Pese a la gran cantidad de publicaciones, en el área de identificación de firmas manuscritas, registradas en los últimos años, el desafío de producir herramientas de alta eficacia sigue abierto a las nuevas tecnologías.

La empresa everis creó un framework para la identificación de fraudes en Firmas Manuscritas contenidas en cheques y contratos. Estos, después de ser digitalizados, son estandarizados de forma automática e inseridos en un algoritmo que retorna como resultado si la firma analizada es real o una fraudulenta.

En el proceso de validación tradicional, existe la figura del funcionario de la institución, normalmente financiera, que recibe los cheques de los clientes y compara las firmas con una base de datos.

Se trata de un proceso no escalable, que está expuesto a imprevistos y errores humanos, en el que cada empleado dedica algunas horas de trabajo diario.

Las posibilidades de fraudes son clasificadas en tres categorías. En la primera, el estafador no conoce la firma verdadera de la víctima. Con eso, la probabilidad de que consiga falsificar una firma similar a la verdadera es baja, por ejemplo las firmas podrían variar de la forma cursiva a la abstracta. La segunda categoría equivale a un falsificador amateur intentando copiar una firma ya vista. Probablemente las firmas tendrán grandes similitudes, pero un algoritmo bien entrenado sería capaz de detectar las diferencias. Esta es la categoría en la que nuestro framework tiene mayor potencial. La tercera y última categoría es compuesta por las falsificaciones profesionales. Si para un ser humano con experiencia esta tarea es un gran desafío, para un algoritmo también lo es.

Además de eso, existen desafíos prácticos e inherentes al reconocimiento de imágenes como:

• Estandarización de firmas de diferentes tamaños
• Diferentes formatos de cheques, aunque sean del mismo banco
• Residuos de microfilme presentes en la digitalización de los documentos
• Firmas que rebasan otros campos textuales de los documentos
• Documentos digitalizados inclinados o moderadamente rotados

Hasta los años 2000, la forma tradicional de verificar las firmas se hacía a través de la extracción de atributos geométricos, grafométricos, direccionales, transformaciones matemáticas, textura, entre otras.

Con la aplicación de métodos de redes neuronales y aprendizaje profundo ha surgido una nueva ventana de oportunidades. Contrario a los extractores de atributos manuales, se empezó a usar los pixeles brutos en diversas arquitecturas. El enfoque de nuestro equipo fue hacer uso de las técnicas más avanzadas de la Inteligencia Artificial para automatizar la identificación del espacio de las firmas en los documentos, extrayéndolas, para después pasar estas imágenes extraídas por un tratamiento. Estas imágenes estandarizadas son utilizadas como entrada a los algoritmos de redes capaces de crear representaciones numéricas de los atributos de cada firma.

Cada cliente tiene, en el banco de datos, un conjunto de firmas legitimas. Las comparamos, con firmas reales y falsificadas en cheques/contratos a través de diversas métricas de similitud. Como último paso alimentamos modelos de clasificación y para obtener un veredicto. En nuestras pruebas conseguimos identificar correctamente la procedencia de 52 cheques entre 53 disponibles para validación.

Para los casos más complicados, en los que el algoritmo no consiga un veredicto con suficiente confianza, estos serán enviados para el equipo de especialistas que tomará la decisión final.

El uso de algoritmos proporciona reducción de costes, optimización de procesos, time to market y aumento de escala. Pero, es importante subrayar que se trata de una herramienta que debe servir para dedicar la operación a tareas de más valor o a casos que requieren de la experiencia y habilidad humana.

Por Shuraj Shinde, director del everis Digital Lab especializado en Inteligencia Artificial.