Cognitive e-KYC: A Convergence of Biometric Forensics and Digital Identity Validation
Notice bibliographique
Résumé
e-KYC checks are of great importance for secure and efficient identity authentication in financial and regulatory services that are slow, error-prone and fraud-sensitive to traditional KYC methods. This study suggests an AI-driven e-KYC system that extracts important details such as AADHAAR number, name, date of birth, address, and integrates optical character detection (OCR) with Tesseract.js to achieve a processing time of 23 seconds per document with 90% accuracy of Aadhaar cards. The system uses deep learning-based facial recognition to compare it with 5% false negative rates in 1.5 seconds compared to live images and ID photos. Machine learning models recognize data inconsistencies to prevent fraud, but Uidai Aadhaar - API users details are detailed against official state records to improve reliability. Documentary security is guaranteed through ReportLab and Pypdf2 encryption. This adds 1.2 seconds of overhead per PDF with controlled file approval to meet data protection standards. End-to-end latency with stable internet remains under 10 seconds. This scalable and secure framework combines image improvements, document analysis, biometry, ML checks and API authentication to significantly improve the accuracy and recognition of fraud via traditional methods. Ideal for financial institutions, government agencies and digital platforms, it offers the latest automated AI improvement approach to reduce workloads, accelerate onboarding and check digital identity for manual reviews.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».