Altersschätzung-API: Altersverifizierung per Selfie

Didit Altersschätzung schätzt das Alter einer Person anhand eines Selfies – inklusive passiver Liveness-Erkennung –, sodass Sie den Zugang zu altersbeschränkten Diensten steuern können, ohne von jedem Benutzer ein Ausweisdokument verlangen zu müssen. Das Modell ist dort am präzisesten, wo Entscheidungen über Altersbeschränkungen getroffen werden: Der mittlere absolute Fehler liegt bei 1,1 Jahren für 16- und 17-Jährige sowie bei 1,9 Jahren für 18- bis 20-Jährige, und es klassifiziert 96% der Selfies korrekt als unter 18 oder ab 18 Jahren (siehe Modellleistung).

​

Methoden zur Altersschätzung

Unsere Plattform implementiert die Altersschätzung in Verbindung mit verschiedenen Technologien zur Liveness-Erkennung:

Methode	Beschreibung	Sicherheitsstufe	Am besten geeignet für
3D Action & Flash	• Kombiniert Multi-Faktor-Biometrieverifizierung mit einer randomisierten Aktionssequenz und dynamischer Lichtmusteranalyse. • Zu Beginn wird der Benutzer aufgefordert, eine einfache Aktion auszuführen – wie Blinzeln oder Nicken –, was eine Interaktion in Echtzeit sicherstellt. • Gleichzeitig projiziert das System eine Sequenz von Lichtmustern auf das Gesicht und analysiert die Reflexionen, um die dreidimensionale Struktur des Gesichts zu bestätigen. • Deep-Learning-Algorithmen untersuchen Mikroausdrücke und die Reaktionen auf Lichtreflexionen, um die Anwesenheit einer echten lebenden Person zu verifizieren. • Bietet die höchste Sicherheit durch die Integration von verhaltensbasierten (Aktion) und physischen (lichtbasierte Tiefe) Merkmalen, wodurch ein Spoofing mit statischen Bildern, Videos oder sogar hochentwickelten Masken nahezu unmöglich wird.	Höchste	Bankwesen, Gesundheitswesen, Behördenanwendungen
3D Flash	• Nutzt die dynamische Lichtmusteranalyse, um die Gesichtstopologie ohne Benutzerinteraktion zu validieren. • Projiziert eine Reihe von Lichtmustern mit über 30 Bildern pro Sekunde auf das Gesicht und analysiert die Reflexionen zur Erstellung einer Tiefenkarte. • Diese Tiefenkarte bestätigt die dreidimensionale Struktur des Gesichts und unterscheidet es von flachen Bildern oder 2D-Spoofs. • Bietet ein reibungsloses Nutzererlebnis bei gleichzeitig hoher Sicherheit gegen Präsentationsangriffe wie Fotos oder Bildschirme.	Hoch	Finanzdienstleistungen, Kontozugriff, Identitätsverifizierung
Passive Liveness	• Basiert auf einer Deep-Learning-Analyse eines einzelnen Frames, um Anzeichen von Lebendigkeit zu erkennen. • Aus Datenschutzgründen wird das Gesicht des Benutzers in der Benutzeroberfläche unscharf dargestellt, um ihnen zu versichern, dass das Bild ausschließlich zur Altersschätzung und nicht zur Identifizierung analysiert wird. • Untersucht das Bild auf Artefakte, Texturmuster und andere subtile Indikatoren, die ein echtes Gesicht von einer Fälschung unterscheiden. • Ein Convolutional Neural Network (CNN) validiert Gesichtsmerkmale und identifiziert Anomalien, wie sie beispielsweise bei gedruckten Fotos oder digitalen Bildschirmen auftreten. • Bietet eine schnelle und bequeme Verifizierung bei einem standardmäßigen Sicherheitsniveau, geeignet für risikoarme Anwendungsfälle.	Standard	Reibungsarme Szenarien, Verbraucheranwendungen

Jede Methode generiert eine präzise Altersschätzung zusammen mit Konfidenzwerten und ergänzenden Daten zur Geschlechtsschätzung.

​

Konfigurierbare Schwellenwerte

Sie können Sicherheitsstufen anpassen, indem Sie verschiedene Schwellenwerte für die Altersschätzung festlegen. Zum Beispiel:

​

Altersbeschränkungen pro Land

Altersbeschränkungen können pro Land konfiguriert werden, was der Tatsache Rechnung trägt, dass das gesetzliche Volljährigkeitsalter je nach Rechtsordnung variiert. Anstatt ein einzelnes globales Mindest- oder Höchstalter festzulegen, können Sie spezifische Altersgrenzen für jedes Land definieren – und sogar für einzelne Bundesländer oder Regionen innerhalb eines Landes.

​

Wie es funktioniert

• Konfiguration auf Länderebene: Legen Sie ein Mindest- und/oder Höchstalter für jedes Land fest (identifiziert über das Ausstellungsland des Dokuments). Beispielsweise können Sie ein Mindestalter von 18 Jahren in den Vereinigten Staaten, 19 in Südkorea und 21 in den Vereinigten Arabischen Emiraten verlangen.
• Bundesland-/Regionsüberschreibungen: Für Länder mit subnationalen Unterschieden (wie die Vereinigten Staaten oder Mexiko) können Sie Überschreibungen pro Bundesstaat bzw. Region konfigurieren. So kann beispielsweise Mississippi ein Mindestalter von 21 Jahren verlangen, während der US-Standard bei 18 Jahren liegt. Das System gleicht das Bundesland anhand der Region ab, die per OCR aus dem Dokument extrahiert wurde.
• Standardwerte für das Volljährigkeitsalter: Die Konsole bietet eine Ein-Klick-Schaltfläche “Volljährigkeitsalter anwenden”, die das Mindestalter jedes Landes automatisch anhand des bekannten gesetzlichen Volljährigkeitsalters weltweit ausfüllt. Anschließend können Sie einzelne Länder oder Bundesländer nach Bedarf anpassen.
• Konfigurierbare Aktionen: Wenn das Alter eines Benutzers unter dem Mindestalter liegt oder das Höchstalter für das Land seines Dokuments überschreitet, können Sie die durchzuführende Aktion wählen: Ablehnen oder Überprüfen.

​

Beispielkonfiguration

​

So funktioniert es

​

Adaptive Altersschätzung

Für Szenarien, in denen eine präzise Altersverifizierung entscheidend ist, bietet unsere Plattform eine adaptive Altersschätzung mit Ausweisverifizierungs-Fallback. Dieser Ansatz bietet ein Gleichgewicht zwischen Benutzerfreundlichkeit und regulatorischer Compliance.

​

Wie adaptive Altersschätzung funktioniert

​

Was der Fallback zurückgibt

Der Fallback-Gesichtsabgleich läuft ohne einen Gesichtsabgleich-Knoten im Workflow ab, sodass er in der Sitzungsentscheidung auf eine Weise erscheint, die leicht mit einer Prüfung verwechselt werden kann, die Sie nie konfiguriert haben:

• features listet nach Ausführung des Fallbacks zusätzlich zu AGE_ESTIMATION und ID_VERIFICATION auch FACE_MATCH auf.
• face_matches[] enthält einen Eintrag mit dem score, dem source_image (Dokumentenfoto) und dem target_image (Selfie der Altersschätzung). Dessen node_id ist der Knoten der Altersschätzung (feature_age_estimation in einem nativen Workflow), da der Abgleich zu diesem Schritt gehört und nicht zu einem Gesichtsabgleich-Schritt.
• Ein niedriger Wert löst die üblichen Gesichtsabgleich-Warnungen aus und kann die Sitzung in Prüfung versetzen oder ablehnen, genau wie es ein konfigurierter Gesichtsabgleich-Knoten tun würde.
• Er wird nicht als Gesichtsabgleich abgerechnet: Für die Sitzung werden nur die Altersschätzung und die Ausweisverifizierung in Rechnung gestellt.

Sitzungen, die allein anhand des Selfies bestanden oder nicht bestanden werden, führen den Fallback niemals aus und geben daher face_matches: null zurück. Um die Bilder aus der Payload der Entscheidung herauszuhalten, beschränken Sie die face_matches-Felder über die Antwortattribute des Workflows.

​

Vorteile der adaptiven Altersschätzung

• Geringere Reibung: Die meisten Benutzer schließen die Verifizierung mit nur einem Selfie ab
• Verbesserte Compliance: Unsichere Fälle durchlaufen eine gründliche Dokumentenprüfung mit länderspezifischen Altersregeln
• Kosteneffizienz: Die Ausweisverifizierung wird nur bei Bedarf genutzt
• Anpassbare Risikotoleranz: Passen Sie Schwellenwerte basierend auf Ihren regulatorischen Anforderungen an
• An die jeweilige Rechtsordnung angepasst: Wendet basierend auf dem Ausstellungsland und der Region des Dokuments des Benutzers automatisch die korrekte Volljährigkeitsgrenze an

Dieser Ansatz ist besonders wertvoll für Dienste mit Altersbeschränkungen wie Online-Gaming, Alkohollieferungen und Plattformen für Inhalte für Erwachsene, bei denen die Ausgewogenheit zwischen Benutzererlebnis und regulatorischer Compliance unerlässlich ist.

​

Alterszusicherung (ISO/IEC 27566-1)

Ein Workflow kann deklarieren, dass er dem ISO/IEC 27566-1-Standard zur Alterszusicherung folgt. Erstellen Sie ihn aus den Vorlagen der Konsole unter Altersschätzung (ISO/IEC 27566-1) oder Altersverifizierung (ISO/IEC 27566-1). Die Deklaration erfolgt bei der Erstellung des Workflows und kann nachträglich nicht mehr geändert werden. Solange ein Workflow den Standard deklariert, bindet Didit ihn an eine einmalige Ja-oder-Nein-Antwort bezüglich des Alters. Die fixierten Einstellungen gelten bei jedem Speichern, in der Konsole und über die API:

• Sie erhalten die Altersentscheidung und sonst nichts. Die Antwortattribute sind gesperrt, sodass die Entscheidung keine personenbezogenen Daten enthält.
• 13 ist das niedrigste Mindestalter in jedem Land, für jede regionale Überschreibung und in den Schwellenwerten für die adaptive Altersschätzung. Ein niedrigerer Wert wird abgelehnt.
• Keine sitzungsübergreifende Wiedererkennung. Prüfungen auf Dokumentenduplikate und Gesichtsduplikate sind deaktiviert, und es wird kein biometrisches Template gespeichert.
• Eingeschränkte Erfassung. Dokumente werden ausschließlich mit der Kamera erfasst, ohne Datei-Upload, ohne unbemerkte Selfie-Erfassung, während das Dokument fotografiert wird und ohne Audioaufnahme.
• Keine zusätzlichen Datenprüfungen. Der Abgleich erwarteter Angaben und der Schritt zur Datenprüfung sind deaktiviert, und die Ausweisverifizierung liest ausschließlich Dokumente aus – ohne Datenbankabgleiche oder digitale ID-Wallets.
• Ein Schwellenwert ist erforderlich. Ein Workflow ohne Altersschwellenwert wird beim Speichern abgewiesen, sodass er niemals standardmäßig jeden genehmigen kann.

​

Modellleistung und Statistiken

Die folgenden Zahlen beschreiben das Altersmodell, das seit dem 4. November 2026 in Produktion ist. Sie stammen aus seinem fest definierten Evaluationsdatensatz: 2.399 Selfies von Personen im Alter von 13 Jahren und älter, die vor dem Training zurückgestellt wurden, wobei das Alter jeder Person aus ihrem verifizierten Ausweisdokument stammt. Kein Modell wurde auf diesen Selfies oder diesen Personen trainiert. Die Gesamtzahlen gelten für einen Evaluationsmix mit 10% unter 18-Jährigen, wobei die Altersverteilung der Erwachsenen der des Produktivdatenverkehrs entspricht; jede Altersgruppe wird unten separat aufgeführt.

​

Genauigkeitsmetriken

Metrik	Wert	Beschreibung
Mittlerer absoluter Fehler (MAE)	2.6 Jahre	Durchschnittliche Differenz zwischen geschätztem und dokumentiertem Alter
Standardabweichung	2.3 Jahre	Wie stark der Fehler von einer Schätzung zur nächsten variiert
Korrekt bei einem Schwellenwert von 18	96.0%	Selfies, die korrekt als unter 18 oder ab 18 klassifiziert wurden, ohne Fallback-Bereich; mindestens 95.3% bei 95% Konfidenz

​

Leistung nach Altersgruppen

Der Fehler ist in den Altersbereichen am geringsten, in denen über Altersgrenzen entschieden wird, und nimmt mit dem Alter zu.

Altersgruppe	MAE (Jahre)	Standardabweichung (Jahre)
13-15	1.70	1.17
16-17	1.14	1.37
18-20	1.86	1.74
21-25	2.21	1.78
26-40	2.77	2.20
41-60	3.03	2.62
Über 60	4.33	3.64