.svg)
AI 솔루션 문의하기
모델을 학습시키는 자료와 그 모델이 실제로 얼마나 정확하게 작동하는지를 확인하는 검증용 자료는 같은 얼굴 자료라도 쓰이는 목적이 다릅니다. 학습에 이미 쓰인 자료로 정확도를 측정하면 모델이 이미 본 자료에 대해서만 잘 맞히는 착시가 생길 수 있어, 검증용 자료는 학습 과정에서 전혀 노출되지 않은 별도의 자료로 구성되어야 합니다. 보험금 청구 절차에서 실제로 마주치는 얼굴 조건을 폭넓게 담은 검증용 자료를 학습 자료와 엄격히 분리해 구성해야 모델의 정확도를 현실에 가깝게 가늠할 수 있습니다.
보험금 청구자 가운데는 사고나 질병으로 얼굴 일부가 붕대나 깁스, 의료기기로 가려져 있거나 부기로 인해 평소와 다른 형태를 보이는 경우가 있습니다. 붕대나 마스크처럼 얼굴 일부를 가리는 상황과 부기나 멍처럼 형태 자체가 달라지는 상황을 각각 구분해 검증용 자료에 포함한다면 청구 절차에서 실제로 나타나는 다양한 조건에서 모델이 얼마나 안정적으로 작동하는지를 가늠할 수 있습니다.
보험금 청구자는 병실이나 진료실처럼 형광등이 켜진 실내에서 화상 상담을 진행하는 경우가 많으며, 이런 환경의 조명은 일반적인 가정이나 사무 공간과는 다른 색감과 밝기를 만들어냅니다. 병원 특유의 조명 조건에서 촬영된 자료를 검증용 자료에 포함한다면 실제 청구 상담이 이루어지는 환경과 가까운 조건에서 모델의 정확도를 확인할 수 있습니다.
검증용 자료가 제 역할을 하려면 각 자료가 실제로 본인이 맞는지에 대한 정답이 함께 확보되어 있어야 하지만, 청구자를 직접 대면해 확인하기 어려운 상황에서는 이 정답을 확보하는 작업 자체가 쉽지 않습니다. 진료 기록이나 신분 서류처럼 독립적인 다른 자료를 통해 본인 여부를 교차로 확인하는 절차를 거쳐 정답을 확보한다면 대면 확인이 어려운 상황에서도 신뢰할 수 있는 검증 기준을 마련할 수 있습니다.
보험금 청구는 사고 발생 직후부터 치료가 끝나는 시점까지 이어지는 경우가 있으며, 이 기간 동안 청구자의 얼굴은 부상 초기의 심한 부기나 상처가 점차 회복되며 변화하는 과정을 거치게 됩니다. 같은 인물의 부상 초기와 회복 이후 얼굴을 함께 확보해 검증용 자료에 포함한다면 치료 기간 동안 이어지는 여러 차례의 확인에서도 모델이 일관되게 동일 인물을 확인하는지를 가늠할 수 있습니다.
검증용 자료의 일부가 실수로 학습 과정에 섞여 들어가면 그 부분에서 측정된 정확도는 실제보다 부풀려진 결과로 나타날 수 있습니다. 검증용 자료를 별도의 저장소에서 관리하고 학습 단계에서 접근할 수 없도록 분리하는 절차를 마련한다면 검증 결과가 학습 자료의 영향을 받지 않고 순수하게 모델의 실제 성능을 반영하도록 유지할 수 있습니다.
검증용 자료가 정상적으로 본인이 확인되어야 하는 사례로만 치우쳐 있으면 모델이 실제로는 다른 사람을 걸러내지 못하는 상황을 놓칠 수 있습니다. 본인이 맞는 사례와 다른 사람이 시도하는 사례를 균형 있게 포함해 검증용 자료를 구성한다면 정상적인 청구자를 잘못 거절하는 비율과 부정 시도를 놓치는 비율을 각각 따로 측정할 수 있습니다.
생명보험과 실손보험, 상해보험은 청구자의 연령대와 청구 사유가 서로 다르게 나타나는 경우가 많아, 하나의 검증용 자료로 모든 상품의 상황을 아우르기는 어렵습니다. 보험 상품별로 청구자 구성의 특징을 반영한 별도의 검증용 자료를 구성한다면 상품마다 다르게 나타나는 청구자 조건에서도 모델의 정확도를 각각 확인할 수 있습니다.
보험금 청구 안면인식 검증 데이터셋은 학습 자료와 엄격히 분리된 상태에서 부상과 질병으로 달라진 얼굴, 병원 조명 환경, 회복 기간에 걸친 변화까지 폭넓게 아우르며 구성되어야 완결됩니다. 정답 확보를 위한 교차 확인과 오탐·미탐 비율의 균형 있는 측정, 보험 상품별 특성 반영을 함께 운영하면서 검증 데이터셋은 실제 청구 환경과 가까운 형태로 자리를 잡아갑니다. 청구자의 상황과 촬영 환경은 계속 새롭게 나타날 수 있어, 검증용 자료를 주기적으로 갱신하며 최신 상황을 반영하는 작업이 이어져야 할 부분으로 남습니다.
.svg)
.svg)
