.svg)
AI 솔루션 문의하기
온라인 대출을 이용하는 사람들은 젊은 세대부터 고령층까지 폭넓은 연령대에 걸쳐 있으며, 특히 고령층은 대출 사기의 표적이 되는 경우가 상대적으로 잦게 보고됩니다. 연령대에 따라 얼굴의 특징과 노화 양상이 다르게 나타난다는 점을 고려하면 특정 연령대에 치우친 자료로 학습데이터를 구성했을 때 고령 신청자에 대한 인증 정확도가 떨어지는 결과로 이어질 수 있어, 폭넓은 연령대의 얼굴 자료를 고르게 확보하는 작업이 필요합니다.
대출은 신청 시점의 확인으로 끝나지 않고 상환 기간 동안 여러 차례 본인 확인이 반복되는 경우가 있으며, 이 기간 동안 신청자의 얼굴은 시간이 지나며 자연스럽게 변화합니다. 동일 인물의 얼굴을 서로 다른 시점에 촬영한 자료를 함께 확보해 시간에 따른 변화 폭을 학습데이터에 반영한다면 상환 기간이 길게 이어지는 대출 상품에서도 본인 확인의 정확도를 유지하는 데 도움이 됩니다.
대출 신청은 별도의 촬영 부스가 아니라 신청자가 자신의 휴대전화로 집이나 사무실처럼 일상적인 공간에서 촬영하는 경우가 대부분이며, 이런 환경에서는 조명과 배경이 매번 달라지고 화질도 일정하지 않습니다. 통제된 환경에서 촬영된 자료만으로 학습데이터를 구성하면 실제 신청 환경에서 인증 정확도가 떨어질 수 있어, 다양한 조명과 배경, 기기 성능을 반영한 자료를 폭넓게 확보하는 작업이 함께 이루어져야 합니다.
일부 대출 사기는 사기범이 피해자의 휴대전화를 대신 조작하며 피해자에게 촬영을 강요하는 방식으로 이루어지기도 하며, 이런 상황에서 촬영된 얼굴에는 일반적인 신청과는 다른 미세한 표정이나 시선의 특징이 나타날 수 있습니다. 강요된 상황에서 나타나는 특징이 담긴 사례를 확보해 정상적인 신청 상황과 구분해 학습에 반영한다면 이런 상황을 가려낼 수 있는 참고 자료를 모델에 함께 제공할 수 있습니다. 다만 이런 사례는 실제로 확보하기 어려운 만큼 알려진 특징을 참고해 유사한 형태로 보완하는 방식도 함께 검토할 수 있습니다.
일부 신청자는 여러 금융기관에 서로 다른 명의로 대출을 신청해 한도를 우회하려는 시도를 하기도 하며, 이런 시도를 가려내려면 서로 다른 이름으로 접수된 신청 건이 실제로는 같은 얼굴을 가진 인물의 것인지를 비교하는 능력이 모델에 필요합니다. 서로 다른 명의로 제출된 자료 가운데 실제로는 동일 인물인 사례를 함께 모아 학습데이터로 구성한다면 명의를 바꾸어 반복 신청하는 시도를 짚어내는 데 도움이 되는 자료를 마련할 수 있습니다.
금융기관이 기존에 보유한 신원 확인 자료 가운데는 여러 해 전에 촬영된 사진이 함께 남아 있는 경우가 있으며, 이런 오래된 사진과 최근 촬영된 얼굴을 대조해야 하는 상황이 발생할 수 있습니다. 시간 간격이 크게 벌어진 두 시점의 얼굴 자료를 짝지어 학습데이터에 포함한다면 오래전 자료와 최근 얼굴 사이의 변화가 큰 상황에서도 동일 인물 여부를 판단하는 정확도를 유지하는 데 참고가 됩니다.
대출 심사에 쓰이는 얼굴 자료는 금융 정보와 함께 다루어지는 만큼 다른 분야의 생체정보보다 더 엄격한 동의 절차가 요구되는 경우가 많습니다. 학습데이터로 활용될 자료를 수집하는 단계에서부터 명확한 동의 절차를 거치고, 동의를 철회하는 신청자의 자료는 학습데이터에서 제외하는 절차를 함께 마련한다면 데이터 구축 과정에서의 신뢰를 유지할 수 있습니다.
.svg)
.svg)
