.svg)
AI 솔루션 문의하기
가상자산 거래소에서 자산을 외부 지갑이나 다른 거래소로 출금할 때 eKYC(electronic Know Your Customer) 기반의 본인확인 절차를 적용하는 경우가 있습니다. 계정에 로그인한 이용자가 실제 출금 요청을 한 본인인지 확인하기 위해 신분증과 얼굴 등의 정보를 활용하는 방식입니다. 이 과정에서 AI가 제출된 신분증과 얼굴 정보를 정확하게 인식하고 비교하려면 다양한 거래 환경을 반영한 학습데이터가 필요합니다.
출금 eKYC에서는 신분증에 기재된 이름이나 생년월일 등의 정보와 현재 인증을 진행하는 이용자의 얼굴을 함께 확인해야 할 수 있습니다. 따라서 각각의 데이터를 따로 수집하는 것보다 하나의 인증 과정 안에서 어떤 정보가 연결되는지를 보여주는 데이터 구성이 중요합니다. 특히 신분증 촬영과 얼굴 촬영 과정이 순차적으로 진행된다면 다음과 같은 정보를 구분해 관리할 수 있습니다.
가상자산 거래소의 eKYC 인증은 모바일 환경에서 이루어지는 경우가 많습니다. 이용자가 직접 신분증을 카메라로 촬영하기 때문에 빛 반사나 초점, 촬영 각도 등에 따라 이미지 품질이 달라질 수 있습니다.
신분증이 카메라에 비스듬하게 잡히거나 일부가 잘리는 경우도 있으며, 플라스틱 카드 표면에 조명이 반사돼 문자 일부가 보이지 않을 수도 있습니다. 이처럼 실제 이용자가 직접 촬영하는 과정에서 발생하는 다양한 이미지 상태를 데이터에 포함해야 현장에서 발생하는 인식 오류에 대응하기 수월합니다.
얼굴 인증 역시 항상 동일한 조건에서 이루어지지는 않습니다. 실내와 야외, 밝은 곳과 어두운 곳에서 촬영한 얼굴은 서로 다른 형태로 인식될 수 있으며 안경이나 모자 등으로 얼굴 일부가 가려지는 상황도 발생합니다.
또한 카메라와 얼굴 사이의 거리가 지나치게 가깝거나 멀면 필요한 얼굴 영역이 제대로 확보되지 않을 수 있습니다. 이러한 사례를 정상적인 인증 데이터와 함께 구성하면 AI가 단순히 선명한 정면 얼굴만 학습하는 것을 피할 수 있습니다.
eKYC 인증이 완료되더라도 거래 시스템에서는 해당 인증이 어떤 출금 요청에 대한 것인지 정확하게 연결돼야 합니다. 하나의 계정에서 여러 차례 출금 요청이 발생할 수 있기 때문에 인증 결과와 거래 정보를 구분해 관리하는 구조가 필요합니다.
사용자 식별정보와 인증 결과, 출금 요청 정보를 명확하게 연결할 수 있어야 이후 인증 이력이나 거래 과정에서 필요한 정보를 확인하기 쉬워집니다. 특히 인증 성공과 실패가 반복되는 사례까지 포함하면 실제 서비스에서 발생하는 다양한 흐름을 데이터로 구성할 수 있습니다.
출금 eKYC에서는 단순한 문자 인식뿐 아니라 제출된 신분증이 정상적인 문서인지 확인하는 과정도 중요하게 다뤄질 수 있습니다. 촬영된 이미지에 훼손이나 변형이 있거나 문서의 일부가 가려져 있다면 추가적인 확인이 필요할 수 있습니다.
따라서 데이터 구축 과정에서 정상적인 신분증 이미지에만 집중하기보다 훼손, 반사, 흐림, 부분 가림 등 다양한 문서 상태를 구분하고 어떤 경우에 추가 인증이 필요한지를 명확히 정의하는 작업이 필요합니다.
eKYC 학습데이터는 작은 라벨 오류도 인증 결과에 영향을 줄 수 있어 수집 이후의 검수가 중요합니다. 신분증 종류가 잘못 분류됐거나 문자 영역과 얼굴 영역이 잘못 연결되면 모델이 잘못된 관계를 학습할 가능성이 있습니다. 이에 따라 데이터 구축 단계에서는 다음과 같은 항목을 확인할 수 있습니다.
가상자산 거래소 출금 과정에서 사용되는 eKYC 데이터에는 신분증 정보와 얼굴 이미지처럼 민감하게 관리해야 할 정보가 포함될 수 있습니다. 따라서 AI 학습을 위한 데이터를 구축할 때도 원본 자료의 접근 권한과 저장 방식, 데이터 활용 범위를 세밀하게 관리해야 합니다.
특히 실제 이용자의 신분증이나 얼굴 정보를 데이터로 활용하는 경우에는 수집 목적과 이용 범위를 명확히 하고 필요한 정보만 취급하는 데이터 관리 체계를 마련하는 것이 중요합니다. 인증 기술의 정확도뿐 아니라 데이터가 안전하게 관리되는 과정까지 함께 고려해야 안정적인 출금 인증 시스템을 구축할 수 있습니다.
.svg)
.svg)
