conjunto com métricas como a Taxa de Rejeição Falsa (FRR), a Taxa de Aceitação Falsa (FAR) e a Taxa de Aceitação Verdadeira (TAR).
Rejeição verdadeira x Rejeição falsa
A taxa de rejeição verdadeira e a taxa de rejeição falsa (FRR) representam dois resultados totalmente diferentes. Uma rejeição verdadeira ocorre quando um usuário inválido ou uma entrada inválida é corretamente rejeitada. Uma rejeição falsa ocorre quando um usuário legítimo ou uma entrada válida é rejeitada incorretamente.
Isso ocorre porque TAR e FRR são complementos matemáticos, assim como TRR e FAR. Especificamente:
- TAR = 1 – FRR
- TRR = 1 – FAR
Em outras palavras, se um sistema tem uma Taxa de Aceitação Falsa de 2%, sua Taxa de Rejeição Verdadeira é de 98%. Da mesma forma, uma Taxa de Rejeição Falsa de 5% corresponde a uma Taxa de Aceitação Verdadeira de 95%.
Essa relação ilustra por que as organizações não devem otimizar um sistema de verificação com base em um único número. Aumentar o limite de decisão pode tornar mais difícil para usuários fraudulentos passarem pelo sistema, mas também pode tornar a verificação mais difícil para usuários legítimos. O objetivo é encontrar o equilíbrio adequado entre impedir fraudes e permitir que usuários legítimos prossigam com o mínimo de atrito possível.
Como se calcula a taxa de rejeição real?
A taxa de rejeição real é calculada dividindo-se o número de tentativas inválidas corretamente rejeitadas pelo número total de tentativas inválidas:
TRR = Rejeições Verdadeiras / Total de Tentativas Inválidas
Por exemplo, suponha que um sistema de verificação de identidade seja testado com 1.000 tentativas conhecidas como fraudulentas ou inválidas por qualquer outro motivo. Se o sistema rejeitar corretamente 980 delas e aceitar incorretamente 20, sua Taxa de Rejeição Verdadeira seria:
980 / 1.000 = 98% TRR
Isso também significa que o sistema tem uma taxa de falsa aceitação de 2%.
No entanto, a metodologia de teste é importante. Um TRR calculado a partir de uma amostra pequena ou não representativa pode não refletir com precisão o desempenho de um sistema no mundo real. Os testes devem incluir um conjunto de dados suficientemente grande e representativo, contendo os tipos de documentos, dispositivos, usuários, métodos de ataque e condições ambientais que o sistema provavelmente encontrará.
As organizações também devem avaliar o desempenho ao longo do tempo, em vez de considerar um único teste como prova definitiva de eficácia. As técnicas de fraude mudam, o comportamento dos usuários evolui, novos dispositivos chegam ao mercado e os ataques gerados por IA continuam a se aperfeiçoar. O desempenho da verificação deve, portanto, ser medido continuamente em relação às condições em constante mudança do mundo real.
Aplicações da Taxa de Rejeição Real
A TRR encontra aplicação em diversos cenários do mundo real, além da segurança tradicional e da biometria.
Nas plataformas digitais, especialmente no setor de comércio eletrônico, o papel do TRR está se tornando cada vez mais crucial. Com o aumento das fraudes em pagamentos online — estimadas em US$ 41 bilhões globalmente em 2022 e com previsão de crescer para US$ 48 bilhões até 2023 —, a TRR é essencial para identificar com precisão e rejeitar acessos não autorizados a contas financeiras ou dados confidenciais.
A TRR garante que apenas os produtos que atendem a rigorosos critérios de qualidade cheguem ao mercado no âmbito industrial. Isso é particularmente importante em setores como o automotivo ou a fabricação de eletrônicos, onde um único componente defeituoso pode ter consequências de longo alcance.
Aplicações da Taxa de Rejeição Real no aprendizado de máquina
No campo do aprendizado de máquina, o TRR é essencial para aprimorar algoritmos e modelos. Ele garante que esses sistemas aprendam a identificar e rejeitar com precisão valores atípicos ou dados errôneos, melhorando assim suas capacidades de tomada de decisão. Essa aplicação é particularmente crucial em sistemas onde a precisão é fundamental, como na detecção de fraudes ou na análise preditiva.
O papel do TRR no reconhecimento facial
A tecnologia de reconhecimento facial depende fortemente da TRR para garantir precisão e confiabilidade. A tecnologia deve identificar corretamente e conceder acesso aos usuários autorizados, mantendo, ao mesmo tempo, uma defesa robusta contra tentativas de acesso não autorizado.
Uma alta taxa de reconhecimento (TRR) nesses sistemas significa que eles são capazes de diferenciar com eficácia traços faciais semelhantes e evitar casos de identificação errônea, o que é fundamental para manter a segurança e a confiança dos usuários.
Por que a taxa de rejeição real é importante para a prevenção de fraudes
Para as equipes de combate à fraude e de gestão de riscos, o TRR fornece uma indicação importante sobre a eficácia com que um sistema identifica atividades ilegítimas. Um TRR baixo significa que mais tentativas fraudulentas estão sendo aceitas indevidamente, o que pode expor uma organização à apropriação de contas, fraude em pagamentos, roubo de identidade, riscos regulatórios e danos à reputação.
Isso se tornou particularmente importante à medida que a fraude de identidade evolui. A IA generativa permite que os invasores produzam documentos de identidade falsos ou manipulados altamente convincentes, enquanto os deepfakes podem ser usados para se passar por usuários legítimos durante a verificação biométrica. Os fraudadores também podem usar ataques de apresentação ou tentar injetar imagens sintéticas diretamente em uma sessão de verificação, em vez de apresentar uma pessoa real a uma câmera física.
Portanto, um sistema de verificação moderno precisa avaliar mais do que apenas se uma imagem ou um rosto parecem convincentes. A autenticidade do documento, a correspondência biométrica, a verificação de que a pessoa está viva, a detecção de ataques por injeção, as informações do dispositivo, os sinais comportamentais e outros indicadores contextuais podem, todos, contribuir para determinar se uma interação deve ser considerada confiável.
O impacto nas empresas das taxas de rejeição
Embora a falha em rejeitar fraudes gere riscos financeiros e de segurança evidentes, rejeitar usuários legítimos também acarreta seus próprios custos. Uma alta taxa de rejeição indevida pode obrigar clientes genuínos a repetir a verificação, enviar informações adicionais, entrar em contato com o suporte ao cliente ou desistir completamente do processo de cadastro.
Para empresas que operam fluxos de trabalho de cadastro digital ou de pagamentos, essas falhas podem se traduzir diretamente em perda de conversão e receita. Um cliente em potencial que enfrenta dificuldades repetidas para enviar um documento de identidade pode simplesmente desistir. Um titular de conta legítimo impedido de concluir uma transação pode perder a confiança no serviço. Em grande escala, mesmo um aumento relativamente pequeno nas rejeições desnecessárias pode gerar milhares de solicitações adicionais de suporte ou revisões manuais.
O desafio para as equipes de risco não é, portanto, simplesmente maximizar a detecção de fraudes. Trata-se de distinguir com precisão os usuários legítimos dos fraudulentos. Uma verificação eficaz deve criar atrito quando o risco assim o justificar, em vez de aplicar o mesmo nível de rigor a todas as interações.
Quais fatores afetam a taxa de rejeição real?
Uma variedade de fatores tecnológicos, ambientais e relacionados ao usuário pode influenciar a TRR. A qualidade da imagem e do sensor é particularmente importante em sistemas que dependem da captura de documentos ou de dados biométricos. Iluminação inadequada, reflexos, imagens desfocadas, câmeras de baixa resolução ou documentos posicionados incorretamente podem dificultar a distinção, por parte do sistema, entre entradas legítimas e fraudulentas.
O desempenho do algoritmo é igualmente importante. Os modelos de verificação devem ser capazes de detectar indicadores significativos de fraude, ao mesmo tempo em que levam em conta as variações naturais que ocorrem entre usuários legítimos e documentos de identidade. Isso se torna cada vez mais difícil, à medida que os fraudadores utilizam IA generativa para produzir documentos falsificados mais realistas e realizar ataques biométricos.
O comportamento do usuário também pode influenciar os resultados. As pessoas podem segurar documentos em ângulos diferentes, usar smartphones mais antigos, capturar imagens em condições de pouca iluminação ou interagir com os sistemas de verificação de maneiras distintas devido à idade, deficiência ou outras circunstâncias. Sistemas que não são projetados para acomodar variações razoáveis correm o risco de rejeitar desproporcionalmente certos usuários legítimos. Medir as taxas de rejeição em diferentes populações de usuários, tipos de documentos, dispositivos e ambientes pode ajudar as organizações a identificar essas disparidades.
Como as organizações podem reduzir as taxas de erro?
A redução das taxas de erro começa com o reconhecimento de que a verificação de identidade raramente é melhor realizada com base em um único indicador. Um documento que pareça suspeito, por exemplo, pode justificar uma verificação adicional, em vez de uma rejeição imediata. Combinar a análise de documentos com a verificação biométrica, a verificação de vitalidade, a inteligência do dispositivo, a análise comportamental e os indicadores de risco contextuais pode proporcionar uma visão mais completa de uma interação.
As organizações também podem utilizar limites baseados no risco para determinar quando é necessária uma verificação adicional. Uma interação de rotina proveniente de um dispositivo conhecido pode exigir muito pouca verificação adicional, enquanto uma transação incomum ou uma mudança significativa no comportamento poderia acionar uma verificação reforçada. Isso permite que as empresas concentrem medidas de verificação mais rigorosas onde o risco é maior.
Os processos alternativos são igualmente importantes. Quando usuários legítimos não conseguem concluir com sucesso um método de verificação, oferecer um caminho alternativo pode evitar que um resultado incerto resulte na perda de um cliente. As organizações também devem avaliar continuamente os dados de verificação para identificar fontes recorrentes de rejeição indevida e ajustar os modelos, fluxos de trabalho e orientações aos usuários de acordo com isso.
Qual é uma boa taxa de rejeição verdadeira?
Não existe um parâmetro de referência universal para a TRR que se aplique a todas as organizações ou casos de uso. O limite adequado depende das consequências de aceitar um usuário inválido em comparação com as consequências de rejeitar um usuário legítimo.
Uma transação financeira de alta segurança, por exemplo, pode justificar um limite muito mais rigoroso do que uma interação de baixo risco. Organizações em ambientes altamente regulamentados também podem ter tolerâncias ao risco diferentes das de empresas nas quais a conveniência do usuário tem maior peso.
Em vez de buscar uma TRR teoricamente perfeita, as organizações devem determinar taxas de erro aceitáveis com base em sua exposição específica à fraude, nos requisitos regulatórios, nas metas de experiência do cliente e na capacidade operacional. A TRR deve, então, ser avaliada em conjunto com a FAR, a FRR, a TAR, as taxas de conversão, os volumes de revisão manual e outras métricas que revelem o impacto mais amplo das decisões de verificação.
Tomando decisões mais precisas sobre identidade
A Taxa de Rejeição Verdadeira continua sendo um importante indicador da eficácia com que um sistema identifica e rejeita entradas inválidas. No entanto, essa métrica se torna muito mais valiosa quando considerada como parte de um panorama mais amplo.
No que diz respeito à verificação de identidade, o objetivo não é simplesmente rejeitar o máximo possível de atividades suspeitas. Trata-se de distinguir a fraude do comportamento legítimo com precisão suficiente para que as organizações possam reforçar a segurança sem causar transtornos desnecessários aos usuários genuínos. Isso exige a avaliação contínua de vários sinais, o monitoramento do desempenho e o ajuste das decisões de verificação à medida que tanto o comportamento dos usuários quanto as técnicas de fraude evoluem.
À medida que os deepfakes, as identidades sintéticas, a manipulação de documentos e outros ataques baseados em IA se tornam mais sofisticados, esse equilíbrio só tenderá a se tornar ainda mais importante. As organizações que compreenderem não apenas sua Taxa de Rejeição Real, mas também por que usuários legítimos e fraudulentos estão sendo aceitos ou rejeitados, estarão mais bem posicionadas para reduzir a fraude e, ao mesmo tempo, manter as experiências sem interrupções que seus clientes esperam.
Se você tiver interesse em saber mais sobre como a Microblink pode ajudar com o TRR, solicite hoje mesmo uma demonstração para todas as suas necessidades de verificação.
