नौकरी धोखाधड़ी में AI का जाल: डीपफेक उम्मीदवारों का उदय (HI)

यह 70 मिनट लेता है। यह वह समय है जो किसी ऐसे व्यक्ति को लगता है जिसके पास शून्य तकनीकी अनुभव है, एक विश्वसनीय डीपफेक उम्मीदवार बनाने में - एक सिंथेटिक चेहरा, क्लोन की गई आवाज और निर्मित पेशेवर पृष्ठभूमि के साथ। HR Dive के अनुसार, ओपन-सोर्स टूल डाउनलोड करने से लेकर वीडियो कॉल पर रियल-टाइम फेस स्वैप चलाने तक की पूरी प्रक्रिया एक घंटे से भी कम समय में की जा सकती है।

यह एक सैद्धांतिक खतरा नहीं है। यह अभी हो रहा है, बड़े पैमाने पर, और अधिकांश भर्ती टीमें इसे पहचानने के लिए सुसज्जित नहीं हैं।

समस्या की गंभीरता

आंकड़े एक चिंताजनक तस्वीर पेश करते हैं। CBS News के अनुसार, 50% व्यवसायों ने पहले ही AI-संचालित डीपफेक धोखाधड़ी का सामना कर लिया है। उम्मीदवार पक्ष में, 2024 में 39% नौकरी चाहने वालों ने अपनी आवेदन प्रक्रिया के दौरान AI का उपयोग किया (Gartner 4Q24), और 28% उम्मीदवारों ने स्वीकार किया है कि वे नकली कार्य नमूने बनाने के लिए AI का उपयोग करते हैं (Greenhouse 2025 Candidate Fraud Report)।

लेकिन कवर लेटर को बेहतर बनाने के लिए ChatGPT का उपयोग करना एक बात है। पूरी तरह से अलग व्यक्ति के रूप में वीडियो साक्षात्कार में पेश होना - आपका अपना चेहरा रियल टाइम में मैप किया गया एक सिंथेटिक चेहरे के साथ - पूरी तरह से कुछ और है। यही सीमा है जिसे हमने पार कर लिया है।

शायद सबसे महत्वपूर्ण बात: 62% भर्ती पेशेवर अब मानते हैं कि नौकरी चाहने वाले AI के साथ दक्षता का दिखावा करने में HR टीमों की तुलना में बेहतर हैं। विषमता समस्या है। डीपफेक उपकरण मानव आंख की तुलना में तेजी से सुधार कर रहे हैं।

भर्ती धोखाधड़ी में डीपफेक तकनीक कैसे काम करती है

डीपफेक हायरिंग प्लेबुक में आमतौर पर धोखे की तीन परतें होती हैं, प्रत्येक अधिक से अधिक सुलभ AI टूल द्वारा संचालित होती हैं।

सिंथेटिक पहचान निर्माण

पहला कदम एक ऐसे उम्मीदवार का निर्माण करना है जो मौजूद नहीं है। जनरेटिव एडवर्सरीयल नेटवर्क (GANs) फोटो-रियलिस्टिक हेडशॉट बनाते हैं जो रिवर्स इमेज सर्च पास करते हैं। बड़े भाषा मॉडल विशिष्ट नौकरी विवरणों के अनुरूप पॉलिश किए गए रिज्यूमे, कवर लेटर और यहां तक कि कोड पोर्टफोलियो भी जेनरेट करते हैं। LinkedIn प्रोफाइल सिंथेटिक कनेक्शन नेटवर्क के साथ बनाए जाते हैं। उम्मीदवार के पास एक डिजिटल पदचिह्न है जो आकस्मिक निरीक्षण के तहत वैध दिखता है।

वीडियो कॉल पर रियल-टाइम फेस स्वैपिंग

यहीं पर तकनीक खतरनाक हो जाती है। DeepFaceLive, FaceFusion और मालिकाना विकल्पों जैसे टूल एक सिंथेटिक चेहरे को रियल टाइम में लाइव वीडियो फीड पर ओवरले कर सकते हैं। लेटेंसी इतनी कम है कि आउटपुट Zoom, Google Meet और Microsoft Teams जैसे प्लेटफॉर्म पर स्वाभाविक दिखता है।

जून 2025 में, Pindrop ने बिल्कुल दिखाया कि यह कितना आसान है। पत्रकारों के लिए एक लाइव डेमो के दौरान, उनकी टीम ने एक पत्रकार के चेहरे को रियल टाइम में एक Zoom कॉल के दौरान बदल दिया - स्वैप इतना सहज था कि यह एक सामान्य साक्षात्कार सेटिंग में आकस्मिक अवलोकन को पास कर लेगा। पत्रकार की अभिव्यक्तियाँ, सिर की हरकतें और लिप सिंक सभी सिंथेटिक चेहरे पर विश्वसनीय रूप से मैप किए गए थे।

अंतर्निहित तकनीक चेहरे के लैंडमार्क डिटेक्शन, मेश वार्पिंग और न्यूरल रेंडरिंग पर निर्भर करती है। एक स्रोत चेहरे को प्रमुख बिंदुओं के एक सेट में विघटित किया जाता है - आंखें, नाक, मुंह, जॉलाइन - और एक लक्ष्य चेहरे की बनावट को फ्रेम द्वारा फ्रेम उन लैंडमार्क पर रेंडर किया जाता है। आधुनिक कार्यान्वयन उपभोक्ता-ग्रेड GPU पर 30+ फ्रेम प्रति सेकंड पर चलते हैं।

वॉइस क्लोनिंग और स्पीच सिंथेसिस

कुछ सेकंड की ऑडियो पर्याप्त है। ElevenLabs, Resemble AI और ओपन-सोर्स विकल्पों जैसे वॉइस क्लोनिंग मॉडल सिंथेटिक स्पीच का उत्पादन कर सकते हैं जो एक लक्ष्य आवाज के पिच, कैडेंस और उच्चारण से मेल खाते हैं। रियल-टाइम फेस स्वैपिंग के साथ संयुक्त, यह एक "प्रॉक्सी साक्षात्कार" को सक्षम बनाता है जहां प्रश्न पूछने वाला व्यक्ति नौकरी के लिए आवेदन करने वाला व्यक्ति नहीं है।

आवाज को वास्तविक उम्मीदवार से क्लोन करने की भी आवश्यकता नहीं है। धोखेबाज पूरी तरह से सिंथेटिक आवाजें उत्पन्न कर सकते हैं जो केवल पेशेवर और सुसंगत लगती हैं। लक्ष्य सही प्रतिकृति नहीं है - यह उचित इनकार है।

प्रॉक्सी साक्षात्कार समस्या, बढ़ाई गई

प्रॉक्सी साक्षात्कार नए नहीं हैं। उम्मीदवार वर्षों से दूसरों को अपनी ओर से साक्षात्कार देने के लिए भुगतान कर रहे हैं, विशेष रूप से तकनीकी भूमिकाओं में जहां कोडिंग स्क्रीन को अधिक कुशल स्टैंड-इन द्वारा पूरा किया जा सकता है। AI ने जो बदला है वह है प्रवेश की बाधा और धोखे की परिष्कार।

डीपफेक से पहले, प्रॉक्सी साक्षात्कार के लिए स्टैंड-इन को उम्मीदवार जैसा दिखने या ऑडियो-ओनली कॉल का फायदा उठाने की आवश्यकता होती थी। अब, स्टैंड-इन किसी की तरह दिख सकता है और लग सकता है। एक एकल "साक्षात्कार कोच" एक साथ दर्जनों नकली उम्मीदवारों को सेवा दे सकता है, फ्लाई पर चेहरे स्वैप कर सकता है।

अर्थशास्त्र सीधा है। एक प्रॉक्सी सेवा कुछ हजार डॉलर का शुल्क लेती है। यदि नकली उम्मीदवार छह अंकों की रिमोट भूमिका प्राप्त करता है और पता चलने से पहले कुछ महीनों तक वेतन प्राप्त करता है, तो ROI बहुत बड़ा है - धोखेबाज के लिए।

KnowBe4 मामला: जब एक राष्ट्र-राज्य खेलता है

आज तक का सबसे डरावना उदाहरण KnowBe4, साइबर सुरक्षा जागरूकता प्रशिक्षण कंपनी से जुड़ा है। 2024 में, KnowBe4 ने एक वैध सॉफ्टवेयर इंजीनियर को काम पर रखा। उम्मीदवार ने कई वीडियो साक्षात्कार, पृष्ठभूमि जांच और संदर्भ सत्यापन पास किए।

"उम्मीदवार" वास्तव में एक उत्तर कोरियाई ऑपरेटिव था। उन्होंने AI-वर्धित स्टॉक फोटो का उपयोग किया था जिसमें वीडियो स्क्रीनिंग पास करने के लिए वास्तविक चेहरे की विशेषताएं ओवरले की गई थीं। निर्मित पहचान में एक वास्तविक अमेरिकी नागरिक से चुराई गई व्यक्तिगत जानकारी शामिल थी, जो सिंथेटिक दृश्य परत के साथ संयुक्त थी।

KnowBe4 को धोखाधड़ी का पता तब चला जब जारी किए गए कंपनी लैपटॉप ने कॉर्पोरेट नेटवर्क पर मैलवेयर स्थापित करने का प्रयास किया। ऑपरेटर का काम करने का इरादा कभी नहीं था - लक्ष्य नेटवर्क घुसपैठ था।

इस मामले को महत्वपूर्ण बनाता है कि KnowBe4 एक सुरक्षा कंपनी है। वे सामाजिक इंजीनियरिंग का पता लगाने के व्यवसाय में हैं। यदि उनकी भर्ती प्रक्रिया को मूर्ख बनाया गया था, तो हर कंपनी को मान लेना चाहिए कि उनकी कमजोर है।

KnowBe4 की घटना एक अलग राष्ट्र-राज्य संचालन नहीं थी। यह एक प्लेबुक है जो अब बुनियादी तकनीकी साक्षरता और सही ओपन-सोर्स टूल वाले किसी भी व्यक्ति के लिए उपलब्ध है।

पारंपरिक पहचान विधियाँ क्यों विफल होती हैं

भर्ती टीमों ने कई जवाबी उपाय किए हैं, और उनमें से अधिकांश विफल हो रहे हैं।

मानव आँख पर्याप्त नहीं है

51% भर्ती प्रबंधक सहमत हैं कि AI ने आभासी साक्षात्कार पर भरोसा करना कठिन बना दिया है। दृश्य कलाकृतियाँ जो शुरुआती डीपफेक को पहचानने योग्य बनाती थीं - अजीब घाटी की त्वचा की बनावट, बालों के किनारों के आसपास टिमटिमाना, बेमेल प्रकाश व्यवस्था - को वर्तमान पीढ़ी के टूल में बड़े पैमाने पर समाप्त कर दिया गया है। वीडियो कॉल की विशिष्ट रिज़ॉल्यूशन और संपीड़न (720p, परिवर्तनीय बिटरेट) पर, डीपफेक कलाकृतियाँ अक्सर सामान्य वीडियो संपीड़न शोर से अप्रभेद्य होती हैं।

पृष्ठभूमि जांच सिंथेटिक पहचान को याद करती है

पारंपरिक पृष्ठभूमि जांच सत्यापित करती हैं कि दावा किए गए नाम, पते और रोजगार इतिहास के साथ एक वास्तविक व्यक्ति मौजूद है। वे सत्यापित नहीं करते हैं कि वीडियो कॉल पर वह व्यक्ति वह व्यक्ति है। चोरी किए गए PII पर निर्मित एक सिंथेटिक पहचान पृष्ठभूमि जांच को साफ कर देगी - जैसा कि KnowBe4 मामले में हुआ था।

संदर्भ जांच आसानी से की जा सकती है

संदर्भों को नकली बनाया जा सकता है, सहयोगियों को आउटसोर्स किया जा सकता है, या यहां तक कि AI आवाज एजेंटों द्वारा उत्पन्न किया जा सकता है जो फोन का जवाब देते हैं और स्क्रिप्टेड समर्थन प्रदान करते हैं। पूरी संदर्भ जांच पाइपलाइन अच्छी विश्वास भागीदारी मानती है, जिसका सटीक लाभ धोखाधड़ी संचालन करते हैं।

तकनीकी आकलन पहचान सत्यापित नहीं करते हैं

कोडिंग चुनौतियाँ, घर पर करने के कार्य और लाइव तकनीकी स्क्रीन सत्यापित करते हैं कि कोई काम कर सकता है। वे सत्यापित नहीं करते हैं कि काम करने वाला व्यक्ति वह व्यक्ति है जो पहले दिन दिखाई देगा। प्रॉक्सी साक्षात्कार मॉडल में, तकनीकी मूल्यांकन कुशल स्टैंड-इन द्वारा पूरा किया जाता है, और वास्तविक "कर्मचारी" पूर्व-निर्मित स्क्रिप्ट और AI सहायकों पर निर्भर करता है।

कार्यालय में वापस लौटने की साक्षात्कार रणनीति

डीपफेक समस्या का सामना करते हुए, दुनिया की कुछ सबसे बड़ी कंपनियों ने सबसे प्रत्यक्ष दृष्टिकोण लिया: उम्मीदवारों को व्यक्तिगत रूप से दिखाने की आवश्यकता होती है।

मध्य-2025 में, Google और McKinsey ने प्रमुख भूमिकाओं के लिए अनिवार्य व्यक्तिगत साक्षात्कार फिर से शुरू कर दिए, वॉल स्ट्रीट जर्नल के अनुसार। वे अकेले नहीं हैं - 72% कंपनियां अब AI-संचालित उम्मीदवार धोखाधड़ी से लड़ने के लिए साक्षात्कार प्रक्रिया के किसी न किसी चरण में व्यक्तिगत साक्षात्कार की आवश्यकता की रिपोर्ट कर रही हैं।

तर्क सरल है। यह किसी को व्यक्तिगत रूप से टेबल पर बैठे हुए डीपफेक करना बहुत मुश्किल है। शारीरिक उपस्थिति अंतिम लाइवनेस चेक है।

क्यों व्यक्तिगत रूप से एक स्केलेबल समाधान नहीं है

लेकिन इस दृष्टिकोण की महत्वपूर्ण सीमाएँ हैं।

भौगोलिक बहिष्कार। साक्षात्कार के लिए कार्यालय में उड़ान भरने के लिए उम्मीदवारों की आवश्यकता तत्काल प्रतिभा पूल को प्रतिबंधित करती है। ऐसी कंपनियां जिन्होंने रिमोट-फर्स्ट हायरिंग पर अपने नियोक्ता ब्रांड का निर्माण किया है, अब उम्मीदवारों को बता रही हैं कि उन्हें व्यक्तिगत रूप से दिखाई देने की आवश्यकता है - कभी-कभी समय क्षेत्रों या अंतर्राष्ट्रीय सीमाओं पर। यह असमान रूप से उभरते बाजारों, विकलांग लोगों और अटकलों पर यात्रा खर्च वहन करने में असमर्थ लोगों के उम्मीदवारों को बाहर करता है।

लागत और गति। व्यक्तिगत साक्षात्कार में हायरिंग टाइमलाइन में दिन या सप्ताह जुड़ जाते हैं और प्रति उम्मीदवार यात्रा प्रतिपूर्ति में हजारों डॉलर लगते हैं। उच्च-मात्रा वाली भूमिकाओं के लिए, गणित काम नहीं करता है।

यह केवल एक कदम हल करता है। भले ही साक्षात्कार व्यक्तिगत रूप से हो, ऑनबोर्डिंग, चल रही प्रमाणीकरण और दिन-प्रतिदिन का काम सत्यापन दूरस्थ रहता है। एक दृढ़ धोखेबाज वास्तविक साक्षात्कार के लिए एक वास्तविक व्यक्ति भेज सकता है और फिर रिमोट कार्य के लिए एक प्रॉक्सी को बदल सकता है।

व्यक्तिगत जनादेश एक कुंद उपकरण है। यह डीपफेक वीडियो कॉल - लक्षण को संबोधित करता है - अंतर्निहित समस्या को हल किए बिना: साक्षात्कार करने वाले व्यक्ति और काम करने वाले व्यक्ति के बीच कोई क्रिप्टोग्राफिक लिंक नहीं है।

बायोमेट्रिक लाइवनेस डिटेक्शन डीपफेक को कैसे हराता है

डीपफेक उम्मीदवारों का तकनीकी मुकाबला सम्मेलन कक्ष में सभी को मजबूर करना नहीं है। यह बायोमेट्रिक लाइवनेस डिटेक्शन है - उसी तकनीक का उपयोग वित्तीय सेवाओं में पैमाने पर पहचान धोखाधड़ी को रोकने के लिए किया जाता है।

निष्क्रिय लाइवनेस विश्लेषण

आधुनिक लाइवनेस डिटेक्शन के लिए उपयोगकर्ता को कोई विशेष क्रिया करने की आवश्यकता नहीं होती है। निष्क्रिय लाइवनेस सिस्टम अनैच्छिक जैविक संकेतों का विश्लेषण करते हैं जिन्हें डीपफेक दोहरा नहीं सकते हैं: प्राकृतिक पलक झपकाने के पैटर्न, सूक्ष्म भाव, त्वचा की बनावट सब-पिक्सेल स्तर पर, रक्त प्रवाह पैटर्न जो त्वचा के रंग में बदलाव के माध्यम से दिखाई देते हैं (दूरस्थ फोटोप्लेटिस्मोग्राफी), और एक वास्तविक चेहरे की 3डी गहराई प्रोफ़ाइल बनाम एक फ्लैट रेंडरिंग।

इन संकेतों का विश्लेषण न्यूरल नेटवर्क द्वारा किया जाता है जो वास्तविक और सिंथेटिक चेहरे के नमूनों के लाखों लोगों पर प्रशिक्षित होते हैं। वर्तमान सिस्टम, जैसे कि iBeta Level 1 मानकों के लिए प्रमाणित हैं, 99.9% सटीकता प्राप्त करते हैं असली चेहरों को डीपफेक, मुद्रित तस्वीरों, स्क्रीन रीप्ले और 3डी मास्क से अलग करने में।

महत्वपूर्ण लाभ यह है कि निष्क्रिय लाइवनेस उपयोगकर्ता के लिए अदृश्य है। गेम खेलने के लिए कुछ भी नहीं है क्योंकि उम्मीदवार को सटीक रूप से नहीं पता कि क्या मापा जा रहा है।

यादृच्छिक चुनौतियों के साथ सक्रिय लाइवनेस

उच्च-आश्वासन परिदृश्यों के लिए, सक्रिय लाइवनेस यादृच्छिक उपयोगकर्ता क्रियाएं जोड़ता है - अपना सिर बाईं ओर घुमाएं, दो बार पलकें झपकाएं, मुस्कुराएं। चूँकि चुनौतियाँ जाँच के क्षण में यादृच्छिक रूप से उत्पन्न होती हैं, पूर्व-रिकॉर्ड किए गए वीडियो हमले विफल हो जाते हैं। वास्तविक समय में चलने वाला एक डीपफेक सही निष्ठा के साथ यादृच्छिक निर्देश को सही चेहरे की हरकत में अनुवाद करने में सक्षम नहीं होगा - एक चुनौती जिसे वर्तमान फेस-स्वैप मॉडल विश्वसनीय रूप से पूरा नहीं कर सकते हैं।

सरकारी आईडी के खिलाफ फेस मैच 1:1

भर्ती के लिए सबसे शक्तिशाली अनुप्रयोग फेस मैच है: वीडियो कॉल पर व्यक्ति के बायोमेट्रिक डेटा की सत्यापित सरकारी-जारी आईडी के साथ तुलना करना। सिस्टम एक चेहरे का एम्बेडिंग निकालता है - चेहरे की ज्यामिति का 512-आयामी गणितीय प्रतिनिधित्व - दोनों लाइव कैप्चर और आईडी फोटो से, फिर एक समानता स्कोर की गणना करता है।

यह उस क्रिप्टोग्राफिक लिंक बनाता है जो पारंपरिक हायरिंग में नहीं है। अपनी पहचान सत्यापित करने वाला व्यक्ति साबित होता है कि साक्षात्कार देने वाला व्यक्ति वही है और, महत्वपूर्ण रूप से, दिन एक पर लॉग इन करने वाला व्यक्ति भी वही है।

क्यों डीपफेक बायोमेट्रिक लाइवनेस को नहीं हरा सकते

डीपफेक फेस स्वैप पिक्सेल स्तर पर काम करते हैं - वे चेहरे की दृश्य उपस्थिति में हेरफेर करते हैं। बायोमेट्रिक लाइवनेस सिग्नल स्तर पर काम करता है - गहराई, बनावट, गति और अनैच्छिक जैविक प्रतिक्रियाओं का विश्लेषण करता है जो पिक्सेल सतह के नीचे मौजूद होते हैं।

एक डीपफेक वास्तविक चेहरे जैसा दिख सकता है। यह एक वास्तविक चेहरे के उपचर्म रक्त प्रवाह पैटर्न की प्रतिकृति नहीं बना सकता है। यह सही अवरक्त परावर्तन प्रोफ़ाइल उत्पन्न नहीं कर सकता है। यह वास्तविक चेहरे की मांसपेशियों के सूक्ष्म कंपन पैटर्न उत्पन्न नहीं कर सकता है। ये वे संकेत हैं जिन्हें लाइवनेस डिटेक्शन कैप्चर करता है, और वे डीपफेक मॉडल को पुन: पेश करने के लिए प्रशिक्षित वास्तविकता की एक मौलिक रूप से अलग परत का प्रतिनिधित्व करते हैं।

डीपफेक-प्रूफ हायरिंग प्रक्रिया का निर्माण

समाधान एक एकल उपकरण नहीं है - यह एक स्तरित सत्यापन वास्तुकला है जो डीपफेक धोखाधड़ी को आर्थिक रूप से अव्यवहार्य बना देती है।

चरण 1: आवेदन पर पहचान सत्यापन

भर्ती पाइपलाइन में प्रवेश करने से पहले, सरकारी-जारी दस्तावेज़ के साथ उनकी पहचान सत्यापित करें जिसमें बायोमेट्रिक लाइवनेस हो। यह एक सत्यापित पहचान एंकर स्थापित करता है। Didit जैसे प्लेटफ़ॉर्म $0.20 प्रति लाइवनेस चेक के साथ फेस मैच पर यह प्रदान करते हैं - पारंपरिक पृष्ठभूमि जांच प्रदाताओं द्वारा चार्ज किए गए $30-100 की तुलना में बहुत कम निष्कर्षपूर्ण सत्यापन के लिए।

चरण 2: साक्षात्कार में बायोमेट्रिक री-वेरिफिकेशन

प्रत्येक वीडियो साक्षात्कार की शुरुआत में, उम्मीदवार एक संक्षिप्त लाइवनेस चेक करता है जिसकी तुलना चरण 1 से उनकी सत्यापित पहचान से की जाती है। इससे यह पुष्टि होती है कि कॉल पर व्यक्ति वही व्यक्ति है जिसकी पहचान सत्यापित की गई थी। यदि किसी ने डीपफेक ओवरले के साथ एक प्रॉक्सी को स्वैप कर लिया है, तो बायोमेट्रिक बेमेल को तुरंत चिह्नित किया जाएगा।

चरण 3: ऑनबोर्डिंग के दौरान निरंतर प्रमाणीकरण

पहले दिन, नए हायर बायोमेट्रिक सत्यापन करते हैं। उनके चेहरे का एम्बेडिंग उसी सत्यापित पहचान एंकर के खिलाफ मिलान किया जाता है। यह वह लूप बंद कर देता है जिसे व्यक्तिगत साक्षात्कार नहीं कर सकते: आवेदन से लेकर रोजगार तक पहचान की निरंतरता सुनिश्चित करना।

चरण 4: जोखिम-आधारित एस्केलेशन

हर भूमिका को आश्वासन के समान स्तर की आवश्यकता नहीं होती है। एक निगरानी किए गए वातावरण में एक ग्राहक सेवा प्रतिनिधि में उत्पादन प्रणालियों तक पहुंच वाले एक दूरस्थ सॉफ्टवेयर इंजीनियर की तुलना में अलग जोखिम होता है। सत्यापन की तीव्रता जोखिम प्रोफाइल के साथ स्केल होनी चाहिए - मानक भूमिकाओं के लिए निष्क्रिय लाइवनेस, उच्च-विश्वास पदों के लिए दस्तावेज़ सत्यापन के साथ सक्रिय लाइवनेस।

रोकथाम का अर्थशास्त्र

लागत गणना कठोर है। एक तकनीकी भूमिका में धोखाधड़ी वाली भर्ती सैकड़ों हजारों डॉलर का नुकसान कर सकती है - प्रत्यक्ष वेतन चोरी, बौद्धिक संपदा जोखिम, नेटवर्क समझौता (KnowBe4 मामले में), या बस धोखाधड़ी का पता चलने के बाद पुन: भर्ती की लागत के माध्यम से।

भर्ती के बिंदु पर बायोमेट्रिक पहचान सत्यापन प्रति उम्मीदवार एक डॉलर से कम की लागत आती है। निवेश पर प्रतिफल दक्षता लाभ में नहीं मापा जाता है - यह बचाए गए विनाशकारी नुकसान में मापा जाता है।

व्यक्तिगत साक्षात्कार में वापस जाने वाली कंपनियां प्रत्येक उम्मीदवार के लिए हजारों डॉलर खर्च कर रही हैं ताकि एक ऐसी समस्या का समाधान किया जा सके जिसे बायोमेट्रिक तकनीक एक डॉलर से कम में संबोधित कर सकती है। इन दो दृष्टिकोणों के बीच का अंतर केवल डीपफेक उपकरण में लगातार सुधार और धोखाधड़ी आवेदनों की मात्रा बढ़ने के साथ ही बढ़ेगा।

आगे क्या होगा

डीपफेक उम्मीदवार की समस्या बेहतर होने से पहले बदतर हो जाएगी। उपकरण अधिक सुलभ होते जा रहे हैं, आउटपुट गुणवत्ता प्रत्येक मॉडल पीढ़ी के साथ सुधार हो रही है, और रिमोट कार्य मुआवजे में वृद्धि के साथ धोखाधड़ी के लिए वित्तीय प्रोत्साहन बढ़ रहे हैं।

भर्ती उद्योग के पास बायोमेट्रिक सत्यापन को अपनाने के लिए एक संकीर्ण खिड़की है इससे पहले कि डीपफेक-सक्षम धोखाधड़ी डिफ़ॉल्ट बन जाए, न कि अपवाद। डीपफेक को हराने की तकनीक मौजूद है - निष्क्रिय लाइवनेस, सक्रिय चुनौतियां, सत्यापित दस्तावेजों के खिलाफ चेहरा मिलान, 512-आयामी चेहरे के एम्बेडिंग जिसे कोई डीपफेक दोहरा नहीं सकता।

प्रश्न यह नहीं है कि कंपनियां अपनी भर्ती प्रक्रिया में बायोमेट्रिक पहचान सत्यापन को अपनाएंगी या नहीं। यह है कि क्या वे अपना KnowBe4 पल आने से पहले ऐसा करेंगे।