Technologie
Technologie-ÜbersichtImage Trust LayerDocument Trust LayerAudio Trust LayerInformation Trust LayerSource VerificationProdukte
Fraud ScannerSafeCamSafeMicGardioBranchen
VersicherungBanking & KYCBehördenMedien & PresseHR & SpesenVerteidigungRessourcen
BlogCase StudiesAPI-DokumentationPreisePressebereichUnternehmen
Über unsJobsKontaktDer Document Trust Layer ist VAARHAFTs proprietäre Deep-Learning-Architektur, die gefälschte, manipulierte und KI-generierte Dokumente erkennt. Trainiert auf echten Real-World-Betrugsdaten, nicht auf akademischen Laborbenchmarks.
Jedes Modul übernimmt eine spezifische Dokumentenanalyse-Aufgabe. Proprietäre Neural Networks für Fälschungserkennung, deterministische Algorithmen für Strukturvalidierung und tiefgehende Metadaten-Extraktion. Alles über einen einzigen Endpoint.
Erkennt vollständig KI-generierte Dokumente von GPT-4o, Gemini oder anderen generativen Modellen. Identifiziert synthetische Layouts, Schriften und Inhaltsmuster.
Erkennt nachträgliche Dokumentenfälschung: geänderte Beträge, ausgetauschte Felder, modifizierte Unterschriften, Copy-Paste-Artefakte und Font-Rendering-Inkonsistenzen.
Interne und externe Duplikaterkennung über Dokumenten-Repositories hinweg. Identifiziert wiedereingereichte, recycelte oder geklonte Dokumente über einfachen Hash-Vergleich hinaus.
Extrahiert und referenziert PDF-Metadaten, Erstellungstools, Font-Embedding, Kompressionsartefakte und Bearbeitungshistorie zur Verifizierung der Dokumentenauthentizität.
Untersucht die interne Struktur von PDF-Dateien: Objektbäume, Stream-Encoding, Font-Subsetting und Layer-Komposition zur Erkennung struktureller Anomalien.
Klassifiziert automatisch Dokumenttypen (Rechnungen, Verträge, Ausweisdokumente, Zertifikate), um jedes Dokument in die passende Verifizierungs-Pipeline zu leiten.
Keine Off-the-Shelf Foundation Models. Unsere gesamte Dokumentenanalyse-Pipeline ist von Grund auf mit spezialisierten Architekturen für strukturelle, visuelle und semantische Dokumentenanalyse gebaut, trainiert ausschließlich auf proprietären forensischen Datensätzen.
Multi-Layer Document Analysis
Analysiert Dokumente gleichzeitig auf drei Ebenen: visuelles Erscheinungsbild, strukturelles Layout und semantische Inhaltskonsistenz.
Intrinsic Explainability
Die Erklärbarkeit ist fester mathematischer Bestandteil der Backpropagation, nicht nachträglich erzeugt wie bei GradCAM oder ELA. Der Beweis ist Teil der Klassifikation.
Deterministisch, kein LLM
100% reproduzierbare Ergebnisse. Kein stochastisches LLM, kein Prompt-Engineering, keine Halluzinationen.
Adversarial Hardening
Gehärtet gegen Adversarial Perturbations und reales Document Laundering: Scans, Faxe, Re-Exporte und Mehrfach-PDF-Kompression.
Eine hochoptimierte, mehrstufige Feature-Extraction-Pipeline, trainiert auf dokumentenspezifische Fälschungsartefakte, selbst nach Scannen, Faxen oder Re-Export. Intrinsische Erklärbarkeit als mathematisches Nebenprodukt, kein Post-hoc XAI.
Akademische Benchmarks testen auf unberührten, hochauflösenden PDFs. Betrüger nutzen gescannte Kopien, gefaxte Reproduktionen und re-exportierte Dateien. Die Benchmarks der meisten Dokumentenforensik-Anbieter sind für die Tonne.
Unser Modell wurde nicht im Labor, sondern auf echten Dokumentenbetrugs-Daten trainiert. Wir evaluieren unsere Metriken explizit auf degradierten Dokumenten: Scans, Faxe und re-komprimierte PDFs.
80% Precision @ 1% Prevalence: Selbst wenn 99 von 100 Dokumenten authentisch sind, liegt unser Modell in 8 von 10 Fällen richtig, wenn es ein Dokument als gefälscht flaggt.
Unsere Performance gilt auch wenn ein gefälschtes Dokument:
FP-Catcher Module
Die reine Dokumentenanalyse reicht für die Produktion nicht aus. Spezialisierte False-Positive Catcher Module sind an reale Produktionsbedingungen angepasst. Beispiel: Wasserzeichen und Stempel werden automatisch erkannt und gefiltert, um Fehlauslöser bei legitimen Overlays zu vermeiden.
Unterschiedliche Use Cases erfordern unterschiedliche Trade-offs. Automatisierte Ablehnung braucht maximale Precision. Screening mit Human-in-the-Loop maximiert Recall.
Wählen Sie den Modus, der zu Ihrem Risk-Appetite passt, oder lassen Sie uns Ihr Modell individuell kalibrieren.
Balanced: Ausgewogenes Verhältnis zwischen Precision und Recall. Standard-Konfiguration für die meisten Enterprise-Kunden.
Unsere Out-of-the-Box Metriken sind branchenführend, aber jedes Unternehmen hat eigene Dokumentenverteilungen. Wir bieten eine tiefe System-Kalibrierung an, um das Modell exakt auf die Anforderungen unserer Enterprise-Kunden einzustellen.
Durch fortgeschrittene Probability Calibration und Modellfinetuning stellen wir sicher, dass ein Confidence-Score von 90% auch wirklich einer 90%igen Wahrscheinlichkeit für eine Fälschung entspricht. Optimal für die nahtlose Integration in bestehende Risk-Engines.
Unser Modell wurde nicht im akademischen Labor trainiert. Über 5 Millionen in-house kuratierte Dokumentenproben, händisch manipuliert von Forensik-Experten, simulieren extreme Real-World-Bedingungen inklusive Scan-Degradation und gezielter Feldmanipulation.
Die meisten Open-Source-Tools für Dokumentenforensik setzen auf Template-Matching oder einfache Metadaten-Checks. Sie scheitern an gescannten Kopien, gefaxten Reproduktionen und re-exportierten PDFs, weil die visuellen Artefakte, auf die sie angewiesen sind, dabei zerstört werden. Unsere proprietären Modelle werden gezielt auf diese degradierten Eingaben trainiert. Deshalb bleibt unsere Genauigkeit stabil unter Bedingungen, bei denen konventionelle Ansätze unbrauchbar werden.
Zero-Day GenAI Defense
Wenn neue KI-Dokumentengeneratoren veröffentlicht werden, integrieren wir deren Signaturen innerhalb von Tagen, nicht Wochen.
GPU-Cluster (NVIDIA Tensor Core) skalieren dynamisch. 10 Requests nachts oder 5.000 RPM bei einer Kampagne. Die Latenz bleibt stabil.
Spezialisierte Sub-Models voten unabhängig auf Generation- und Manipulation-Probability, kombiniert via kalibriertes Ensemble.
Dedicated Endpoints, kein Serverless Cold-Start Penalty. Inference optimized via TensorRT (INT8 Quantization).
Durchschnittliche End-to-End-Latenz inklusive Ensemble-Voting, Heatmap-Generierung und JSON-Response.
Zero-Retention API: Wir speichern keine Dokumente. Der RAM wird direkt nach der Inference geleert. Privacy by Design.
Unterstützt alle gängigen Dokumentenformate nativ: PDF, TIFF, JPEG, PNG, WebP. Mehrseitige PDFs werden Seite für Seite verarbeitet.
Direkter Upload bis 10 MB für Einzeldokumente. Für große Payloads und Batch-Pipelines asynchrones S3-Offloading bis 80 MB mit Webhook-Benachrichtigung bei Abschluss.
Über 5 Millionen in-house kuratierte Dokumentenproben, die extreme Real-World-Bedingungen simulieren, inklusive Scan-Degradation und gezielter Feldmanipulation. Robustheit dort, wo herkömmliche SOTA-Modelle einbrechen.
Wenn neue KI-Dokumentengeneratoren veröffentlicht werden, integrieren wir deren Signaturen innerhalb von Tagen. Radikale Agilität im Katz-und-Maus-Spiel der KI-generierten Fälschungen.
Entwickelt und gehostet in Deutschland. Zero-Retention API: Der RAM wird direkt nach der Inference geleert, keine Kundendaten gespeichert. Vollständig audit-fähig, EU AI Act konform, kein Drittanbieter-Datenabfluss.
Unsere Architektur generiert Erklärbarkeit nicht im Nachhinein, sondern als zwingendes mathematisches Nebenprodukt. Granulare JSON-Daten und spatial Heatmaps beweisen pixelgenau, warum ein Dokument geflaggt wurde.
Von Grund auf für Skalierung gebaut. Asynchrone Webhooks, deterministische Verarbeitung ohne LLM-Overhead und nahtloses S3-Payload-Offloading für Gigabyte-schwere Dokumenten-Pipelines.
Spezialisierte Module für reale Produktionsbedingungen. Wasserzeichen-Erkennung, Stempel-Filterung und adaptive Threshold-Anpassung reduzieren False Positives auf ein Minimum.
Der Document Trust Layer ist die Core Document Detection Engine des VAARHAFT Fraud Scanners, verfügbar als fully managed API. Keine Infrastruktur, kein Model Maintenance. Einmal integrieren, dauerhaft profitieren.
{
"suspicion_level": "Red",
"Files": {
"invoice.pdf": { … },
"contract.pdf": { … }
},
"caseNumber": "Case 456B",
"sessionId": "7c2e9af1-5512-48b3-a1d7-ee43bc8d91f0",
"modelVersions": {
"imagesModelVersion": "vh-mo-images-alpha",
"documentsModelVersion": "vh-mo-docs-alpha"
},
"tokensConsumed": 18,
"attachments": {
"heatmaps": [ … ],
"analysis_report": [ … ]
}
}
Wir erkennen KI-generierte Dokumente von Systemen wie GPT-4o und Gemini, nachträgliche Manipulationen wie geänderte Beträge oder ausgetauschte Felder, Duplikat-Einreichungen über Repositories hinweg und strukturelle Anomalien in PDF-Dateien. Unsere sechs Module decken das volle Spektrum von synthetischer Dokumentengenerierung bis gezielter Feld-Manipulation ab.
Anders als Tools, die auf saubere digitale PDFs angewiesen sind, werden unsere Modelle explizit auf degradierten Eingaben trainiert: gescannte Kopien, Smartphone-Fotos, gefaxte Reproduktionen und re-komprimierte Dateien. Die Erkennungsgenauigkeit bleibt stabil, weil unsere Trainingsdaten reale Bedingungen abbilden, nicht Labor-Originale.
Ja. Unser Tampering-Detection-Modul identifiziert nachträgliche Manipulationen auf Feldebene: geänderte Beträge, modifizierte Unterschriften, ausgetauschte Felder, Copy-Paste-Artefakte und Font-Rendering-Inkonsistenzen. Die Heatmap-Ausgabe zeigt exakt, welche Dokumentbereiche die Erkennung ausgelöst haben.
Wir setzen spezialisierte FP-Catcher-Module für Produktionsbedingungen ein. Stempel, Firmenlogos und vorhandene Wasserzeichen werden automatisch erkannt und von der forensischen Analyse ausgeschlossen. Enterprise-Kunden können zusätzlich individuelle Schwellenwerte für ihre spezifischen Dokumententypen konfigurieren.
Die API unterstützt PDF (ein- und mehrseitig), TIFF, JPEG, PNG und WebP nativ. Mehrseitige PDFs werden Seite für Seite verarbeitet. Für große Batch-Pipelines verarbeitet asynchrones S3-Offloading Dateien bis 80 MB mit Webhook-Benachrichtigung bei Abschluss.
Nein. Der Document Trust Layer nutzt eine Zero-Retention-Architektur. Dokumente werden im GPU-RAM verarbeitet und sofort nach der Inferenz gelöscht. Keine Kundendokumente werden gespeichert, protokolliert oder aufbewahrt. Die API ist vollständig stateless, in Deutschland gehostet und EU AI Act konform.
Jedes VAARHAFT-Produkt baut auf derselben proprietären Technologiebasis auf: fünf spezialisierte Trust Layer für Bilder, Dokumente, Audio, kontextuelle Informationen und Capture-Time-Quellenverifikation. Gemeinsam bilden sie die technologische Basis der VAARHAFT Trust Suite.
Erkennt gefälschte, manipulierte und KI-generierte Dokumente.
Buchen Sie eine Demo und sehen Sie, wie unsere Erkennung auf Ihrer realen Dokumenten-Pipeline performt. Wir zeigen Ihnen Integration, Schwellenwert-Konfiguration und Deployment-Optionen.
