얼굴 매칭 점수와 임계값
얼굴 매칭은 유사도 점수를 반환하며, 각 구간에서 어떤 일이 일어날지는 귀사가 결정합니다. 대기열을 넘치게 하거나 사기를 통과시키지 않으면서 검토 및 거부 임계값을 설정하는 방법을 안내합니다.
얼굴 매칭은 예/아니오가 아니라 유사도 점수를 반환합니다. 두 개의 임계값을 설정합니다. 거부 임계값 아래면 세션이 거부되고, 두 임계값 사이면 검토로 넘어가며, 검토 임계값 위면 통과합니다. 임계값을 어디에 둘지는 정책 결정이며, 사기 비율과 검토 대기열 모두를 좌우하는 가장 중요한 레버입니다.
#점수의 의미
- 라이브니스 탭에는 셀피, 라이브니스 판정, 얼굴 매칭 점수가 있습니다.
- 개요에서 그 점수가 세션의 판정에 어떤 영향을 미쳤는지 확인할 수 있습니다.
얼굴 매칭 1:1은 셀피를 문서의 초상 사진과 비교해 유사도 점수를 반환합니다. 이는 두 얼굴이 얼마나 비슷한지에 대한 지표일 뿐, 신원에 대한 확실한 판단은 아닙니다. 어떤 생체 인식 비교도 확실성을 담보하지 않기 때문입니다.
그래서 플랫폼은 단일 판정이 아니라 두 개의 임계값을 제공합니다.
#세 개의 구간
| 구간 | 결과 |
|---|---|
| 검토 임계값 위 | 자동으로 통과 |
| 두 임계값 사이 | 세션이 In Review 상태가 되어 사람이 판단 |
| 거부 임계값 아래 | LOW_FACE_MATCH_SIMILARITY와 함께 세션이 자동 거부 |
두 임계값 모두 워크플로의 얼굴 매칭 단계에서 설정하므로, 워크플로마다 위험 허용도를 다르게 가져갈 수 있습니다. 고액 계좌 개설 플로우와 저위험 연령 확인은 같은 설정이 필요하지 않습니다.
#실제로 정상 사용자의 점수를 낮추는 요인
임계값을 조이기 전에, 정상 사용자에게서 점수를 떨어뜨리는 요인을 알아두세요.
- 문서 사진의 연식. 10년 전에 찍은 초상 사진은 실제로 유사도가 낮습니다.
- 인쇄 및 스캔 품질. 일부 국가는 작고 대비가 낮은 초상 사진을 인쇄하며, 많이 낡은 카드는 더 나쁩니다.
- 가림. 안경, 모자, 짙은 화장, 이전에는 없던 수염 등입니다.
- 조명과 카메라. 어두운 방과 저가형 전면 카메라 모두 유사도를 떨어뜨립니다.
이 중 어느 것도 사기가 아니며, 이런 요인들은 시장에 따라 더 흔하게 나타나기도 합니다. 사용자층이 오래된 문서를 많이 가지고 있다면, 최신 여권 기준으로 조정된 임계값은 정상 사용자를 거부하게 됩니다.
#임계값 정하기
트레이드오프는 대칭적이고 피할 수 없습니다.
- 임계값을 조이면 더 많은 사칭자를 잡아내지만, 더 많은 정상 사용자가 검토나 거부로 넘어갑니다.
- 임계값을 느슨하게 하면 더 많은 정상 사용자가 통과하지만, 더 많은 사칭자도 통과합니다.
실용적인 설정 방법은 다음과 같습니다.
- 기본값으로 시작해 데이터를 모으기
아무것도 바꾸기 전에 몇백 건의 실제 트래픽을 기본값으로 실행해 보세요. 직감만으로는 조정할 수 없습니다.
- 검토 구간에 들어온 세션과 그 이유를 살펴보기
검토 구간의 세션을 열어보세요. 검토자가 거의 전부 승인한다면 검토 임계값이 너무 높은 것이며, 판정 없이 업무만 만들어내고 있는 셈입니다.
- 거부된 세션 살펴보기
거부된 세션이 대부분 오래된 문서를 가진 정상 사용자라면, 거부 임계값이 해당 사용자층에 비해 너무 높은 것입니다.
- 한 번에 하나의 임계값만 바꾸기
하나를 바꾸고 다른 하나는 유지한 뒤 다시 측정하세요. 둘 다 동시에 바꾸면 무엇이 영향을 미쳤는지 알 수 없습니다.
특정 불만 하나를 없애기 위해 임계값을 조정하지 마세요. 거부된 사용자 한 명은 신호가 아니며, 한 사례를 해결하려고 임계값을 느슨하게 하면 모든 사칭자에게도 똑같이 느슨해집니다. 개별 사례는 수동 검토 판정이나 재제출로 해결하고, 임계값은 패턴이 보일 때만 바꾸세요.
#검토 구간을 넓히는 것은 공짜가 아닙니다
넓은 검토 구간은 안전해 보입니다. 자동으로 거부되는 것이 없고, 애매한 모든 건을 사람이 보니까요. 실제로는 판단의 문제를 인력 배치의 문제로 바꿀 뿐입니다. 대기열이 늘어나고, 검토는 덜 꼼꼼해지며, 실질적인 판정 품질은 떨어집니다. 검토 중에 머무는 세션을 참고하세요.
#더 나은 임계값보다 더 강력한 검사가 낫습니다
얼굴 매칭이 취약점이라면, 대개 가장 효과적인 변화는 임계값이 아닙니다.
- NFC는 문서의 칩에서 초상을 직접 읽습니다. 발급 기관이 가진 이미지 그대로, 최고 품질이므로 인쇄 열화 변수를 제거합니다.
- 능동형 라이브니스는 프레젠테이션 공격의 비용을 높여, 애매한 점수가 공격일 가능성을 애초에 낮춥니다.
#실서비스 전에 임계값 테스트하기
샌드박스에는 정확히 이를 위한 시나리오가 있습니다. 명확한 실패에는 decline_face_match_low_similarity를, 검토 구간 안의 점수에는 review_face_match_borderline을 사용하세요. 실제 사용자가 접하기 전에 워크플로가 각 구간을 생각한 대로 라우팅하는지 확인할 수 있습니다. 샌드박스에서 테스트하기를 참고하세요.