.svg)
AI 솔루션 문의하기
얼굴 인증 오거부율과 오수락률의 차이는 어떤 사람에게 잘못된 판정을 내렸는지에 있습니다. 오거부율인 FRR은 본인을 거부한 비율이고, 오수락률인 FAR은 타인을 본인으로 받아들인 비율입니다. 얼굴 매칭을 평가할 때는 두 지표를 함께 확인해야 합니다.
이 글은 신분증 사진과 현재 촬영한 얼굴이 같은 사람인지 확인하는 1:1 얼굴 매칭을 중심으로 설명합니다. 여러 등록자 중 누구인지 찾는 식별이나 사진·영상 공격을 가려내는 위변조 탐지는 평가 목적이 다릅니다. ‘얼굴 인증 정확도’라는 표현만 보고 서로 다른 검사 결과를 같은 지표로 비교하지 않아야 합니다.
기업은 FRR과 FAR 중 하나만 낮다는 설명보다 어떤 판정 기준과 시험 조건에서 두 값이 측정됐는지 확인해야 합니다. 낮은 오류율이라는 표현만으로 실제 고객의 이용 환경이나 부정 시도에 대한 성능을 예측하기는 어렵습니다.
두 지표는 분모가 되는 시도 집합부터 다릅니다. FRR은 본인의 인증 시도에서 발생한 거부를, FAR은 타인의 인증 시도에서 발생한 수락을 계산합니다. 서로 더해 전체 오류율로 만드는 값이 아닙니다.
FRR(False Rejection Rate)은 본인이 올바른 신원을 주장하며 인증했지만 거부된 비율입니다. 신분증 소유자가 자신의 얼굴을 촬영했는데 본인으로 인정받지 못한 경우를 생각할 수 있습니다. FRR이 높으면 재촬영과 추가 확인, 상담 전환이 늘어날 수 있습니다.
계산은 ‘거부된 본인 시도 수 ÷ 평가한 전체 본인 시도 수’로 이해할 수 있습니다. 다만 촬영 실패나 비교 불가를 분모·분자에 포함했는지에 따라 값이 달라지므로 시험 정의를 함께 확인해야 합니다. 운영 화면의 모든 실패를 얼굴 매칭 FRR로 기록해서는 안 됩니다.
FAR(False Acceptance Rate)은 타인이 특정인의 신원을 주장하며 시도했는데 본인으로 받아들여진 비율입니다. 다른 곳에 등록된 사용자라도 현재 주장하는 신원의 주인이 아니라면 타인 시도에 해당합니다. 따라서 ‘등록되지 않은 사람만 잘못 허용한 비율’로 좁혀 설명하는 것은 부정확합니다.
계산은 ‘수락된 타인 시도 수 ÷ 평가한 전체 타인 시도 수’로 이해할 수 있습니다. FAR이 높으면 잘못된 동일인 판단의 위험이 커집니다. 다만 이 값이 사진·영상 공격의 성공률이나 최종 부정 거래 발생률을 그대로 뜻하지는 않습니다.
얼굴 비교 보고서에는 FMR(오매칭률)과 FNMR(오비매칭률)이 쓰이기도 합니다. 비교 가능한 서로 다른 사람의 얼굴 쌍이 잘못 일치한 비율과, 같은 사람의 얼굴 쌍이 잘못 불일치한 비율을 다룹니다.
실무 자료에서 FAR·FRR과 비슷한 뜻으로 표기되더라도 인증 시도 전체를 평가했는지, 얼굴 비교 단계만 평가했는지 확인해야 합니다. 등록·촬영 실패와 재시도 처리 범위가 다르면 이름이 비슷한 지표도 직접 비교하기 어렵습니다.
같은 모델과 시험 데이터에서 판정 기준값만 바꾼다면 두 오류율은 보통 반대 방향으로 움직이는 절충 관계를 보입니다. FRR 자체를 설정하는 것이 아니라 얼굴 매칭의 수락 기준을 정하면 그 결과로 FRR과 FAR이 측정됩니다.
유사도 점수가 높을수록 같은 사람에 가깝다는 방식에서는 기준값을 높일수록 통과 조건이 엄격해집니다. 타인 시도를 받아들이는 경우가 줄어 FAR은 낮아지는 방향이지만, 본인 시도도 더 많이 거부되어 FRR이 높아질 수 있습니다.
반대로 거리 값이 작을수록 같은 사람에 가깝다는 엔진은 점수 방향이 다릅니다. 단순히 ‘숫자를 높이면 보안이 강화된다’고 일반화하지 말고 해당 엔진의 점수 의미와 판정 규칙을 확인해야 합니다.
수락 기준을 완화하면 정상 고객이 더 쉽게 통과해 FRR은 낮아질 수 있지만 타인 시도를 허용하는 FAR이 높아질 수 있습니다. FRR을 낮추는 조치를 보안 강화와 동일한 의미로 해석해서는 안 됩니다. 보안과 이용 편의를 평가할 때는 두 값의 변화를 함께 봐야 합니다.
다만 두 지표가 언제나 일정한 비율로 오르내리는 것은 아닙니다. 모델 성능이나 입력 품질을 개선하면 같은 보안 조건에서 FRR을 줄이는 등 두 측면을 함께 개선할 여지도 있습니다. 기준값 조정과 모델·촬영 품질 개선은 구분해야 합니다.
제공사를 비교할 때는 업무에서 허용할 타인 수락 수준을 먼저 정하고, 그 조건에서 본인 거부가 얼마나 발생하는지 확인하는 방식이 유용합니다. 서로 다른 기준값에서 얻은 가장 낮은 FRR과 가장 낮은 FAR을 한 쌍처럼 제시한 자료는 피해야 합니다.
업무 위험이 다르면 운영 기준도 달라질 수 있지만, 정상 고객의 불편을 줄이겠다는 이유로 검증 없이 기준을 완화해서는 안 됩니다. 변경 후에는 타인 시도와 본인 시도를 같은 조건에서 다시 평가해야 합니다.
알체라 eKYC는 신분증 사진과 촬영된 얼굴을 매칭해 동일인 여부를 확인하는 기능을 제공합니다. 도입 검토 시에는 자사 고객·기기·문서 조건을 정한 뒤 FRR과 FAR을 함께 측정해야 합니다. 공개된 다른 기능의 정확도를 얼굴 매칭 오류율로 바꾸거나 실측 전 예상 성능으로 사용하지 않습니다.
성능 검토 사례는 국내 금융사 안면인증 성능 테스트 결과에서 확인할 수 있습니다. 해당 글의 시험 결과를 자사 운영 환경에 그대로 적용하기보다 평가 범위와 조건을 확인하는 자료로 활용합니다.
APCER·BPCER는 위변조 탐지의 오류 지표이며 FRR·FAR과 확인 대상이 다릅니다. 얼굴이 누구와 일치하는지를 평가하는 것과 제시된 얼굴이 공격인지 판단하는 것을 구분해야 합니다.
실제 신청자가 카메라 앞에 있어도 신분증 소유자와 다른 사람일 수 있습니다. 반대로 신분증 소유자의 사진을 제시하면 얼굴이 유사해 보이더라도 위변조 확인이 필요합니다. 어느 한쪽의 성능 수치만으로 얼굴 인증 전체의 안전성을 설명하지 않아야 합니다.
성능 테스트는 평가 대상·판정 기준·오류 집계 방식을 먼저 고정해야 합니다. 실측 전에 임의의 오류율이나 성능 보장치를 채워 넣기보다 합의한 조건에서 나온 결과와 한계를 기록합니다.
문서 사진과 현재 촬영 사진의 품질, 기기·조명·연령대 등 실제 이용 조건을 반영합니다. 본인 시도와 타인 시도를 구분하고, 같은 사람의 반복 비교가 많은 결과인지도 확인해야 합니다. 개발에 사용한 자료와 평가 자료를 구분해 운영 성능을 과대평가하지 않도록 합니다.
최초 시도 기준인지 재시도 후 최종 결과인지 정합니다. 촬영 불가, 비교 불가와 위변조 판별 실패를 별도로 기록해야 매칭 오류의 원인을 설명할 수 있습니다. 여러 번 재시도한 뒤의 완료율을 최초 시도 FRR과 혼동하지 않습니다.
시험에서 타인 수락이 관찰되지 않았더라도 실제 위험이 없다는 뜻은 아닙니다. 표본 수와 조건, 통계적 불확실성을 함께 검토하고 작은 시험 결과를 임의로 환산해 극히 낮은 FAR을 주장하지 않아야 합니다.
모델이나 촬영 화면, 판정 기준값을 바꾸면 본인·타인 시험을 다시 수행합니다. 고객 재촬영률과 상담 전환 같은 운영 지표도 함께 보되 FRR·FAR과 별도 항목으로 관리합니다. 결과를 확인한 뒤 추가 심사와 대체 확인 경로까지 조정해야 합니다.
가장 낮은 수치 하나보다 어떤 조건에서 무엇을 측정했는지가 도입 판단의 기준입니다.
.png)
.svg)
.svg)
