في عصر التحول الرقمي، أصبحت تأكيد الهوية عن بُعد ضرورة لا غنى عنها، ولكن وجدت أنظمة التحقق عن الهوية نفسها في مواجهة تحديات جديدة. التأكد من صحة الهوية من خلال صور المستندات يعرضها لأساليب التزوير المحلية التي تستهدف المعلومات الحساسة، مثل الصور الشخصية والنصوص.

الآن، ومع ظهور إطار عمل FLiD (Field-Localized Forgery Detection)، يتمكن الذكاء الاصطناعي من معالجة هذه المشكلة بحلول مبتكرة. يعتمد FLiD على تركيز الجهود على مناطق الهوية الحرجة بدلاً من معالجة صورة المستند بالكامل، مما يجعله أكثر دقة وفعالية.

تبدأ العملية باستخدام كاشف كائنات معدّل يقوم بتحديد مجالات الوجه والنصوص، ثم ينقل البيانات إلى شبكة عصبية خفيفة الوزن تحتوي على 191 ألف معلمة قابلة للتدريب. وبهذا الأداء، يحقق FLiD نتائج مثيرة للإعجاب، حيث سجل درجات AUC بلغت 0.880 للوجه، 0.954 للنص، و0.923 للهجمات المشتركة. قد تؤدي هذه التقنية إلى خفض الحالات الخاطئة بنسبة تتراوح بين 29 إلى 35 نقطة مئوية مقارنة بالأساليب التقليدية.

الأكثر إثارة هو أن FLiD يتفوق على الكاشفات العامة للتلاعب (مثل TruFor وMMFusion وUniVAD) في مختلف سيناريوهات الهجوم، مع استهلاك 13 ضعف أقل من المعلمات و21 ضعف أقل من العمليات الحسابية القياسية (FLOPs).

بتقديم هذه التقنية الجديدة، يحقق FLiD خطوة هامة نحو تعزيز أمان التحقق من الهوية الرقمية ومستقبل أكثر أماناً للبيانات.