.svg)
AI 솔루션 문의하기
암호화폐 거래소는 국경뿐만 아니라 다양한 국가의 이용자를 받아들이며, 신원검증 모델은 이 폭넓은 이용자층을 대상으로 정상적인 본인 확인과 각종 부정 시도를 함께 가려내야 합니다. 일반적인 얼굴 인증 모델을 학습시키는 데이터만으로는 거래소가 실제로 마주하는 위조 신분증이나 딥페이크 시도 같은 특수한 상황을 충분히 반영하기 어렵습니다. 거래소가 실제로 겪는 부정 시도의 형태를 학습데이터 구성 단계에서부터 폭넓게 반영해야 이후 모델이 현장에서 마주치는 다양한 시도에 대응할 수 있는 기반이 마련됩니다.
거래소를 이용하는 사람들은 저마다 다른 국가에서 발급된 신분증을 제출하며, 국가마다 신분증의 크기와 배치, 표기 방식이 크게 다릅니다. 특정 국가의 신분증 형태에 치우친 데이터로 모델을 학습시키면 다른 국가의 신분증이 제출되었을 때 인식 정확도가 떨어질 수 있어, 여러 국가의 다양한 신분증 형태를 고르게 확보하는 작업이 데이터 구축 단계에서 함께 이루어져야 합니다. 신분증을 구하기 어려운 국가의 경우에는 공개된 표준 서식을 참고해 유사한 형태의 자료를 보완하는 방식도 함께 검토할 수 있습니다.
실제 거래소 이용자 가운데 위조나 딥페이크 같은 부정 시도를 하는 비율은 정상적으로 본인 확인을 마치는 사례에 비해 훨씬 적게 나타납니다. 이런 상태로 데이터를 그대로 모아 학습에 사용하면 모델이 정상 사례를 판단하는 데는 익숙해지지만 드물게 나타나는 부정 사례는 제대로 학습하지 못하는 결과로 이어질 수 있습니다. 부정 사례의 비중이 적은 데이터의 특성을 고려해 확보된 부정 사례를 다양한 방식으로 변형해 늘리거나, 부정 사례에 더 큰 가중치를 두고 학습하는 방식을 함께 적용한다면 실제 발생 빈도는 낮지만 놓쳐서는 안 되는 부정 사례를 모델이 충분히 반영할 수 있습니다.
제출된 자료 가운데는 명확하게 정상이거나 명확하게 위조라고 판단하기 어려운 경계 사례가 섞여 있는 경우가 있습니다. 조명이 좋지 않아 화질이 낮은 정상 사진과 정교하게 만들어진 위조 사진을 구분하는 기준이 라벨을 매기는 사람마다 다르면 학습데이터의 일관성이 흔들릴 수 있습니다. 경계 사례를 판단하는 기준을 구체적인 지침으로 미리 정리해 두고 여러 명의 라벨 작업자가 같은 사례를 교차로 확인하는 절차를 함께 운영한다면 애매한 사례에서도 일관된 기준으로 라벨을 매길 수 있습니다.
부정 시도를 하는 쪽은 시간이 지나면서 새로운 방식을 계속 시도하기 때문에, 처음 구축한 학습데이터만으로는 시간이 지날수록 대응력이 떨어질 수 있습니다. 실제 운영 과정에서 새롭게 발견된 위조나 우회 시도의 사례를 정기적으로 수집해 학습데이터에 추가하는 절차를 마련한다면 모델이 처음 학습한 시점 이후에 나타난 새로운 수법에도 계속 대응해 나갈 수 있습니다.
일부 부정 시도 유형은 실제 사례를 확보하는 것 자체가 어려울 만큼 드물게 나타나며, 이런 경우에는 실제 사례만으로 학습데이터를 충분히 채우기 어렵습니다. 알려진 공격 방식의 원리를 참고해 유사한 형태의 자료를 인위적으로 만들어 학습데이터에 포함시킨다면 실제 사례를 충분히 확보하기 어려운 드문 공격 유형에 대해서도 모델이 사전에 대비할 수 있는 여지가 생깁니다. 인위적으로 만든 자료는 실제 사례와 구분해 관리하고 그 비중을 지나치게 높이지 않도록 조절하는 작업이 함께 필요합니다.
여러 국가의 이용자로부터 얻은 개인정보가 담긴 자료로 학습데이터를 구축하는 과정에서는 국가마다 다르게 적용되는 개인정보 관련 규정을 함께 살펴야 합니다. 자료를 수집하고 저장하는 지역과 그 자료에 담긴 개인정보의 출신 국가에 따라 적용되는 규정이 달라질 수 있다는 점을 고려해, 데이터 구축 초기 단계부터 지역별 규정을 함께 검토하는 절차를 마련한다면 이후 규정 위반으로 인한 문제를 사전에 줄일 수 있습니다.
라벨이 매겨진 데이터라 하더라도 특정 국가나 조명 조건에 자료가 치우쳐 있으면 모델이 특정 조건에서만 높은 정확도를 보이는 편중된 결과로 이어질 수 있습니다. 완성된 학습데이터를 국가, 조명 조건, 촬영 환경별로 나누어 비중을 점검하고 특정 조건에 치우친 부분이 발견되면 해당 조건의 자료를 추가로 보완하는 절차를 거친다면 다양한 조건에서 고르게 정확도를 유지하는 모델로 이어질 수 있습니다.
암호화폐 거래소의 eKYC 신원검증 학습데이터는 여러 국가의 다양한 신분증 형태와 드물게 나타나는 부정 사례를 함께 아우르면서도, 라벨링 기준의 일관성과 국가별 데이터 규정까지 함께 살펴야 완결됩니다. 부정 사례의 인위적 보완과 현장 사례의 지속적인 반영, 조건별 데이터 균형 점검을 함께 운영하면서 학습데이터는 거래소가 실제로 마주하는 이용자 구성과 부정 시도의 양상에 맞게 자리를 잡아갑니다. 부정 시도의 수법이 계속 바뀌는 만큼 학습데이터를 갱신하는 작업은 한 번으로 끝나지 않고 지속적으로 이어져야 할 과제로 남습니다.
.svg)
.svg)
