Facilitando o Onboarding e Cadastro: como funcionam as tecnologias de reconhecimento facial e validação de documentos?
•Transferir como PPTX, PDF•
0 gostou•274 visualizações
Renato Obst - VP de Engenharia, IDwall falou sobre Facilitando o Onboarding e Cadastro: como funcionam as tecnologias de reconhecimento facial e validação de documentos? durante o Fórum E-Commerce Brasil 2019.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Facilitando o Onboarding e Cadastro: como funcionam as tecnologias de reconhecimento facial e validação de documentos?
Semelhante a Facilitando o Onboarding e Cadastro: como funcionam as tecnologias de reconhecimento facial e validação de documentos? (20)
Mais de E-Commerce Brasil
Mais de E-Commerce Brasil (20)
Último
Último (20)
Facilitando o Onboarding e Cadastro: como funcionam as tecnologias de reconhecimento facial e validação de documentos?
- 1. Facilitando o Onboarding e Cadastro Como funcionam as tecnologias de reconhecimento facial e validação de documentos. Renato Obst | Partner & VP of Engineering, idwall
- 5. Negócios digitais baseados em confiança
- 9. Como saber se a pessoa é ela mesmo? 1. O que ela tem: - Documentos - BGC 2. O que ela sabe: - KBA 3. Quem ela é: - Biometria OCR FACEMATCH
- 14. Tirar palavras como “NOSSO” ocr ou “ensinamos” : Deixar em terceira pessoa para nao ficar tao comercialOCR
- 15. Ilustração da complexidade e variedade de documentos OCROCR
- 16. $$$$$$ $$$$$ $$$$ $$$ $$ $ Relação Acurácia x Impacto de negócio
- 18. Facematch
- 20. Alta Confiança Baixa Fricção Alta Confiança Alta Fricção Baixa Confiança Baixa Fricção Baixa Confiança Alta Fricção confiança fricção
- 21. Alta Confiança Baixa Fricção Alta Confiança Alta Fricção Baixa Confiança Baixa Fricção Baixa Confiança Alta Fricção confiança fricção ONDE VOCÊ ESTÁ VOCÊ NÃO DEVERIA ESTAR AQUI VOCÊ NÃO É EFICIENTE EFICIENTE E BAIXO RISCO
- 22. Alta Confiança Baixa Fricção Alta Confiança Alta Fricção Baixa Confiança Baixa Fricção Baixa Confiança Alta Fricção confiança fricção Tecnologia Automação
- 27. LGPD / GDPR EFFORT
- 28. 5 dicas finais 1. Revise seu onboarding regularmente : Invista em UX.
- 29. 5 dicas finais 1. Revise seu onboarding regularmente : Invista em UX. 2. Gerar confiança no Brasil é um problema, mas a tecnologia pode resolver isso : Saas, Paas com implementação ou totalmente in-house
- 30. 5 dicas finais 1. Revise seu onboarding regularmente : Invista em UX. 2. Gerar confiança no Brasil é um problema, mas a tecnologia pode resolver isso : Saas, Paas com implementação ou totalmente in-house 3. Validação de identidade é útil além do onboarding : Amazon, Magalu, Ifood, etc.
- 31. 5 dicas finais 1. Revise seu onboarding regularmente : Invista em UX. 2. Gerar confiança no Brasil é um problema, mas a tecnologia pode resolver isso : Saas, Paas com implementação ou totalmente in-house 3. Validação de identidade é útil além do onboarding : Amazon, Magalu, Ifood, etc. 4. Pense em como validar identidade para projetos online to offline : Grow, Dress&go, Parafuzo, Centauro, Pontofrio...
- 32. 5 dicas finais 1. Revise seu onboarding regularmente : Invista em UX. 2. Gerar confiança no Brasil é um problema, mas a tecnologia pode resolver isso : Saas, Paas com implementação ou totalmente in-house 3. Validação de identidade é útil além do onboarding : Amazon, Magalu, Ifood, etc. 4. Pense em como validar identidade para projetos online to offline : Grow, Dress&go, Parafuzo, Centauro, Pontofrio... 5. O futuro da confiança: identidade digital : Adhaar (Índia) e ID-card (Estônia)
- 33. Renato Obst - renato@idwall.co Obrigado!
Notas do Editor
- Texto Base da comparação de possibilidades de uso: From zero: Build mostly everything in house, bringing the expertise of experienced researches in the field allowing to reach top performance in the domain. For document data extraction many techniques from the field of OCR can be used, either from traditional computer vision using filtering, contour detection and pattern matching or using deep learning techniques like convolutional neural network for text detection, recurrent neural network for character recognition. For face detection and matching there is vast array of machine learning techniques, like the one proposed by Viola and Jones using Haar features. This is a problem with a myriad of challenges related to classes underrepresented in the dataset and how to correct compute a confidence score from the features. In both problems the corner cases and the enormous variably of real worlds samples make gathering a representative dataset very challenging. Advantages: The full access to whole stack allow for integrating and developing innovations, something that is not possible or very hard in the other cases, allowing to bring state of the art research to your product. Disadvantages: The initial cost in research is very high. Assembling a team of experts in the field can be a challenge. The dataset cost to assemble an set with 100.000s of good quality examples grow very fast. The time to delivery the initial results can be long (many months to an year). Middle ground: Instead of starting from zero use offerings from Google, Microsoft, Amazon, etc. to bootstrap a base offering and build a custom solution. There still a good amount of domain specific techniques to be developed, the high variability of documents and types of faces and the quality of the real world images still exists and make developing a robust product a challenge. Advantages: There still a great deal of innovation to be introduced, as general solutions don't performance optimally in narrow domain. Leaving the long term and costly research for the likes of Google and Microsoft you can focus on short and medium term research. Disadvantages: The time to delivery is not removed, but reduced to a couple of months, there still the need to assemble a team with the needed expertise and to fund the domain specific dataset, in the order of 10.000s, to develop and validate the techniques. Use X as Service If this is not your main business, using the service of a company that especialize in the domain allow you to focus in the principal problems you like to solve. Advantages: There is no need to gather the expertise or the dataset. The time needed to delivery a working solution is faster and custom support is offered. Disadvantages: A dependency in a specific vendor can be problematic and you loose control in the prioritization of demands.