.svg)
AI 솔루션 문의하기
모바일뱅킹에서 이체한도를 높이려는 이용자에게 얼굴 본인인증 절차를 적용하는 방식이 활용되고 있습니다. 기존 로그인이나 간편인증만으로 처리하기보다 얼굴을 직접 촬영해 본인 여부를 추가로 확인하는 방식입니다. 금융 서비스에서는 금액과 관련된 절차인 만큼 단순히 얼굴을 인식하는 기능뿐 아니라 실제 이용 환경에서 발생할 수 있는 다양한 인증 상황을 학습데이터에 반영하는 작업이 중요합니다.
얼굴 본인인증은 이용자가 현재 촬영한 얼굴과 기존에 등록된 본인확인 정보를 비교하는 방식으로 진행될 수 있습니다. 이때 데이터 구축에서는 동일 인물의 다양한 얼굴 상태를 충분히 확보하는 것이 중요합니다.
나이와 외모 변화뿐 아니라 촬영 당시의 조건에 따라서도 얼굴 이미지가 달라질 수 있습니다. 특정한 정면 사진만 학습시키기보다 실제 모바일 인증에서 발생할 수 있는 얼굴의 방향과 거리, 표정 등의 변화를 폭넓게 포함해야 합니다.
모바일뱅킹의 얼굴인증은 별도의 전문 장비가 아닌 이용자의 스마트폰 카메라를 통해 진행되는 경우가 많습니다. 기기마다 카메라 성능이 다르고 이용자가 휴대전화를 들고 있는 각도도 일정하지 않습니다. 특히 다음과 같은 조건은 데이터 구성 과정에서 함께 고려할 수 있습니다.
이런 편차가 충분히 반영되지 않으면 실제 서비스에서 인증 화면의 품질이 떨어지는 상황에 대응하기 어려울 수 있습니다.
모든 이용자가 한 번에 얼굴 인증을 완료하는 것은 아닙니다. 카메라를 너무 가까이 대거나 얼굴 일부가 화면 밖으로 벗어나는 경우도 있고, 움직이는 과정에서 이미지가 흐려질 수도 있습니다.
이러한 실패 사례 역시 학습데이터에서 의미가 있습니다. 얼굴이 정상적으로 확인되는 사례뿐 아니라 촬영 실패, 얼굴 영역 부족, 지나친 흔들림 등 인증을 다시 요청해야 하는 상황을 구분해 데이터로 구성하는 것이 필요합니다.
이를 통해 AI가 단순히 얼굴의 존재 여부만 판단하는 것이 아니라 인증에 적합한 이미지인지까지 구분하도록 학습할 수 있습니다.
얼굴인증이 완료됐다는 사실만으로 한도 상향 절차 전체가 끝나는 것은 아닙니다. 인증 결과가 어떤 이용자의 한도 변경 요청과 연결되는지도 정확하게 관리해야 합니다. 예를 들어 본인인증 성공 여부와 기존 이체한도, 변경 요청 정보 등을 각각 구분하면서도 하나의 절차 안에서 연결할 수 있는 데이터 구조가 필요합니다. 얼굴인증 데이터와 금융 서비스의 업무 흐름을 함께 고려해야 실제 시스템에 적용할 수 있는 학습데이터를 구성할 수 있습니다.
얼굴 본인인증의 목적은 현재 인증을 시도하는 사람이 등록된 이용자 본인인지 확인하는 데 있습니다. 따라서 데이터 구축 과정에서는 동일 인물의 다양한 촬영 사례뿐 아니라 본인이 아닌 사람이 인증을 시도하는 상황도 구분할 필요가 있습니다.
얼굴이 비슷한 사람이나 촬영 조건 때문에 유사하게 보이는 사례 등을 함께 검토하면 AI가 단순한 외형적 유사성만으로 본인 여부를 판단하지 않도록 데이터를 구성하는 데 도움이 됩니다.
얼굴인증 데이터는 일반적인 이미지 데이터보다 높은 수준의 관리가 요구됩니다. 데이터가 잘못된 사람에게 연결되거나 인증 결과가 잘못 기록되면 이후 모델 학습에도 영향을 줄 수 있습니다. 따라서 구축 과정에서는 다음과 같은 항목을 점검할 수 있습니다.
특히 실제 금융 이용자의 얼굴정보를 취급하는 경우에는 데이터 수집 목적과 활용 범위를 명확히 하고 개인정보 보호를 고려한 관리 절차를 함께 마련해야 합니다.
.svg)
.svg)
