یکی از روش ها برای جلوگیری از کلاهبرداری و تقلب، این است که سیستم بتواند با گرفتن ویدیو از فرد تشخیص دهد که آیا فرد به صورت زنده و واقعی جلوی دوربین قرار گرفته است و یا ویدیویا عکسی از فرد جلوی دوربین گرفته شده است. سیستم liveness detection گاتا قادر است با بهره گیری از تکنولوژی هوش مصنوعی با دقت بالایی زنده بودن فرد را تشخیص دهد.
در بیومتریک، توانایی یک سیستم کامپیوتری هوش مصنوعی است که می‌تواند تشخیص دهد که سیستم با یک انسان که حضور فیزیکی دارد (Real)، در تعامل است یا با یک حضور مصنوعی مانند عکس پرینتی، ماسک و یا بازپخش سر و کار دارد (Spoof). این حضور مصنوعی در ادبیات این تکنولوژی، به روش‌های زیر امکان‌پذیر است:
سرویس لایونس گاتا همچنین قادر است با دقت بالایی تقلب(spoof) را تشخیص دهد و تعیین کند که فرد بصورت زنده روبروی دوربین قرار دارد یا ویدئو یا عکس جلوی دوربین گرفته شده است. با این سرویس از تقلب و کلاهبرداری توسط افراد جلوگیری می شود و فرد نمی تواند با گرفتن عکس یا ویدیو مقابل دوربین، سیستم را فریب دهد.
گرفتن عکس پرینت شده در مقابل دوربین نرم‌افزار، که عکس می‌تواند با کیفیت‌ها و تکنولوژی‌های مختلف پرینت شده باشد.
یک عکس یا ویدئو از طریق نمایشگر هر وسیله‌ای مانند گوشی، LCD و یا LED در مقابل دوربین نرم‌افزار قرار گیرد.
قرار گرفتن یک ماسک در مقابل دوربین نرم‌افزار
به دو صورت می‌توان به خود نرم‌افزار حمله کرد. یک اینکه داده‌ی ارسال شده به سمت سرور را دستکاری کرد و برای مثال یک ویدئوی از قبل ضبط شده را به سمت سرور ارسال کرد. حالت دوم این است که نرم‌افزار اشتباها به جای اتصال به دوربین به یک سیستم کامپیوتری وصل شود و داده‌ی ویدیوی ضبط شده یا داده‌ای که با AI تولید شده مانند DeepFake را به جای داده‌ی دوربین، بگیرد.
و در مقابل این حمله‌ها، حضور فیزیکی خود فرد، بدین معناست که خود شخص در مقابل دوربین نرم‌افزار قرار گرفته باشد. هدف یک سیستم احراز هویت از طریق چهره، مقاوم تشخیص تمامی حمله‌ها است. همینطور که در بالا هم ذکر شد، این سیستم دو بخش دارد. یک بخش سمت کلاینت است و یک بخش دیگر در سمت سرور قرار دارد. هر دو سمت، به اندازه‌ی هم برای امنیت این سیستم مورد اهمیت هستند. سیستم‌هایی در این زمینه ارائه شده‌اند و در حال توسعه و رشد هستند. در مقالات کارهای زیادی در این زمینه انجام شده است اما تعداد بسیار معدودی از مقالات هستند که نتایج واقعی و درخور را ارائه کرده باشند. اما به صورت محصول تعداد معدودی کار انجام شده‌است که نتایج قابل قبولی بدست آورده‌اند. در تمامی کارهای تجاری، کاربر با استفاده از نرم‌افزار محصول، یک فرآیند ویدئویی را به صورتی که نرم‌افزار راهنمایی می‌کند، پیش می‌برد و در انتها نرم‌افزار داده‌های استخراج کرده را به سمت سرور می‌فرستد. سپس در سمت سرور یک نتیجه به عنوان Real و یا Spoof بودن آن عمل، به نرم‌افزار برمی‌گرداند. اما در کارهای مقالات چنین چیزی ارائه نشده است. مقالات به طور کلی به دو دسته‌ی تشخیص Spoof از روی یک عکس و از روی یک ویدئو تقسیم می‌شوند و مقالات نظارتی برروی نحوه‌ی فرآیند برداشت ویدیو و عکس ندارند. همچنین در تمامی مقالات نتایج طوری نشان داده شده‌اند که دقت بسیار بالایی کسب کرده‌اند، در حالیکه هدف اصلی آنها گرفتن دقت بالا برروی مجموعه داده‌هایی است که هم تعداد آنها کم می‌باشد و هم اینکه مدل‌ها برروی آنها Overfit شده‌اند. در عمل نیز تعداد معدودی مقاله هستند که نتایج واقعی و خوبی ارائه داده‌اند، که برخی از آنها نیاز به GPU در سمت سرور هستند و زمان پردازش بالاست و برخی دیگر هستند که قابل استفاده برای سناریوی واقعی در سمت سرور هستند.