Uno de los desafíos emergentes que han generado riesgos significativos para la seguridad la información dentro las organizaciones es el Deepfake, estas técnicas permiten manipular identidades en videos con un realismo impactante, lo que ha sido explotado para realizar fraudes corporativos, como suplantaciones de altos ejecutivos en videollamadas, con esta investigación se destaca la vulnerabilidad de muchas organizaciones debido a la falta de controles adecuados, lo que pone en riesgo la reputación y la seguridad empresarial.

Para mitigar este problema, se propone desarrollar un sistema de detección y prevención de deepfakes en tiempo real, enfocado en proteger la autenticidad de los participantes durante videollamadas. Este sistema emplea análisis biométricos y aprendizaje automático, integrándose con plataformas corporativas existentes para alertar sobre posibles manipulaciones y fortalecer la seguridad en las interacciones digitales.

El proyecto también considera los aspectos legales y éticos del tratamiento de datos biométricos, alineándose con normativas como la Ley de Protección de Datos Personales en Colombia y estándares internacionales como GDPR y CCPA. De esta manera, se garantiza que la solución no solo sea efectiva, sino también respetuosa con los derechos de los usuarios.

El sistema propuesto utiliza redes neuronales convolucionales (CNN) entrenadas con datasets especializados que son FaceForensics++ y LipForensics, teniendo como opción adicionar un dataset corporativo que será tendrá datos más personalizados, entre sus características clave destacan:

• Captura y preprocesamiento de video: Captura en tiempo real de videollamadas a través de una extensión para navegadores Chromium, asegurando la uniformidad en los fotogramas para su análisis.
• Análisis biométrico y predicción: Segmentación y análisis detallado de patrones faciales y de audio para diferenciar videos reales de manipulados, alertando en tiempo real a los participantes y sistemas de monitoreo.
• Escalabilidad y robustez: Diseño que permite un aprendizaje continuo, adaptándose a nuevos patrones de ataque, y capacidad para manejar altos volúmenes de datos sin comprometer el rendimiento.

Adicionalmente, el sistema se integra con herramientas corporativas como SIEM y SOC o la que utilice la empresa para sus procesos de monitoreo, generando reportes detallados y facilitando medidas de respuesta inmediatas. Su implementación busca una disponibilidad de la herramienta de detección de deepfake del 99.9% y garantiza la protección de datos mediante cifrado avanzado y protocolos de seguridad robustos.

En los entrenamientos realizados al prototipo se evidenció una precisión promedio del 0.95 en la detección de deepfakes durante pruebas iniciales, esto se logró mediante el uso de los datasets mencionado anteriormente y técnicas de optimización en las redes neuronales, las métricas de medición que se registraron son:

• Accuracy: 0.9977
• Precision: 0.9980
• Recall: 0.9972
• F1 Score: 0.9976
• AUC-ROC: 0.9999

Aunque el modelo presentó casos de sobreajuste, la incorporación de datos más diversos y sesiones de entrenamiento adicionales permitieron mejorar su capacidad de generalización. Los resultados sugieren que con mayores recursos y optimización, el sistema puede alcanzar niveles de detección cercanos al 0.9999 en escenarios prácticos.

Este enfoque garantiza la eficacia de la solución al identificar y prevenir amenazas en tiempo real, ofreciendo un nivel de protección avanzado para las empresas en su lucha contra los riesgos asociados a los deepfakes.