OCR vs. análisis de documentos de identidad: Cómo obtener datos verificados de documentos de identidad

El reconocimiento óptico de caracteres, o OCR por sus siglas en inglés, es una tecnología que puede convertir una imagen de texto en texto real que luego puede editar. Por ejemplo, un pasaporte escaneado es una imagen, por lo que no puede simplemente presionar Ctrl+C y Ctrl+V para copiar los datos y pegarlos en otro lugar. El OCR distingue los caracteres de texto dentro de las imágenes y los convierte en formato de texto, lo que le ayuda a evitar la entrada manual de datos.

Un excelente ejemplo de OCR es la función Live Text disponible en los dispositivos Apple. Esta función le permite extraer texto de fotos e imágenes con un solo toque, lo cual resulta muy útil cuando necesita obtener un número de teléfono o agregar algo a sus notas.

Sin embargo, lo que puede ser una solución para una tarea puntual no siempre le ayudará a gestionar la misma tarea a gran escala. El OCR convierte imágenes en texto legible por máquina, y eso es todo. Si tiene muchos documentos (especialmente si contienen datos variados), probablemente terminará con un conjunto desordenado de texto que difícilmente será procesable sin un procesamiento previo.

Los proveedores de OCR no ignoraron este problema y ofrecieron una solución: el OCR basado en plantillas.

El OCR basado en plantillas le permite crear mapas de documentos, o plantillas, utilizando un conjunto de sus documentos más comunes como base. Con estas plantillas de OCR, el sistema sabrá dónde se encuentran los elementos importantes en la página. Como consecuencia, usted obtiene un resultado más accionable que con el OCR convencional, ya que le permite marcar y extraer información de forma más estructurada.

Las plantillas de OCR se utilizan a menudo en soluciones de automatización robótica de procesos (RPA). La RPA es una tecnología que permite automatizar tareas repetitivas que siguen las mismas reglas una y otra vez con la ayuda de bots de software. Si usted construyera un bot para pagar las mismas facturas cada semana, el OCR basado en plantillas sería un candidato perfecto para ese tipo de tarea.

Por muy bien que suene, si su objetivo es realizar el OCR de documentos de identidad, es posible que el método de OCR basado en plantillas no sea totalmente suficiente.

Cantidad de trabajo manual. Para que el OCR basado en plantillas funcione, es necesario marcar manualmente los datos en cada tipo de documento que se necesite. Por lo tanto, si necesita procesar pasaportes de diferentes países, deberá marcar un pasaporte de cada país para crear su plantilla. Si además se incluyen otros documentos de identidad, como tarjetas de identificación, el volumen de trabajo minucioso será aún mayor.

La necesidad de mantener las plantillas. La plantilla de OCR creada solo funciona mientras el documento en sí no cambie. Si aparecen nuevos campos o se ubican en otra posición, será necesario actualizar la plantilla.

Sin capacidades de verificación. Peor aún, el desafío con los documentos de identidad no consiste solo en extraer datos. Se trata de asegurarse de que los datos y el documento sean válidos. Ninguna solución de OCR que simplemente reconozca texto puede ayudarle con eso.

El OCR no puede leer fuentes de datos que no sean texto. Los documentos de identidad contienen información no solo en formato de texto, sino también cifrada en códigos de barras, chips RFID (identificación por radiofrecuencia) y zonas legibles por máquina (MRZ). Para las herramientas de OCR convencionales, es imposible leer y verificar estos elementos.

El análisis de documentos de identidad es el proceso de extraer, estructurar, normalizar y validar los datos de un documento de identidad para que puedan utilizarse en un flujo de trabajo empresarial. A diferencia del OCR básico, que reconoce principalmente el texto visible, el análisis de documentos de identidad utiliza el análisis léxico para leer diferentes fuentes de datos dentro del documento, incluyendo la zona de inspección visual, la MRZ y el chip RFID, cuando estén disponibles.

Veamos este proceso en comparación con el OCR.

Para ilustrar este punto, utilizaremos las capacidades de análisis de datos del software de análisis de documentos de Regula, diseñado específicamente para la lectura de documentos de identidad. En general, el proceso de análisis de documentos consta de cinco pasos:

• Escaneo de un documento

• Identificación automática del tipo de documento mediante la comparación con una base de datos de plantillas de documentos

• Lectura y validación de los campos definidos por la plantilla

• Estructuración del resultado

• Verificación del documento

Si bien los tres primeros pasos del proceso de análisis de documentos se asemejan en cierta medida a los principios del OCR basado en plantillas, pueden existir diferencias importantes según quién haya creado las plantillas, cuántas haya y qué tan bien estén elaboradas.

Al utilizar una solución de OCR interna, el número de plantillas suele limitarse a las más comunes. En contraste, el software de análisis de documentos de Regula aprovecha la base de datos de plantillas de documentos más grande del mundo, que actualmente incluye más de 16,000 plantillas de pasaportes, documentos de identidad, visas, licencias de conducir y otros documentos de todo el mundo.

La profundidad del detalle de las plantillas es otro punto a favor del uso de software especializado en análisis de datos. Para crear una plantilla confiable, es necesario contar con información sobre todas las posibles variaciones de cada campo del documento. Esto no es algo que se pueda hacer únicamente con un par de ejemplos disponibles.

Antes de que una nueva plantilla ingrese en la base de datos, los expertos forenses internos de Regula la examinan minuciosamente y documentan cada elemento de seguridad utilizando equipos avanzados de desarrollo propio. Gracias a esto, puede estar seguro de que la verificación automatizada alcanza la calidad de un examen de laboratorio, pero de forma mucho más rápida.

Incluso si su cliente presenta un documento que usted nunca ha visto y en un idioma que no domina, Regula podrá reconocerlo de inmediato y decirle qué es y cuáles son sus características.

Depende del nivel de profundidad de análisis que necesite, pero la respuesta corta es: sí, puede hacerlo.

Análisis léxico. El analizador de datos de Regula comienza con un análisis léxico y valida que cada campo del documento contenga exactamente lo que debe contener. Verifica si las fechas de vencimiento son válidas y, por ejemplo, marca una alerta si estamos en 2022 pero el documento venció en 2021.

El análisis léxico también incluye violaciones de formato: por ejemplo, si se espera que un campo contenga una fecha, pero no hay ninguna fecha o el campo tiene otro valor. También se realiza un análisis de palabras prohibidas: los documentos presentados no deben contener palabras como “sample”, “specimen” o “test”. Todo esto ocurre de forma automática y se indica en los estados de los campos.

Verificación cruzada de datos. Los documentos de identidad pueden tener cuatro tipos de fuentes de datos: zona de inspección visual, MRZ, chip RFID y códigos de barras. Los datos en las diferentes fuentes suelen estar duplicados.

A diferencia de una solución OCR, el software de análisis de datos de Regula lee todas las fuentes y compara automáticamente todos los campos similares. Por ejemplo, puede tomar el apellido de una persona del chip RFID y compararlo con el apellido escrito en la MRZ y el que aparece en la zona de inspección visual. Así, si alguien alteró su nombre en la zona de inspección visual (algo relativamente fácil de hacer) pero no actualizó el chip (mucho más difícil), esto será detectado.

Validación de información codificada. Otro ejemplo de verificación que se ha vuelto muy demandado recientemente es la decodificación de Sellos Digitales Visibles (VDS).

Un VDS típico tiene el aspecto de un código QR. Por ejemplo, se utilizó para la emisión de certificados de vacunación contra la COVID-19. También se utiliza en visas: a partir de mayo de 2022, todas las visas Schengen cuentan con VDS. Regula puede analizar de forma eficaz la firma digital contenida en el código de barras del VDS y verificar que haya sido firmada con un certificado específico emitido por un país determinado, y no generada de manera aleatoria.

Hay algo que los códigos de barras y las MRZ tienen en común: su diversidad. Si su solución carece del conocimiento de al menos algunas de sus posibles variaciones, esto dará lugar a un aumento de falsos positivos y, con el tiempo, socavará la confianza en la verificación.

Existe una enorme variedad de códigos de barras, y cada tipo requiere su propio analizador para su procesamiento. Por ejemplo, Regula utiliza 220 analizadores de códigos de barras diferentes, diseñados para documentos específicos, para gestionar esta tarea. La principal dificultad radica en que es necesario comprender qué formato se utiliza para codificar los datos, a fin de poder descomponerlos en campos de texto.

Por ejemplo, las licencias de conducir de Estados Unidos y de Canadá suelen contener un código de barras PDF417, pero no es posible leerlo sin saber qué formato se utilizó para la codificación. En el caso de este código de barras, contiene un encabezado que indica qué tipo de analizador se debe utilizar. Regula obtiene esta información y luego utiliza ese analizador para descifrar el resto del contenido del código de barras en campos de texto específicos, identificados por su tipo para el usuario final.

AAMVA, el estándar estadounidense de codificación, también cuenta con numerosas versiones que se han utilizado para completar documentos a lo largo del tiempo. Este hecho debe tenerse en cuenta si desea no solo leer la información codificada, sino también verificarla.

En cuanto a la MRZ, existe la norma ICAO 9303 y en teoría, todos deberían adherirse a ella. Pero la realidad es que muchos países introducen sus propias innovaciones. Rumanía, Kuwait y los Emiratos Árabes Unidos, por ejemplo, calculan los dígitos de control de manera diferente, creando así una variante del estándar MRZ. Con la base de datos de plantillas de documentos más completa, Regula también gestiona eficazmente estas particularidades.

Un SDK de análisis de identidad debe devolver datos estructurados que los sistemas empresariales puedan utilizar sin necesidad de clasificarlos manualmente. Con este fin, realiza al menos cuatro tareas:

• Asignación de datos a los tipos de campo. Todos los datos que se leen se dividen en grupos y campos. A cada campo se le asigna un tipo. Gracias a esto, los usuarios pueden escanear un documento y extraer de inmediato la información específica que necesitan; por ejemplo, pueden solicitar únicamente el nombre completo.

• Gestión de campos repetidos y multilingües. Puede haber varios campos del mismo tipo en un documento, pero en diferentes idiomas (por ejemplo, caracteres latinos y un idioma nacional). SDK de análisis de identidad le permite recuperar los datos independientemente del tipo de documento y de su ubicación exacta dentro del mismo, así como en el idioma que sea relevante para sus fines.

• Extracción de elementos visuales. Esto incluye la imagen del documento en sí y los elementos visuales recortados, como la foto del titular, el retrato fantasma y la firma. Regula guarda cada elemento por separado, de modo que queda listo para su uso posterior. Por ejemplo, puede utilizar el retrato extraído en este paso para realizar comparación facial.

• Normalización de formatos. Se trata de convertir datos de diferentes sistemas de medición (métrico/imperial) y formatos de fecha (yyyy/dd/mm, dd.mm.yyyy) en un formato unificado definido por el usuario. Esto le permite ofrecer valores con los que los usuarios están familiarizados (por ejemplo, convertir un año tailandés al calendario gregoriano) y comparar inmediatamente los datos en comprobaciones de verificación.

Los datos difícilmente pueden utilizarse en su estado bruto. Una vez recopilados, deben desglosarse y analizarse para tener valor y, finalmente, convertirse en decisiones. Si bien el OCR es una gran tecnología que ha revolucionado la recopilación de datos, ya no es suficiente para gestionar documentos de identidad de manera eficaz.

La idea principal del análisis de documentos de identidad consiste en ofrecer rápidamente resultados listos para su uso. De este modo, usted obtiene rápidamente el análisis, comprueba la autenticidad del documento, extrae rápidamente la información de determinados campos y escanea y digitaliza rápidamente el documento para rellenar un formulario en su sistema interno.

No solo resulta útil, ya que agiliza el flujo de trabajo, sino que también es informativo y seguro. Tras ofrecer un resumen ejecutivo del análisis, el análisis de documentos de identidad le permite profundizar en cada comprobación hasta llegar a los datos brutos.

Cuando se cuenta con una sólida experiencia en análisis forense de documentos protegidos, como es el caso de la solución que ofrece Regula, esto le ayuda a resolver la mayoría de los desafíos relacionados con el procesamiento de documentos de identidad. Si necesita aplicar el OCR a documentos de identidad pero aún no sabe por dónde empezar, los expertos de Regula están aquí para ayudarle.