.svg)
AI 솔루션 문의하기
외국인 거주자가 한국의 은행에서 원격 신원확인을 받거나, 국제 거래를 위해 여러 국가의 금융기관에서 동시에 인증받을 때, 서로 다른 국가와 기관에서 촬영된 얼굴 이미지들이 동일 인물임을 신뢰할 수 있게 확인해야 합니다. 이는 단순한 1대1 얼굴 매칭을 넘어, 글로벌 수준의 일관성 있는 검증을 요구합니다.
문제는 각 국가의 eKYC 시스템이 서로 다른 카메라 품질, 조명 환경, 촬영 기준을 가지고 있다는 것입니다. 한국의 공식 eKYC 이미지, 싱가포르의 모바일 뱅킹 셀카, 인도의 저해상도 스마트폰 사진이 모두 동일한 인물로 인식되어야 하지만, 각각의 이미지 특성이 매우 다릅니다.
또한 인종별 얼굴 특징의 차이도 교차 국경 매칭을 복잡하게 합니다. 같은 아시아인이라도 동아시아, 남아시아, 동남아시아의 얼굴 구조, 피부색, 안면 특징이 다르고, 특정 인종에 최적화된 매칭 기준이 다른 인종에서는 높은 거짓 양성을 야기할 수 있습니다. 따라서 교차 국경 비교 시스템은 인종별 차이를 정규화하면서도 각 개인의 고유한 특징은 보존하는 균형을 찾아야 합니다.
외국인 얼굴 인증의 핵심은 어디에서 촬영되었든 동일 인물이 동일한 특징 벡터를 생성하도록 하는 것입니다. 이를 "표준화된 특징 공간(Standardized Feature Space)"이라 부릅니다.
Alchera의 특징 추출 모델은 인종별로 다른 facial manifold를 하나의 통일된 공간으로 매핑하도록 훈련됩니다. 이는 단순히 "모든 얼굴을 동일하게 처리"하는 것이 아니라, "각 인종의 고유한 특성을 인정하면서도 개인 간의 차이를 명확하게 유지"하는 방식입니다.
구체적으로는 메트릭 러닝(Metric Learning) 기법을 사용합니다. 동일 인물의 여러 이미지는 특징 공간에서 가깝게, 다른 인물의 이미지는 멀게 배치되도록 손실 함수를 설계합니다. 다만 이 과정에서 특정 인종 집단이 과도하게 대표되지 않도록, 각 인종별로 샤드(shard) 기반의 샘플링을 수행합니다.
또한 특징 벡터의 일반화(generalization) 성능도 중요합니다. 훈련 단계에서 본 적 없는 조명, 각도, 피부색의 얼굴이 테스트 단계에서 나타나면, 모델이 그 얼굴을 올바르게 처리할 수 있어야 합니다. 이를 위해 훈련 데이터에서 의도적으로 극단적 조건(50럭스의 어두운 환경, 90도에 가까운 측면 각도, 극도로 밝은 피부부터 극도로 어두운 피부까지)을 포함합니다.
교차 국경 매칭에서는 여러 국가의 신원확인 기준이 동시에 적용되어야 합니다. 각 국가의 금융감독당국이 요구하는 신뢰도 기준이 다르기 때문입니다.
예를 들어 한국의 특금법은 신분증 사진과 실시간 촬영 이미지의 일치도를 요구하지만 구체적 수치는 명시하지 않습니다. 반면 EU의 eIDAS 규정은 거짓 수용율(FAR, False Acceptance Rate)을 0.1% 이하로 명시합니다. 인도의 UIDAI는 별도의 기준을 가지고 있습니다.
알체라의 비교 시스템은 이러한 다중 기준을 동시에 적용합니다. 동일한 특징 벡터 쌍(pair)에 대해, 한국 기준으로는 "승인", EU 기준으로는 "추가 검증 필요", 인도 기준으로는 "승인"이라는 서로 다른 결과를 동시에 도출할 수 있습니다. 이를 통해 글로벌 금융기관들이 각자의 규제 환경에 맞는 결정을 내릴 수 있습니다.
또한 국가별 인증 이력도 추적됩니다. 동일 거주자가 한국, 싱가포르, 일본에서 순차적으로 인증받았다면, 이 이력 자체가 신뢰도를 높이는 신호가 됩니다. 반대로 같은 날 다양한 국가에서 동시에 인증 시도가 있다면 의심 신호가 될 수 있습니다.
교차 국경 비교의 가장 큰 도전은 이미지 품질의 극단적 차이입니다. 한국의 고해상도 공식 eKYC 이미지(2048×2048)와 방글라데시의 저해상도 스마트폰 셀카(480×480)를 동등하게 처리해야 합니다.올바른 접근법은 "품질을 강제하지 않고 다양성을 수용"하는 것입니다. 저해상도 이미지도 처리할 수 있는 모델을 훈련하되, 고해상도 이미지의 추가 정보를 충분히 활용할 수 있도록 설계합니다.
먼저 초해상도(Super-Resolution) 기술을 선택적으로 적용할 수 있습니다. 극도로 낮은 해상도(320×240 이하)의 이미지에만 초해상도를 적용하여, 계산 오버헤드를 최소화하면서도 정확도를 유지합니다. 다만 초해상도가 환각(hallucination) 아티팩트를 생성할 수 있으므로, 이를 감지하고 신뢰도 점수에 반영합니다.
또한 이미지 정규화 과정에서 국가별 촬영 환경을 고려합니다. 적도 지역의 밝은 햇빛과 북유럽의 흐린 날씨는 극도로 다른 밝기와 색감을 만드는데, Alchera의 시스템은 이를 자동으로 감지하고 표준화합니다. 색온도 보정, 명도 정규화, 대비 조정 등이 병렬로 이루어집니다.
교차 국경 비교에서 인종 정보는 민감하지만 필요한 데이터입니다. 명시적으로 인종을 고려하지 않으면 편향이 발생하고, 과도하게 강조하면 차별이 될 수 있습니다.
알체라의 접근법은 "숨겨진 편향보다는 명시적 모델링"입니다. 시스템이 각 인종별로 다른 특징 분포를 가지고 있음을 인정하고, 각 인종에 대해 최적화된 임계값과 신뢰도 평가를 제공합니다.
구체적으로는 인종별 특징 벡터의 분포(distribution)를 명시적으로 모델링합니다. 동아시아인의 특징 벡터 집단과 아프리카인의 특징 벡터 집단은 고차원 공간에서 다른 형태의 클라우드를 형성합니다. 이를 가우시안 혼합 모델(GMM, Gaussian Mixture Model)로 표현하여, 각 인종별로 동일 인물 vs 다른 인물의 거리를 정확하게 계산합니다.
또한 혼혈이나 다민족 거주자의 경우, 여러 인종 집단의 특징을 결합하는 방식을 적용합니다. 유럽-아시아 혼혈 거주자는 동아시아 모델과 유럽 모델의 가중 평균을 사용할 수 있습니다.
동일 인물이 짧은 시간에 여러 국가에서 인증을 시도하면, 이는 사기 신호일 가능성이 있습니다. 이러한 이동 가능성(Impossible Travel)을 실시간으로 감지하는 것이 중요합니다.
예를 들어 같은 시간대에 서울과 뉴욕에서 두 개의 얼굴 인증이 시도되면, 물리적으로 불가능한 시간에 이동했다는 것으로 판정하고 위험도를 상향합니다. 다만 6시간 간격의 인증은 항공편으로 가능하므로 정상 범위로 판정할 수 있습니다.
또한 지역별 평상시 활동 패턴도 학습합니다. 한국 거주자가 평상시 아시아권에서만 인증을 받다가 갑자기 아프리카에서 인증을 시도하면 이는 거주자의 기존 패턴에서 벗어난 이상 신호가 될 수 있습니다.
거래자의 의심 신호도 추적됩니다. 동일 얼굴으로 여러 국가의 다른 기관에서 연쇄적으로 인증을 시도한다면 이는 조직적 사기의 신호일 가능성이 높습니다. 은행 계좌 개설을 위한 연쇄적 인증 시도를 감지하면 즉시 알림을 발생시킵니다.
단순히 "매칭됨" 또는 "매칭 안 됨"이 아니라, 다양한 차원의 신뢰도를 동시에 제공하는 것이 교차 국경 시스템의 특징입니다.
먼저 기하학적 유사도를 계산합니다. 두 특징 벡터 사이의 코사인 유사도(0~1 범위)를 제공하는데, 이는 가장 객관적인 매칭 신호입니다. 일반적으로 0.6 이상이면 동일 인물일 가능성이 높지만, 인종과 촬영 환경에 따라 이 기준이 달라질 수 있습니다.
다음으로 이미지 품질 신뢰도를 별도로 제공합니다. 고품질 이미지(2048×2048, 명확한 조명)는 신뢰도 95% 이상일 수 있지만, 저품질 이미지(480×480, 어두운 환경)는 신뢰도 70% 수준일 수 있습니다. 이 정보를 통해 금융기관은 이미지 품질이 낮으면 추가 검증을 요청할 수 있습니다.
또한 생물학적 일관성도 평가합니다. 두 이미지의 나이 차이가 논리적인가(5년 차이는 정상, 10개월 차이는 불가능)를 검증합니다. 현재 기술로는 이 평가가 완벽하지 않지만, 추가적인 신뢰도 신호로 작동할 수 있습니다.
교차 국경 매칭의 성능은 실제 거래 데이터로부터의 피드백을 통해 지속적으로 개선됩니다. 거짓 거부 사건이 발생하면, 해당 이미지 쌍을 분석하여 왜 매칭이 실패했는지 파악합니다. 이미지 품질 문제였는가, 아니면 모델의 편향 문제였는가를 구분하고, 필요하면 재훈련 데이터를 수집합니다.
또한 인종별, 지역별 성능 격차를 정기적으로 평가합니다. 만약 특정 국가 거주자의 거짓 거부율이 다른 지역보다 3% 높다면, 이를 파악하고 데이터를 추가 수집하거나 모델을 재조정합니다. 이러한 지속적 개선 프로세스는 "설정 후 방치"가 아니라 "운영과 함께 진화"하는 시스템을 만듭니다. 각 국가의 신분증 발급 방식이 변경되거나, 새로운 스푸핑 공격이 나타나면, 시스템은 자동으로 이에 대응하도록 훈련됩니다.
.svg)
.svg)
