Pular para o conteúdo
fraudeforensepdfarquiteturatestestamperlens

Detecção de fraude documental sem ML: a defesa do engine determinístico

Douglas Haruo 12 min 24/09/2026

O Tamperlens analisa documentos em busca de sinais de adulteração e não tem um grama de machine learning: nenhum modelo, nenhuma GPU, nenhuma chamada a terceiro. A dependência mais exótica do package.json é um driver de SQLite. Num mercado que vende “IA” no título, isso parece atraso. E é a decisão de arquitetura mais deliberada do produto.

Este post é a defesa dela em duas partes. A primeira: por que regras determinísticas, que dão sempre a mesma saída para a mesma entrada, vencem ML neste domínio específico. A resposta não generaliza para qualquer detecção. A segunda, menos óbvia: o que a promessa de determinismo exige de engenharia para ser verdadeira. Porque “same bytes in, same report out” não acontece por acaso nem sobrevive sem teste.


Parte 1: por que sem ML — quatro argumentos, um domínio

1. A evidência neste domínio é estrutural, e estrutura se verifica — não se estima

Fraude documental tem uma assimetria que a maioria dos domínios de detecção não tem: a aparência é a camada que o adulterador controla; a estrutura é a que ele esquece. Um PDF editado quase nunca parece editado. Mas carrega revisões incrementais, objetos substituídos, datas incoerentes entre si, assinatura cobrindo menos bytes do que o arquivo tem. Esses fatos são binários e verificáveis: ou a cadeia de revisões existe nos bytes, ou não existe.

Um classificador treinado responde “este documento se parece com os fraudados que já vi”. Uma regra estrutural responde “este documento foi salvo de novo depois de assinado, e aqui está o offset”, a posição exata no arquivo. Para quem precisa agir sobre o resultado, a segunda resposta é utilizável e a primeira é um palpite com percentual. Agir aqui significa recusar um documento, escalar um caso, sustentar a decisão numa disputa.

2. No adversarial, o modelo aprende o passado; a regra verifica o presente

Detecção de fraude é um jogo contra adversário que se adapta. Um modelo aprende a distribuição das fraudes de ontem. O fraudador de amanhã ajusta a aparência, que é exatamente a feature que o modelo enxerga. E há medição pública ilustrando o teto disso: um LLM multimodal de ponta avaliado sobre documentos forjados pontuou AUC de 0,509. Estatisticamente, é uma moeda ao ar.

A regra estrutural não é imbatível. Ela é falsificável de outro jeito. O adversário pode reescrever o arquivo inteiro para apagar um rastro estrutural, e isso é medível. A bancada de evasão do produto roda as fixtures, os arquivos de teste, por ferramentas reais de reescrita. Ela registra, família por família, o que sobrevive e o que morre, em JSON versionado. Saber exatamente o que uma lavagem de arquivo apaga, e publicar isso, só é possível porque o detector é determinístico. Não existe matriz de evasão honesta de um modelo que muda a resposta com a temperatura.

3. O comprador precisa poder fazer regression test do seu detector

A propriedade está escrita na documentação de arquitetura como argumento de venda técnico. Mesmos bytes de entrada → mesmo relatório é algo que um cliente fintech pode fixar em teste de regressão. O cliente integra a API e guarda pares entrada/saída dos casos que importam. O CI dele quebra se um upgrade do detector mudar um veredicto do qual o fluxo dele depende. E há changelog para ler, porque mudança de comportamento é mudança de versão.

Tente prometer isso com um modelo re-treinado periodicamente: cada re-treino move a fronteira de decisão em silêncio, em direções que nem o fornecedor sabe enumerar. Para um sistema em cadeia de compliance, um detector que muda de opinião sem versão não é um componente. É uma fonte de incidentes.

4. Documentos sensíveis não deveriam viajar

Sem modelo externo e sem chamada a terceiro, o documento entra, é analisado em CPU, e o relatório sai. Nada do conteúdo alimenta treino, nada atravessa fronteira de dado. Num produto que analisa contratos, extratos e documentos de identidade, “o arquivo não vai para lugar nenhum” não é feature de privacidade. É pré-condição de adoção.

Parte 2: o que o determinismo custa — a engenharia da promessa

Dizer “determinístico” é fácil. As cinco decisões abaixo são o que impede a palavra de apodrecer.

O relógio é lido uma vez e injetado

A fonte de não-determinismo mais sorrateira num analisador não é aleatoriedade. É Date.now(). Sinais de anomalia de data comparam datas do documento com “agora”. Se cada módulo lê o relógio no seu próprio instante, o mesmo arquivo produz relatórios diferentes em execuções diferentes. E um teste que fixa a saída não pode existir.

No engine, o motor de análise, now é resolvido uma vez por inspeção e propagado a todos os sinais como argumento. O chamador pode fixá-lo, inclusive a bancada de testes. “Same bytes in, same report out” vira uma propriedade que a suíte afirma de verdade, com o relógio pinado num instante conhecido.

Até a ordem dos sinais é especificada

O relatório ordena sinais por severidade e, dentro da severidade, por id, em ordem alfabética e estável. Parece cosmético. Não é. Ordem não especificada significa três coisas. Diffs de snapshot que mudam sem causa. Clientes que dependem por acidente da ordem de iteração de um objeto. E “mesmo relatório” que só é mesmo depois de normalizar. Determinismo que exige normalização do lado de quem verifica é determinismo pela metade.

Pesos são versionados: recalibrar É lançar versão

O score agregado, a nota final, nasce de pesos por severidade, pisos e uma função de retornos decrescentes. O comentário no módulo de score diz a regra da casa: os pesos são versionados pela versão do engine, e mudá-los é bump de versão. Não existe “ajustezinho de calibração” fora do changelog. Para quem faz regression test contra o detector, recalibração é mudança de comportamento, indistinguível de qualquer outra.

E o desenho do score carrega semântica, não só aritmética. Dois exemplos que valem roubar:

  • Retornos decrescentes por severidade: do terceiro sinal de mesma severidade em diante, a contribuição decai geometricamente. Uma pilha de sinais fracos converge para um teto (~2,5× o peso da severidade) em vez de somar até 100. Dez avisos fracos são um documento suspeito, não dez vezes um documento suspeito.
  • A reserva da banda alta: sem nenhum sinal de severidade alta, o score é travado em 69, um ponto abaixo da banda high. A banda mais grave fica reservada, por construção, para “existe pelo menos um achado que sozinho estabelece alteração”. Nunca para acúmulo de circunstancial. O consumidor pode confiar no significado da banda, não só no número.

Falha de um sinal não derruba — e não silencia

Módulo de sinal que lança exceção tem a família pulada, e a falha registrada como aviso estrutural no próprio relatório. As alternativas são ambas piores. Uma é derrubar a inspeção inteira por um bug num sinal periférico. A outra, o modo de falha perigoso de verdade, é engolir a exceção e deixar a família sumir do relatório como se o documento estivesse limpo naquela dimensão. Ausência silenciosa de verificação é indistinguível de verificação aprovada, e é assim que um detector começa a mentir sem ninguém mudar uma linha de regra.

O engine é proibido de dar veredicto — por teste

A separação mais importante do sistema: o engine mede os sinais, a evidência e o score. Quem decide (accept / review / reject) é a camada de serviço, onde mora política. E a fronteira não é convenção de code review: um teste garante que nada chamado “verdict” existe sob o diretório do engine.

A razão é a mesma que separa laboratório de juiz. Limiares de decisão mudam por cliente, por apetite de risco, por contexto. E devem poder mudar sem tocar na medição. No dia em que uma regra de negócio se infiltra no engine, o regression test do cliente passa a quebrar por mudanças de política. A medição perde a única autoridade que tinha: a de não ter opinião.


Onde essa arquitetura não serve — e o resumo

A honestidade que fecha o argumento: regras determinísticas funcionam aqui porque a evidência do domínio é estrutural e enumerável. Às vezes a evidência é perceptual: “esta foto de rosto é a mesma pessoa?”, “esta assinatura manuscrita confere?”. Aí não há regra estrutural que resolva, e ML é a ferramenta certa. A escolha não é ideológica. É sobre onde mora a evidência do seu domínio.

Para quem constrói detector em domínio estrutural, o resumo em seis linhas:

  1. Regra que cita evidência vence estimativa que cita confiança. Isso vale para quem precisa agir e sustentar a ação.
  2. Contra adversário, publique sua matriz de evasão. E note que só detector determinístico consegue ter uma.
  3. “Mesmos bytes, mesmo relatório” é feature vendável: seu cliente quer fazer regression test de você.
  4. Determinismo se engenheira: relógio injetado, ordem especificada, pesos versionados.
  5. Sinal que falha vira aviso visível, nunca ausência silenciosa.
  6. Medição e política em camadas separadas, com teste guardando a fronteira.

Nenhuma dessas seis linhas menciona inteligência. Detecção honesta raramente precisa dela. Precisa de evidência, de versão e de um sistema que não muda de opinião no escuro.

Precisa de um projeto técnico sob medida?

Arquitetura, TypeScript, APIs e automação, do protótipo à produção. Quem responde o seu e-mail é quem escreve o código, e o prazo que eu prometo é o prazo que eu consigo cumprir.

Me manda uma mensagem →