재촬영과 추가 확인 사례까지 담는 ‘인터넷은행’ eKYC 신분증 진위확인

비대면 금융거래에서 중요해지는 신분증 진위확인

‍

인터넷은행은 계좌 개설과 대출 신청 등 다양한 금융서비스를 비대면으로 제공하며, 이 과정에서 이용자의 신원을 확인하기 위한 eKYC(전자적 고객확인) 절차를 운영합니다. 신분증 진위확인은 제출된 신분증이 유효한 문서인지, 신분증 정보가 실제 발급 정보와 일치하는지 등을 확인하는 과정입니다. 신분증 이미지에서 정보를 추출하는 OCR과 이미지 위변조 탐지, 외부 진위확인 절차 등이 함께 활용될 수 있습니다. 인터넷은행 eKYC 신분증 진위확인을 지원하는 AI 데이터는 신분증 유형과 이미지 품질, 검증 결과를 구분해 구성해야 합니다.

‍

신분증 유형별 특성을 반영한 데이터 구축

신분증은 종류와 발급 시기에 따라 디자인과 정보 배치, 보안 요소가 다를 수 있습니다. 따라서 데이터셋에는 다양한 신분증 유형과 발급 형태를 반영하고, 각 유형에서 확인해야 할 정보 영역을 구분해 기록할 필요가 있습니다. 이름과 생년월일, 발급일자 등 문자 정보뿐 아니라 사진 영역과 문서의 전체적인 형태도 진위확인에 참고할 수 있습니다. 신분증 유형별 기준을 명확히 정리해야 특정 문서에 편중되지 않은 진위확인 데이터셋을 구성할 수 있습니다.

‍

모바일 촬영환경에 따른 이미지 편차 관리

‍

인터넷은행의 비대면 인증에서는 이용자가 스마트폰으로 신분증을 촬영해 제출하는 경우가 많습니다. 촬영 기기와 조명, 신분증의 놓인 방향에 따라 이미지의 선명도와 색상, 문자 가독성이 달라질 수 있습니다. 이러한 편차는 정상 신분증의 진위확인에도 영향을 줄 수 있으므로 다양한 촬영 조건을 데이터에 반영해야 합니다.

‍

데이터셋에 포함할 수 있는 촬영 조건

• 밝은 실내와 어두운 실내
• 빛 반사나 그림자가 발생하는 상황
• 신분증의 기울기와 촬영 각도 차이
• 카메라와 신분증 사이의 거리
• 초점이 흐리거나 해상도가 낮은 이미지
• 신분증 일부가 가려지거나 촬영 영역에서 벗어난 경우

‍

촬영환경에 따른 이미지 품질 문제와 실제 진위 의심 사례를 구분해 라벨링하는 것이 중요합니다.

‍

‍

정상 신분증과 진위확인 실패 사례 구분

신분증 진위확인 데이터는 정상 문서와 위변조 의심 문서를 명확한 기준에 따라 구분해야 합니다. 다만 촬영 이미지가 흐리거나 일부 정보가 잘 보이지 않는다는 이유만으로 위변조 문서로 분류하면 모델의 판단 기준이 왜곡될 수 있습니다. 따라서 진위확인 실패 사례를 이미지 품질 문제, 정보 불일치, 진위 여부 확인 불가 등으로 나눠 관리할 필요가 있습니다. 진위확인 결과와 실패 원인을 구분해 기록하면 AI가 정상적인 촬영 오류와 실제 위변조 의심 징후를 구별하도록 학습시키는 데 도움이 됩니다.

‍

OCR 정보와 신분증 진위확인 결과의 연계

‍

eKYC 과정에서는 OCR을 통해 신분증의 문자 정보를 추출하고, 해당 정보가 검증 기준에 부합하는지 확인하는 절차가 이어질 수 있습니다. 이때 원본 이미지와 OCR 결과, 진위확인 결과를 연결해 관리하면 어느 단계에서 오류가 발생했는지 분석하기가 수월해집니다. 예를 들어 문자 인식이 잘못된 경우와 추출된 정보가 외부 확인 정보와 일치하지 않는 경우는 서로 다른 유형으로 다뤄야 합니다. OCR 인식 결과와 진위확인 판정을 별도 항목으로 관리하는 데이터 구조가 필요합니다.

‍

다양한 인증 실패와 추가 확인 상황 반영

실제 인터넷은행의 인증 과정에서는 신분증 훼손이나 정보 판독 불가, 입력 정보 불일치 등으로 확인이 완료되지 않을 수 있습니다. 일부 사례는 재촬영만으로 해결될 수 있지만, 다른 사례는 별도의 확인 절차가 필요할 수 있습니다. 따라서 데이터셋에는 인증 성공 사례뿐 아니라 재촬영이 필요한 상황과 추가 확인이 필요한 상황도 포함해야 합니다. 이러한 데이터를 구분하면 시스템이 불확실한 결과를 무리하게 정상 또는 위변조로 단정하지 않고 적절한 후속 절차를 안내하도록 설계하는 데 활용할 수 있습니다.

‍

신분증 진위확인 데이터의 검수와 개인정보 관리

‍

신분증 진위확인 데이터는 금융거래의 본인확인 과정에 활용될 수 있으므로 라벨의 정확성과 개인정보 보호를 함께 고려해야 합니다. 데이터의 출처와 판정 근거를 관리하고, 검수 과정에서 오류나 불확실한 사례가 확인되면 별도로 분류해야 합니다.

‍

데이터 검수에서 확인할 항목

• 신분증 유형별 라벨링 기준의 일관성
• 정상·위변조 의심 데이터의 판정 근거
• OCR 결과와 진위확인 결과의 연결 상태
• 촬영 품질 문제와 진위확인 실패 원인의 구분
• 중복·저품질·판독 불가 데이터 처리 기준
• 개인정보 비식별화와 접근 권한 관리

‍

또한 학습·검증·테스트 데이터가 적절히 분리됐는지 확인하고, 특정 신분증 유형이나 촬영환경에 데이터가 편중되지 않았는지도 점검해야 합니다.

‍

실제 인터넷은행 eKYC 환경을 반영한 데이터 구축

‍

인터넷은행 eKYC 신분증 진위확인을 위한 AI 데이터 구축은 신분증 이미지를 단순히 정상과 위변조로 나누는 작업만으로 완성되지 않습니다. 신분증 유형과 촬영환경, OCR 정보, 진위확인 결과, 인증 실패 원인 등을 구분하고 각 단계의 관계를 체계적으로 기록해야 합니다. 특히 촬영 오류와 진위 의심 사례를 분리하고, 판정이 불확실한 경우 추가 확인으로 연결할 수 있도록 데이터를 설계하는 것이 중요합니다. 이러한 데이터 구축 기반은 인터넷은행의 비대면 고객확인 과정에서 신분증 정보 검증과 이상 사례 탐지를 지원하는 AI 모델 개발에 활용될 수 있습니다.

‍

‍