> ## Documentation Index
> Fetch the complete documentation index at: https://docs.didit.me/llms.txt
> Use this file to discover all available pages before exploring further.
# Altersschätzung-API: Altersverifizierung per Selfie
> Alter per Selfie mit KI schätzen: Didit bietet $0.10 pro Aufruf, 1.1 Jahre MAE (16-17 Jahre) und optionales Ausweisverifizierungs-Fallback.
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](#modellleistung-und-statistiken)).
Integrations-Prompt für Altersschätzung
Prompt in die Zwischenablage kopieren
\
\````# Goal
Integrate Didit Age Estimation (selfie-based age gating, includes passive liveness) into your app. Pick ONE mode.
\# Mode A — Session-based (embedded in Liveness)
In hosted Didit flows, age estimation is **embedded inside the Liveness step** — there is no separate "age_estimation" workflow feature. Enable age estimation on the Liveness node in the Business Console.
1\. Configure the workflow's LIVENESS feature with age estimation enabled and set age_estimation_decline_threshold (default 18).
2\. Create a session — POST /v3/session/ with { workflow_id, vendor_data, callback }. See /sessions-api/create-session.
3\. Open session.url for the user (or mount the Web/Mobile SDK).
4\. Fetch the decision — GET /v3/session/{sessionId}/decision/.
Decision surface: the result lives at `liveness_checks[].age_estimation` on each Liveness entry (not in a top-level age_estimations[] array).
\# Mode B — Standalone API (server-to-server, age + liveness in one call)
Use when you already have a selfie and need a one-shot age gate.
POST https://verification.didit.me/v3/age-estimation/
multipart/form-data — x-api-key: YOUR_API_KEY
curl example:
\```bash
curl -X POST 'https://verification.didit.me/v3/age-estimation/' \
-H 'x-api-key: YOUR_API_KEY' \
-F 'user_image=@./selfie.jpg' \
-F 'age_estimation_decline_threshold=18' \
-F 'save_api_request=true' \
-F 'vendor_data=user-1234'
\```
Returns: { request_id, age_estimation: { status, method: "PASSIVE", age_estimation (float, years), score (passive-liveness 0-100), user_image: {entities}, warnings: [...] } }.
Required: `user_image` (jpg/jpeg/png/tiff/webp, max 5 MB; PDFs not accepted). The largest face wins when multiple are present.
\# Decision logic
status="Declined" when ANY of the following is true:
\- passive-liveness score ≤ face_liveness_score_decline_threshold (default 30)
\- predicted age < age_estimation_decline_threshold (default 18)
\- no face detected
\- liveness model flagged a presentation attack
\# Status enum
"Not Started" | "In Progress" | "Approved" | "In Review" | "Declined" | "Abandoned" | "Kyc Expired"
\# Warnings
warnings[] risk codes include:
AGE_BELOW_MINIMUM, AGE_NOT_DETECTED, LOW_LIVENESS_SCORE, NO_FACE_DETECTED, LIVENESS_FACE_ATTACK, MULTIPLE_FACES_DETECTED.
Full catalogue: /core-technology/age-estimation/warnings-age-estimation.
\# Failure modes to handle
\- HTTP 400 — missing or oversized user_image, unsupported extension.
\- HTTP 403 — out of credits.
\- status="Declined" with AGE_BELOW_MINIMUM — user is below the configured age; reject.
\- status="Declined" with LOW_LIVENESS_SCORE / LIVENESS_FACE_ATTACK — presentation attack suspected; reject.
\- AGE_NOT_DETECTED — the model could not extract age (poor image quality); request a retake.
\# See also
\- Canonical schema: /reference/data-models#age-estimation
\- Per-feature report: /core-technology/age-estimation/report-age-estimation
\- Risk catalogue: /core-technology/age-estimation/warnings-age-estimation
\- Full integration playbook: /integration/integration-prompt````
\
Einfügen in
## Methoden zur AltersschätzungUnsere 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 SchwellenwerteSie können Sicherheitsstufen anpassen, indem Sie verschiedene Schwellenwerte für die Altersschätzung festlegen. Zum Beispiel:> [!NOTE]
>
> Diese Schwellenwerte können basierend auf Ihrer Risikotoleranz und Ihren Sicherheitsanforderungen angepasst werden.### Altersbeschränkungen pro LandAltersbeschränkungen 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| Land | Mindestalter | Höchstalter | Bundeslandüberschreibungen |
| - | - | - | - |
| USA | 18 | -- | Mississippi: 21, Alabama: 19 |
| KOR | 19 | -- | -- |
| GBR | 18 | 65 | -- |
| ARE | 21 | -- | -- |> [!NOTE]
>
> Länderspezifische Altersbeschränkungen sind sowohl in Standard-KYC-Workflows als auch in adaptiven Workflows zur Altersverifizierung verfügbar. In adaptiven Workflows, bei denen die Ausweisverifizierung für Grenzfälle ausgelöst wird, verwendet die Altersprüfung die im Schritt Ausweisverifizierung konfigurierten länderspezifischen Einstellungen.## So funktioniert es**1. Bilderfassung oder Videoaufnahme**Der Benutzer stellt ein klares Gesichtsbild über einen API-Upload bereit oder durchläuft einen Liveness-Verifizierungsprozess.| Prüfung | Beschreibung |
| - | - |
| **Bildqualität** | Validiert Beleuchtung, Positionierung und Schärfe |
| **Liveness-Verifizierung** | Stellt sicher, dass die Person anwesend ist und kein Spoofing vorliegt |
| **Multi-Frame-Analyse** | Wählt den optimalen Frame für maximale Genauigkeit aus |
| **Adaptive Erfassung** | Passt sich an verschiedene Gerätefunktionen an |**2. Analyse von Gesichtsmerkmalen**Ein Detektor lokalisiert jedes Gesicht und jede Person im Bild, und das größte Gesicht wird analysiert.- **Gesichtsausschnitt**: Das Gesicht genau so, wie es erkannt wurde, wird hinsichtlich Gesichtsmorphologie, Proportionen und Hauttextur analysiert
- **Körperkontext**: Der Rest des Bildes, bei dem das Gesicht maskiert ist, verfeinert die Schätzung
- Mehrere Gesichter in einem Bild werden erkannt und gemeldet, sodass die Sitzung entsprechend verarbeitet werden kann**3. Verarbeitung durch neuronale Netze**Zwei komplementäre tiefe neuronale Netze schätzen das Alter unabhängig voneinander, und die endgültige Schätzung ist deren Durchschnitt.- Ein Transformer liest die Gesichts- und Körperausschnitte gemeinsam aus; ein konvolutionales Netzwerk liest das Gesicht
- Jedes Netzwerk führt fünf Modelle aus, die auf verschiedenen Datenaufteilungen trainiert wurden, und bildet den Durchschnitt ihrer Schätzungen, was das Ergebnis stabilisiert
- Trainiert mit durch Ausweisdokumente bestätigten Altersangaben, wobei Teenager, junge Erwachsene und jede Hautfarbengruppe gut vertreten sind
- Ausschließlich anhand von Selfies evaluiert, mit Personen, die die Modelle während des Trainings nie gesehen hatten**4. Entscheidung und ergänzende Analyse**Das System generiert ein umfassendes Ergebnis:| Ausgabe | Beschreibung |
| - | - |
| **Altersschätzung** | Primäre Schätzung mit Bewertung des Konfidenzwerts |
| **Geschlechterschätzung** | Ergänzender demografischer Kontext (optional) |
| **Konfidenzmetriken** | Bewertung der Gesamtzuverlässigkeit |
| **Umgebungsfaktoren** | Bewertung der Auswirkungen auf die Schätzungsqualität |**5. Regelanwendung**Ihre konfigurierten Geschäftsregeln werden auf die Schätzergebnisse angewendet.- Altersschätzung wird mit Ihren **konfigurierten Schwellenwerten** verglichen (Min./Max. pro Land)
- Konfidenzwerte werden anhand Ihrer Mindestanforderungen geprüft
- **Grenzfälle** können einen Fallback auf die Ausweisverifizierung auslösen (Adaptiver Modus)
- Ergebnisse werden mit einem detaillierten **Audit-Log** für die Compliance dokumentiert## Adaptive AltersschätzungFür 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**1. Erste Altersschätzung**Das System versucht zunächst, das Alter des Benutzers mithilfe einer Gesichtsanalyse zu schätzen. Zusammen mit der Altersschätzung wird ein Konfidenzwert generiert.**2. Schwellenwertauswertung**Das geschätzte Alter wird mit Ihren konfigurierten Schwellenwerten verglichen. Drei Ergebnisse:| Ergebnis | Beschreibung |
| - | - |
| **Eindeutig bestanden** | Der Benutzer liegt eindeutig über Ihrem erforderlichen Altersschwellenwert |
| **Eindeutig nicht bestanden** | Der Benutzer liegt eindeutig unter Ihrem erforderlichen Altersschwellenwert |
| **Grenzfall** | Das geschätzte Alter liegt in einem unsicheren Bereich oder weist einen niedrigen Konfidenzwert auf |**3. Intelligenter Fallback**- **Eindeutig bestanden/nicht bestanden**: Die Verifizierung wird sofort mit dem entsprechenden Ergebnis abgeschlossen
- **Grenzfälle**: Das System startet automatisch einen **Ablauf zur Ausweisverifizierung**
- Dies stellt die regulatorische Compliance sicher und minimiert gleichzeitig die Hürden für die meisten Benutzer**4. Dokumentenprüfung (bei Bedarf)**Bei Grenzfällen legt der Benutzer ein behördliches Ausweisdokument vor:- Die Echtheit des Dokuments und die Altersangaben werden überprüft
- Die **Altersbeschränkungen nach Land** aus dem Schritt der Ausweisverifizierung werden angewendet
- Das System prüft das Geburtsdatum gegen das Mindest-/Höchstalter für das Ausstellungsland und die Region des Dokuments
- Das Dokumentenfoto wird **1:1 mit dem bereits für die Altersschätzung erfassten Selfie abgeglichen (Gesichtsabgleich)**, sodass das Geburtsdatum auf dem Dokument an die Person vor der Kamera gebunden ist### Was der Fallback zurückgibtDer 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](https://docs.didit.me/de/core-technology/face-match/warnings-face-match.md) 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](https://docs.didit.me/de/sessions-api/retrieve-session.md) des Workflows.> [!NOTE]
>
> Die adaptive Altersschätzung kann über den Workflow-Typ [Adaptive Age Verification](https://docs.didit.me/de/console/workflows.md) konfiguriert werden. Sie können die Grenzfall-Altersschwellenwerte definieren, die bestimmen, wann die Ausweisverifizierung ausgelöst wird. Die endgültige altersbasierte Genehmigung oder Ablehnung für Grenzfälle wird dann durch die im Schritt Ausweisverifizierung konfigurierten Altersbeschränkungen nach Land gesteuert.### 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 anDieser 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 StatistikenDie 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 AltersgruppenDer 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 |
> [!NOTE]
>
> Die Standardabweichung beschreibt, wie stark der Fehler einzelner Schätzungen variiert, nicht die Unsicherheit des Durchschnitts.
> Eine Schätzung, die höchstens ein oder zwei Jahre von Ihrem Mindestalter entfernt ist, kann auf die eine oder andere Seite davon fallen: Wenn eine Fehlentscheidung nahe am Schwellenwert ins Gewicht fällt, leiten Sie diesen Grenzbereich an den [adaptiven Fallback zur Ausweisverifizierung](#adaptive-altersschätzung) weiter.
This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.