Forschungs- und Entwicklungsprojekte der E.I.N.S. Software Solutions:

Mit welcher Technik ein Dokument gedruckt (Quelldrucker) wurde oder ob alle Seiten vom selben Drucker und auf demselben Papier (Substrat) produziert wurden, sind bei der Detektion von Dokumentenfälschungen wertvolle Informationen, selbst wenn die primären Sicherheitsmerkmale erfolgreich kopiert wurden. 
Hier setzt das Projekt „MLForPrint“ an: Während jedoch die manuelle forensische Dokumenten-Prüfung Stunden dauern kann sowie die langjährige Erfahrungen des Prüfers erfordert und daher vergleichsweise selten zum Einsatz kommt, nutzt das Vorhaben hierfür automatisierte Verfahren auf Basis von Maschinellem Lernen. 
Ziel ist, dass eine softwarebasierte und automatisierte Untersuchung von Druckerzeugnissen und Substraten eine Reduzierung des Prüfaufwands bei vergleichbarer Genauigkeit bringen kann. Das Projekt setzt hierzu Neuronale Netze (CNNs) ein, mit denen schon prototypisch gezeigt werden konnte, dass eine effiziente Klassifizierung von Dokumenten bzgl. Eigenschaften wie z.B. der Drucktechnik (wie Offset, Dry/Wet Toner oder Ink Jet) möglich ist. 
Ziele des Vorhabens „MLforPrint“ sind zum einen eine Erforschung und Verbesserung der Robustheit des CNN gegenüber Störungen, die Fälscher gezielt nutzen könnten, zum anderen die Klassifizierung von Substraten, für die erstmals eine Softwarelösung demonstriert werden soll, die die Papiertypen, Alterungszustände und Zustandsprognosen aus Scans ableiten kann. Herausforderung einer gelernten, d.h. datenorientierten Herangehensweise ist es schnell auf unbekannte Dokumente und Texturen reagieren zu können. Für den Einsatz in der digitalen Forensik ist es weiterhin wichtig, die Erklärbarkeit des eingesetzten CNNs zu verbessern, um dessen Entscheidungen besser zu verstehen und Parameter des Netzes auf Einsatzzwecke zu optimieren.