Por Canuto  

Un nuevo estudio presenta DeepFake Forensics AI, una plataforma que combina detección de deepfakes en imagen, video y audio con registro de evidencia en Ethereum e IPFS, una propuesta que apunta al creciente desafío de validar pruebas digitales en entornos legales.
***

  • La plataforma integra detectores para imágenes, videos y audios, además de un módulo que identifica huellas de arquitecturas generativas como ADM, BigGAN, Glide y VQDM.
  • El sistema registra archivos con hashes SHA-256, los almacena en IPFS mediante Pinata y ancla metadatos en un contrato inteligente de Ethereum.
  • El estudio reporta AUC de 0,9868 en imágenes, AUC de 0,9628 en video, EER de 18,63% en audio y 99,88% de precisión en fingerprinting de GAN.

 

La expansión de medios sintéticos generados con inteligencia artificial ya no representa solo un problema para redes sociales o campañas de desinformación. También amenaza la integridad de pruebas digitales usadas en investigaciones forenses y procesos judiciales.

Ese es el punto de partida de DeepFake Forensics AI: A Multi-Modal Detection and Blockchain-Anchored Evidence Management Platform, un trabajo de Naisha Minnah, del Departamento de Ciencias de la Computación de Providence Women’s College, afiliado a University of Calicut, en Kerala, India. La propuesta une detección multimodal de deepfakes con gestión de evidencia anclada en blockchain.

El sistema busca resolver dos vacíos concretos. Muchos detectores actuales se enfocan en una sola modalidad, como imagen, video o audio. Además, suelen carecer de un mecanismo criptográfico para preservar el resultado del análisis como evidencia resistente a manipulaciones.

Para lectores nuevos en el tema, un deepfake puede ser una imagen, video o voz artificial que imita personas reales o crea escenas falsas. Con modelos generativos más accesibles, la autenticación de archivos digitales se vuelve más compleja, sobre todo cuando una prueba debe sostenerse ante un tribunal.

Una plataforma para imágenes, videos, audio y huellas generativas

DeepFake Forensics AI combina cuatro módulos de inteligencia artificial. El primero analiza imágenes con EfficientNet-B4 y clasifica cuadros individuales como reales o falsos. En las pruebas, este detector logró 92,57% de precisión y un AUC de 0,9868 sobre 21.211 cuadros de FaceForensics++.

El segundo módulo estudia videos mediante una arquitectura de dos pasos. Primero extrae representaciones de cuadros con EfficientNet-B4. Luego usa una red Bidirectional LSTM para capturar inconsistencias temporales en secuencias de 32 cuadros.

Ese detector de video alcanzó 95,54% de precisión y un AUC de 0,9628 en 6.529 videos de Celeb-DF v2. El sistema clasificó correctamente 5.560 de 5.639 videos falsos y 678 de 890 videos reales, con una puntuación F1 macro de 0,8989.

El tercer módulo analiza audio con ECAPA-TDNN, una arquitectura usada en verificación de hablantes y tareas anti-spoofing. El modelo trabaja con espectrogramas log-Mel de 80 dimensiones. En ASVspoof2019 LA logró 87,99% de precisión, AUC de 0,8508, EER de 18,63% y minDCF de 0,0100 sobre 71.237 muestras.

El cuarto módulo aborda un problema más específico: identificar la arquitectura generativa detrás de una imagen falsa. El sistema distingue entre ADM, BigGAN, Glide y VQDM. Para ello usa una red residual con bloques Squeeze-and-Excitation y un filtro Laplaciano de alta frecuencia que amplifica artefactos espectrales.

Este módulo de fingerprinting de GAN reportó 99,88% de precisión en 4.800 imágenes de prueba. BigGAN tuvo una clasificación perfecta. El estudio registró solo 6 errores, todos entre modelos de difusión arquitectónicamente similares, ADM y Glide.

Blockchain como cadena de custodia digital

La parte blockchain busca convertir el análisis forense en un registro verificable. Cuando un analista carga una evidencia, el sistema calcula un hash SHA-256 del archivo original. Ese hash funciona como una huella digital del contenido.

Después, la plataforma sube el archivo a IPFS mediante Pinata y obtiene un identificador de contenido, conocido como CID. IPFS permite localizar datos por su contenido, no solo por una dirección tradicional. Esto refuerza la trazabilidad cuando se combina con hashes criptográficos.

El sistema registra el hash, el CID, el tipo de evidencia, la dirección del analista y la marca temporal de bloque en un contrato inteligente llamado EvidenceRegistry. Ese contrato está escrito en Solidity y se ejecuta sobre una red local de Ethereum mediante Ganache.

La plataforma también incluye control de acceso por roles. Define perfiles como FORENSIC_ANALYST, LEGAL_AUTHORITY, ADMIN y NORMAL_USER. Los analistas forenses pueden registrar evidencia, mientras que las autoridades legales pueden verificarla en cadena.

El contrato impide registros duplicados mediante una protección basada en mapas. También emite eventos cuando alguien registra o verifica evidencia. La información adicional queda guardada en PostgreSQL para consultas rápidas, sin depender siempre de lecturas directas en blockchain.

Este enfoque no afirma que blockchain detecte deepfakes por sí sola. Su papel consiste en preservar la cadena de custodia después del análisis. En otras palabras, ayuda a probar que un archivo y sus metadatos no cambiaron desde su registro.

Un flujo técnico pensado para uso forense

La arquitectura de DeepFake Forensics AI usa cuatro capas. Un frontend en React entrega una interfaz diferenciada por roles. Un backend en FastAPI gestiona autenticación JWT, rutas REST y permisos de acceso.

La capa de inferencia reúne los modelos para imagen, video, audio y fingerprinting de GAN. También suma un módulo de inversión de GAN. Este componente intenta reconstruir el vector latente asociado a una imagen falsa mediante proyectores de BigGAN y StyleGAN2.

La inversión de GAN puede aportar contexto adicional en un caso. Si el sistema aproxima el espacio latente de una imagen, el resultado puede servir como indicio técnico sobre su origen generativo. El paper plantea ese resultado como evidencia útil para procedimientos legales.

El backend mantiene un libro de eventos con SQLAlchemy y PostgreSQL. Allí registra análisis, hashes, transacciones y metadatos del caso. Esta decisión combina velocidad de consulta con una capa blockchain destinada a integridad y auditoría.

La plataforma distingue usuarios normales de roles forenses. Un usuario normal accede a un panel simplificado para detección binaria en las modalidades soportadas. No obtiene acceso a funciones de blockchain ni a herramientas de gestión de casos.

Este diseño responde a una realidad práctica. No todos los usuarios necesitan registrar pruebas ante una autoridad. Sin embargo, investigadores, laboratorios y equipos legales sí requieren un historial verificable cuando una pieza digital puede influir en una decisión judicial.

Resultados fuertes, pero con límites claros

Los resultados muestran un desempeño alto en varias tareas. El detector de imágenes logró una precisión de 92,57% y un AUC de 0,9868. El detector de video obtuvo 95,54% de precisión y un AUC de 0,9628.

El desempeño en audio quedó por debajo de los otros módulos. El EER de 18,63% refleja el reto de detectar voces sintéticas en condiciones difíciles y con desequilibrios de clases. La autora señala que entrenamientos más balanceados y más épocas podrían reducir ese indicador por debajo de 10%.

El módulo de fingerprinting fue el más contundente en cifras. Alcanzó 99,88% de precisión y AUC de 1,000 en evaluación uno contra todos para las cuatro arquitecturas. Aun así, la generalización fuera de los conjuntos de datos evaluados sigue como un reto abierto.

La capa blockchain también tiene una limitación importante. El prototipo corre en Ganache, una red local de Ethereum usada para desarrollo. Un despliegue productivo requeriría migrar a una red pública de prueba como Sepolia o a una cadena permisionada como Hyperledger Fabric.

El estudio también plantea optimización para inferencia en tiempo real. Técnicas como cuantización de modelos o destilación de conocimiento podrían facilitar análisis de video en vivo. Esa meta resulta clave si los deepfakes circulan durante eventos públicos, audiencias o transmisiones.

El mayor aporte del proyecto está en su enfoque integral. No solo intenta responder si un archivo es falso. También busca documentar qué se detectó, cómo se preservó el archivo y quién verificó la evidencia en un registro auditable.

Por qué importa para cripto, IA y justicia digital

La conexión con blockchain tiene sentido dentro de un marco de confianza. Bitcoin introdujo el concepto de registro distribuido resistente a cambios arbitrarios. Ethereum amplió ese modelo con contratos inteligentes capaces de ejecutar reglas programables.

En este caso, el contrato inteligente no maneja activos financieros. Administra metadatos de evidencia. Esa diferencia resulta relevante porque muestra un uso no especulativo de blockchain, orientado a integridad documental y trazabilidad.

Para el ecosistema cripto, el proyecto ilustra una narrativa distinta a precios, tokens o mercados. La infraestructura blockchain puede servir para auditoría, certificación y preservación de datos críticos. Es un terreno donde la utilidad depende menos de la volatilidad y más de la confianza verificable.

Para el ecosistema de IA, la propuesta también marca una tensión creciente. Los mismos avances que permiten generar imágenes, voces y videos convincentes obligan a desarrollar herramientas de detección más robustas. La carrera entre generación y verificación ya se trasladó al ámbito legal.

Los tribunales enfrentan un desafío cada vez más visible. Si una parte cuestiona la autenticidad de un video o audio, no basta con una opinión técnica aislada. Hace falta una metodología, un registro y una cadena de custodia que resista objeciones.

DeepFake Forensics AI no resuelve todos los problemas de la evidencia digital. Pero ofrece un esquema que combina análisis multimodal, identificación de huellas generativas, reconstrucción latente y registro criptográfico. Esa convergencia puede anticipar cómo se diseñarán los laboratorios forenses de la era de la IA.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados