Veriff vs Cleora.AI

Veriff vérifie les pièces d'identité gouvernementales, les selfies et les documents commerciaux afin que les entreprises puissent intégrer les utilisateurs, effectuer des contrôles KYC et AML, et bloquer la fraude en environ six secondes. Son moteur de décision analyse les données comportementales de chaque session et est utilisé par plus de 3 000 entreprises dans le monde, dont Instacart, Western Union, Wise et Monzo. Les contrôles d'identité automatisés affichent une précision d'environ 99,6 %.

De nombreux fournisseurs de vérification utilisent sous licence des modèles d'expertise documentaire, de détection de vivacité et de reconnaissance faciale provenant de tiers et rebrandent la solution. Veriff développe en interne son moteur de décision, la détection de vivacité et l'expertise documentaire, de sorte qu'une seule équipe est responsable de la précision lorsqu'un cas échoue à la revue. Les contrôles AML et les vérifications en base de données utilisent des partenaires spécialisés nommés dans sa documentation sur les sous-traitants, plutôt que d'être cachés derrière la marque.

La plateforme combine les contrôles documentaires, la reconnaissance biométrique, la détection passive de vivacité et le croisement de bases de données en un seul flux de travail. Elle prend en charge plus de 12 500 documents d'identité émis par les gouvernements dans plus de 230 pays et territoires, avec des flux utilisateurs disponibles en 50 langues. Au-delà de l'intégration, Veriff couvre la preuve d'adresse, la validation de l'âge, le filtrage AML, la vérification d'entreprise dans plus de 300 juridictions, ainsi que la réauthentification biométrique continue.

Les services financiers, les places de marché, l'iGaming, la mobilité et les équipes RH utilisent Veriff pour le KYC, le KYB, la vérification de l'âge et la reverification des comptes à grande échelle. Des outils anti-fraude comme CrossLinks, FaceBlock et l'enregistrement vidéo des sessions aident les équipes à détecter les identités synthétiques et les récidivistes au sein du réseau de vérification partagé.

Cleora transforme des listes d'arêtes en embeddings vectoriels denses pour chaque nœud d'un graphe, sans GPU ni échantillonnage par marche aléatoire. La bibliothèque Python pycleora intègre un noyau Rust qui calcule les distributions complètes de marches via des puissances de matrices de Markov creuses, puis propose des outils pour la classification, la recherche de similarité et la prédiction de liens. Elle cible les systèmes de recommandation, les graphes de fraude, les triplets de connaissances et d'autres tâches où la structure relationnelle compte plus que les caractéristiques textuelles.

Les bibliothèques basées sur les marches comme DeepWalk et Node2Vec approximant les voisinages en échantillonnant des chemins et en entraînant des modèles skip-gram. Cleora évite ces deux étapes et agrège chaque voisinage à k sauts en un seul passage déterministe, ce qui explique pourquoi Zomato a rapporté avoir intégré un graphe client-restaurant en moins de cinq minutes alors que GraphSAGE a mis environ vingt heures sur la même configuration. Le compromis est la portée : il s'agit d'un outil centré sur la structure du graphe, et non d'un magasin de caractéristiques général pour des données non structurées.

Les équipes de data science installent pycleora avec pip et n'ont besoin que de NumPy et SciPy en plus du paquet d'environ 5 Mo. La bibliothèque sous licence MIT inclut huit algorithmes de référence, le support des graphes hétérogènes, des classificateurs MLP et à propagation d'étiquettes, ainsi qu'une interface en ligne de commande pour les traitements par lots. Les benchmarks publiés sur les jeux de données SNAP, Planetoid et DGL rapportent une précision maximale sur des graphes allant jusqu'à environ deux millions de nœuds, tandis que les méthodes concurrentes atteignent un timeout ou manquent de mémoire.