.svg)
AI 솔루션 문의하기
해외송금 서비스에서 비밀번호를 변경할 때는 기존 비밀번호나 휴대전화 인증만으로 처리하지 않고 추가적인 본인확인 절차를 적용할 수 있습니다. 특히 비대면 환경에서는 얼굴 촬영을 통해 이용자의 신원을 확인하고 비밀번호 변경 요청과 연결하는 방식이 활용될 수 있습니다. 따라서 AI 학습데이터를 구축할 때도 얼굴 이미지 자체뿐 아니라 비밀번호 변경을 요청한 이용자와 인증 결과가 어떻게 연결되는지를 함께 고려해야 합니다. 실제 서비스의 인증 단계와 예외 상황을 반영해 데이터를 구성하는 것이 중요합니다.
비밀번호 변경 과정에서는 이용자 계정 정보와 현재 요청된 변경 작업을 확인한 뒤 얼굴 본인인증을 진행할 수 있습니다. 이때 얼굴 인증 결과가 정상적으로 확인됐는지, 추가 확인이 필요한지 등을 구분할 수 있어야 합니다. 학습데이터에서도 얼굴 이미지와 인증 결과, 변경 요청 정보를 각각 분리하면서 동일한 인증 과정에서 발생한 데이터라는 관계를 확인할 수 있도록 구성할 필요가 있습니다. 인증 결과와 계정 정보가 잘못 연결되지 않도록 데이터 생성 단계부터 관계를 명확하게 관리하는 것이 중요합니다.
해외송금 서비스는 모바일 기기에서 이용하는 경우가 많아 얼굴 인증 과정에서도 촬영 환경에 따른 편차가 발생합니다.
이처럼 다양한 조건을 포함해야 특정 환경에서 촬영된 얼굴 데이터에만 의존하지 않고 실제 이용 환경을 반영할 수 있습니다.
얼굴 본인인증이 항상 정상적으로 완료되는 것은 아닙니다. 얼굴이 제대로 검출되지 않거나 조명이 지나치게 강해 얼굴 특징을 확인하기 어려울 수 있으며, 촬영 각도나 이미지 품질 때문에 재촬영이 필요한 경우도 있습니다. 또한 촬영된 얼굴과 등록된 정보의 비교 과정에서 인증이 완료되지 않을 수도 있습니다. 데이터 라벨링에서는 이러한 사례를이 단순한 실패 데이터로 묶기보다 촬영 품질 문제와 얼굴 검출 실패, 본인확인 실패 등 원인을 구분하는 것이 필요합니다.
얼굴 본인인증을 완료한 뒤 실제 비밀번호 변경이 처리되는 과정에서는 여러 단계의 상태값이 발생할 수 있습니다. 인증에는 성공했지만 사용자가 변경 절차를 중단할 수도 있고, 인증 실패 후 다시 촬영하거나 추가 인증을 진행할 수도 있습니다. 따라서 학습데이터에서도 비밀번호 변경 요청, 얼굴 인증 시작·완료 여부, 인증 결과, 최종 변경 처리 결과를 하나의 흐름으로 연결할 수 있는 구조를 마련하는 것이 중요합니다.
얼굴인증 모델을 위한 데이터에는 정상적인 본인 사례만 포함하기보다 실제 서비스에서 구분해야 하는 다양한 사례를 함께 구성할 필요가 있습니다. 동일한 이용자라도 촬영 시점이나 환경에 따라 얼굴 이미지가 달라질 수 있으며, 다른 사람의 얼굴이 입력되는 상황도 고려해야 합니다. 얼굴의 각도와 표정, 촬영 거리 등 조건을 다양하게 구성하고 정상 인증과 실패 사례를 명확한 기준으로 분류해야 모델 검증에도 활용할 수 있습니다.
해외송금 계정정보와 얼굴 데이터가 함께 사용되는 만큼 데이터 구축 과정에서 정확성과 보안을 함께 관리해야 합니다.
특히 얼굴 데이터와 계정정보를 불필요하게 함께 노출하지 않도록 데이터 접근 범위를 구분하고, 라벨링과 검수 과정에서도 개인정보 보호 기준을 적용할 필요가 있습니다.
해외송금 비밀번호 변경을 위한 얼굴 본인인증 데이터는 얼굴을 정확하게 인식하는 것뿐 아니라 인증 결과가 실제 비밀번호 변경 절차와 어떻게 연결되는지를 반영해야 합니다. 다양한 모바일 촬영 환경과 재촬영, 인증 실패 등의 사례를 함께 구성하고 각각의 원인을 명확하게 분류하는 것이 필요합니다. 실제 서비스의 인증 흐름을 기준으로 얼굴 데이터와 인증 결과, 비밀번호 변경 상태를 정확하게 연결하고 검수해야 금융 서비스에 활용할 수 있는 학습데이터를 구축할 수 있습니다.
.svg)
.svg)
