Hashing visual y reconocimiento de imágenes mediante IA para la protección digital de marcas

La protección digital de marcas no puede depender solo de buscar en textos, nombres de marcas o de vendedores. Un anuncio de productos falsificados puede omitir el nombre de la marca y seguir utilizando imágenes del producto, embalajes, logotipos, patrones o fotografías de catálogo.

Por tanto, el hashing visual, la búsqueda inversa de imágenes y el reconocimiento de imágenes mediante IA son capas técnicas importantes de los sistemas de protección digital de marcas.

¿Qué es el hashing visual?

Un hash convencional permite determinar si los archivos son idénticos. Sin embargo, redimensionar o comprimir una imagen puede cambiar por completo su hash.

El hashing perceptual crea una firma que resume las características perceptivas de una imagen para detectar similitudes pese a pequeños cambios.

¿Dónde se utilizan hashes perceptuales?

Encontrar copias de imágenes de catálogo,
Detectar la misma fotografía de producto en distintos marketplaces,
Identificar pequeños recortes o cambios de color,
Vigilar la reaparición de imágenes infractoras conocidas.

Un hash solo no es suficiente

Un hash perceptual puede resultar insuficiente si la imagen se ha recortado mucho, tiene texto superpuesto o se ha vuelto a fotografiar desde otro ángulo.

En estos casos pueden utilizarse sistemas de visión artificial y de similitud basados en embeddings.

Búsqueda inversa de imágenes

La búsqueda inversa de imágenes permite investigar dónde se utiliza una imagen concreta en Internet.

Para las marcas, puede ayudar a identificar:

Uso no autorizado de imágenes de catálogo,
Las tiendas falsas,
Perfiles de redes sociales que suplantan una identidad,
Anuncios de productos no autorizados

Similitud de imágenes basada en embeddings

Los modelos modernos de imagen pueden representar una fotografía como un vector de alta dimensión. Esto permite comparar imágenes semánticamente similares que no tienen una estructura de píxeles idéntica.

Por ejemplo, puede detectarse la similitud del producto aunque el mismo bolso se fotografíe con otro fondo y desde otro ángulo.

Detección de logotipo

El logotipo de una marca puede ocupar una parte muy pequeña de la fotografía. Los modelos de detección de logotipos pueden ayudar a identificar signos distintivos concretos en la imagen.

El resultado de un modelo no constituye por sí solo una decisión jurídica sobre una infracción; es una señal de riesgo.

Detección de objetos

Las formas de los productos, el embalaje o elementos de diseño particulares pueden analizarse utilizando modelos de detección de objetos.

Al supervisar grandes volúmenes de anuncios en marketplaces, estos modelos pueden reducir los candidatos antes de la revisión manual.

Utilizar imágenes y texto conjuntamente

Los resultados más fuertes provienen generalmente del análisis multimodal.

En un anuncio pueden evaluarse los siguientes elementos:

La imagen del producto,
Título,
Descripción,
Vendedor,
Precio,
Categoría,
Reseñas

Estas señales pueden valorarse conjuntamente.

Las anomalías de precios son señales de riesgo

Además de la similitud visual, los precios anormalmente bajos, los nuevos vendedores o las descripciones de riesgo pueden incorporarse a la puntuación de protección de marca.

El problema de los falsos positivos

Una puntuación de similitud elevada de una IA no significa que todos los anuncios sean de productos falsificados.

Un vendedor autorizado puede usar la misma imagen de catálogo, o un producto legal puede tener un diseño similar.

Por lo tanto, la detección automática y la decisión final deben mantenerse separadas.

Puntuación de riesgo

Ejemplo de modelo de riesgo:

Puntuación de similitud visual,
Coincidencia del logotipo,
Historial del vendedor,
Anomalía de precios,
Señales de texto,
Registros de infracciones anteriores.

Verificación humana

Los registros con puntuaciones elevadas pueden remitirse a especialistas. Así, el analista trabaja con un pequeño conjunto priorizado en lugar de millones de anuncios.

Preparación del expediente de pruebas

Cuando se detecta un anuncio de riesgo, no basta con guardar la puntuación de la IA.

Se pueden registrar los siguientes datos:

URL,
Información del vendedor,
Imagen del anuncio,
Captura de pantalla,
Fecha y hora,
Precio,
Razón para la detección.

Deriva del modelo y actualizaciones

A medida que cambian los catálogos de productos y los métodos de falsificación, el rendimiento del modelo puede disminuir. El sistema debe ser verificado periódicamente en comparación con nuevas variantes y casos verificados.

Integración con Marketplace Intelligence

El reconocimiento de imágenes no sirve solo para detectar falsificaciones. Relacionar anuncios del mismo producto de distintos vendedores también puede apoyar el análisis de precios, canales y vendedores.

El enfoque B10

B10 Digital Agency tiene como objetivo un enfoque de protección de marca basado en datos que evalúe conjuntamente las señales de texto, vendedor, precio e imagen.

Conclusión

El hashing visual y el reconocimiento de imágenes mediante IA no sustituyen a los especialistas en protección de marcas por un sistema de decisión automática. Son una capa de detección que ayuda a encontrar contenido de riesgo antes y a mayor escala en canales digitales de gran volumen.