EER, FAR, FRR: entendiendo las métricas de biometría

Tiempo de lectura: 6 minutos

Cuando evalúas un sistema de biometría de voz, te van a bombardear con siglas: EER, FAR, FRR, TAR… Entender estas métricas es crucial para comparar proveedores y elegir la configuración correcta para tu caso de uso.

Esta guía te explica cada métrica, cómo se relacionan entre sí, y cómo interpretarlas en la práctica.

---

Las dos formas de equivocarse

Un sistema de biometría puede cometer dos tipos de errores:

Error Tipo 1: Aceptar a un impostor (Falso Positivo)

El sistema acepta a alguien que no debería ser aceptado. Un atacante se hace pasar por un cliente legítimo y el sistema lo deja pasar.

Consecuencia: Fraude, pérdidas financieras, breach de seguridad.

Error Tipo 2: Rechazar a un usuario legítimo (Falso Negativo)

El sistema rechaza a alguien que sí debería ser aceptado. Un cliente real no puede acceder a su cuenta porque el sistema no lo reconoce.

Consecuencia: Mala experiencia de cliente, llamadas al call center, abandono.

---

FAR: False Acceptance Rate

El FAR (Tasa de Falsa Aceptación) mide qué porcentaje de impostores son incorrectamente aceptados.

FAR = Impostores aceptados / Total de intentos de impostores × 100

Ejemplo: Si 1,000 impostores intentan autenticarse y 10 pasan, el FAR es 1%.

Interpretación:

• FAR bajo = Mayor seguridad
• FAR alto = Mayor riesgo de fraude

FAR típicos en producción:

• Sistemas de alta seguridad: <0.1%
• Sistemas balanceados: 0.5-1%
• Sistemas de alta usabilidad: 1-3%

---

FRR: False Rejection Rate

El FRR (Tasa de Falso Rechazo) mide qué porcentaje de usuarios legítimos son incorrectamente rechazados.

FRR = Legítimos rechazados / Total de intentos legítimos × 100

Ejemplo: Si 10,000 clientes legítimos intentan autenticarse y 200 son rechazados, el FRR es 2%.

Interpretación:

• FRR bajo = Mejor experiencia de usuario
• FRR alto = Más fricción, más llamadas de soporte

FRR típicos en producción:

• Sistemas de alta usabilidad: <1%
• Sistemas balanceados: 1-3%
• Sistemas de alta seguridad: 3-5%

---

El trade-off entre FAR y FRR

Acá está el punto clave: FAR y FRR están inversamente relacionados.

Si ajustás el sistema para ser más estricto (threshold más alto):

• ✅ FAR baja (menos impostores pasan)
• ❌ FRR sube (más legítimos son rechazados)

Si ajustás el sistema para ser más permisivo (threshold más bajo):

• ❌ FAR sube (más impostores pasan)
• ✅ FRR baja (menos legítimos son rechazados)

No podés minimizar ambos simultáneamente. Tenés que elegir el balance correcto para tu caso de uso.

---

EER: Equal Error Rate

El EER (Tasa de Error Igual) es el punto donde FAR = FRR.

Es la métrica más usada para comparar sistemas porque es un número único que captura la precisión general.

EER = FAR cuando FAR = FRR

Cómo se calcula:

1. Variás el threshold de 0 a 1
2. Para cada threshold, calculás FAR y FRR
3. El EER es el valor donde se cruzan

Interpretación:

• EER más bajo = Sistema más preciso
• EER de 1% significa que en el punto óptimo, tanto FAR como FRR son 1%

EER de referencia:

Contexto	EER típico
Benchmark laboratorio (VoxCeleb)	0.5-1%
Producción condiciones ideales	1-2%
Producción condiciones reales	2-4%
Sistema legacy/antiguo	5-10%

---

La curva DET

La curva DET (Detection Error Tradeoff) visualiza la relación entre FAR y FRR para diferentes thresholds.

     FRR
      │
  10% │     \
      │      \
   5% │       \
      │        ╲
   1% │         ╲_____ 
      │              ╲
      └─────────────────── FAR
           1%    5%   10%

Cómo leerla:

• Cada punto de la curva es un threshold diferente
• El punto donde la curva cruza la diagonal (FAR = FRR) es el EER
• Una curva más hacia abajo-izquierda indica mejor sistema

---

Cómo elegir tu threshold

El EER es útil para comparar sistemas, pero en producción rara vez operás en el EER. Elegís un threshold según tu prioridad:

Prioridad: Seguridad (minimizar fraude)

Elegí un threshold alto. Aceptás más FRR a cambio de menor FAR.

Casos de uso:

• Transacciones de alto valor
• Acceso a información sensible
• Sectores altamente regulados

Configuración típica:

• Threshold: 0.85-0.90
• FAR esperado: <0.5%
• FRR esperado: 3-5%

Prioridad: Usabilidad (minimizar fricción)

Elegí un threshold bajo. Aceptás más FAR a cambio de menor FRR.

Casos de uso:

• Consultas de bajo riesgo
• Usuarios frecuentes
• Entornos donde la fricción impacta conversión

Configuración típica:

• Threshold: 0.70-0.75
• FAR esperado: 2-3%
• FRR esperado: <1%

Prioridad: Balance

El punto medio, cercano al EER.

Casos de uso:

• Transacciones de riesgo medio
• Caso de uso general

Configuración típica:

• Threshold: 0.80
• FAR esperado: ~1%
• FRR esperado: ~2%

---

Otras métricas que podés encontrar

TAR (True Acceptance Rate)

TAR = 1 - FRR

El porcentaje de usuarios legítimos correctamente aceptados. A veces se expresa como “accuracy” en contextos de verificación.

TRR (True Rejection Rate)

TRR = 1 - FAR

El porcentaje de impostores correctamente rechazados.

minDCF (Minimum Detection Cost Function)

Una métrica más sofisticada que pondera FAR y FRR según el costo relativo de cada error. Se usa en competencias académicas como VoxSRC.

---

Cómo evaluar un proveedor

Cuando un proveedor te dice “nuestro EER es 0.8%”, preguntá:

1. ¿En qué dataset? VoxCeleb vs producción real son muy diferentes
2. ¿Con qué duración de audio? Más audio = mejor EER
3. ¿Con qué calidad de audio? Audio limpio vs telefónico
4. ¿Es el modelo base o con anti-spoofing? El anti-spoofing puede agregar latencia y afectar métricas
5. ¿Puedo hacer un piloto en mis condiciones? La única métrica que importa es la de TU operación

---

Resumen

Métrica	Qué mide	Mejor cuando es…
FAR	Impostores aceptados	Más bajo
FRR	Legítimos rechazados	Más bajo
EER	Punto de equilibrio FAR=FRR	Más bajo

Para comparar sistemas: Usá EER. Para configurar TU sistema: Elegí el threshold que balance FAR/FRR según tu prioridad.

---

¿Querés entender cómo funcionan estas métricas en la práctica? Contactanos y te mostramos cómo configurar los thresholds para tu caso de uso.

---

Recursos relacionados

• Cómo funciona la biometría de voz: Guía completa
• Text-independent vs text-dependent: ¿Cuál elegir?