.svg)
AI 솔루션 문의하기
모바일 신분증 발급 과정에서는 이용자가 제출한 신분증 정보와 실제 신청자가 동일한 사람인지 확인하는 절차가 필요합니다. eKYC를 연동하면 신분증 촬영과 정보 추출, 얼굴 인증 등의 과정을 비대면으로 처리할 수 있습니다. 따라서 AI 데이터 구축에서도 신분증 이미지를 모으는 데만 그치지 않고 발급 절차별 인증 결과와 입력 데이터를 함께 구성하는 것이 중요합니다. 발급 신청 화면에서 어떤 정보를 입력하고 어떤 방식으로 본인확인이 이뤄지는지에 따라 필요한 데이터 형태도 달라질 수 있습니다.
eKYC 과정에서는 이용자가 촬영한 신분증에서 이름, 생년월일, 발급번호 등의 정보를 추출하고 이를 기존 정보와 비교할 수 있습니다. 이때 신분증 종류나 발급기관, 촬영 방식에 따라 문자 영역의 위치와 형태가 달라질 수 있습니다. 이미지 안의 글자뿐 아니라 사진 영역과 문서의 전체적인 구조까지 함께 인식해야 하는 경우도 있습니다. AI 학습데이터에는 신분증 이미지와 추출 정보, 정상·오인식 여부 등의 관계가 명확하게 연결돼 있어야 합니다.
모바일 신분증 발급은 대부분 스마트폰 카메라를 통해 신분증을 촬영하기 때문에 사용자마다 상당한 촬영 편차가 발생합니다.
이러한 사례를 충분히 포함해야 실제 발급 환경에서 발생하는 인식 오류를 줄이는 데 활용할 수 있습니다.
실제 eKYC에서는 한 번에 신분증이 정상적으로 인식되지 않는 상황도 발생합니다. 신분증의 일부가 화면 밖으로 벗어나거나 빛 반사로 문자가 보이지 않는 경우, 촬영 각도가 지나치게 기울어진 경우 등이 대표적입니다. 이때 AI 데이터에는 정상적으로 처리된 이미지뿐 아니라 재촬영이 필요한 이미지와 그 원인을 구분할 수 있는 정보가 포함돼야 합니다. 이를 통해 이미지 품질을 판단하는 모델과 신분증 정보를 추출하는 모델을 함께 개선할 수 있습니다.
신분증 정보 확인 이후 얼굴 인증을 추가하는 경우에는 두 단계의 결과를 서로 연결해서 관리할 필요가 있습니다. 신분증은 정상적으로 인식됐지만 얼굴 인증에서 실패하는 경우도 있고, 반대로 얼굴 이미지 자체의 품질이 낮아 인증을 진행하기 어려운 경우도 있습니다. 따라서 학습데이터에서도 신분증 인식 결과, 얼굴 촬영 품질, 얼굴 비교 결과, 최종 발급 가능 여부를 각각 구분하는 방식이 필요합니다. 개별 AI 모델의 결과만 저장하기보다 전체 eKYC 흐름 안에서 각 데이터가 어떤 단계에 사용됐는지를 확인할 수 있어야 합니다.
eKYC 데이터는 정상적인 본인 인증 사례만으로 구성하기 어렵습니다. 실제 서비스에서는 신분증 사진과 현재 얼굴의 차이, 얼굴 각도, 표정, 안경 착용, 마스크 등 다양한 변수가 발생하기 때문입니다. 특히 비슷한 연령대의 얼굴이나 촬영 조건이 유사한 이미지처럼 모델이 구분하기 어려운 사례를 함께 구성해야 합니다. 인증 성공과 실패 사례를 명확한 기준으로 분류하고, 실패 원인까지 세분화하면 모델 성능을 검증하는 데 활용하기 좋습니다.
금융·공공 분야에서 활용되는 신분증과 얼굴 데이터는 개인정보가 포함될 가능성이 높기 때문에 구축 단계부터 데이터 관리 기준을 적용해야 합니다.
특히 데이터 라벨링 과정에서 신분증 정보와 인증 결과가 잘못 연결되면 모델 학습 자체에 오류가 발생할 수 있어 별도의 검수 과정이 필요합니다.
.svg)
.svg)
