API d'estimation de l'âge : vérification par selfie

L’Estimation de l’âge Didit prédit l’âge d’une personne à partir d’un selfie, avec détection du vivant passive incluse, afin que vous puissiez restreindre l’accès aux services soumis à une limite d’âge sans demander un document d’identité à chaque utilisateur. Le modèle est le plus précis là où le contrôle de l’âge est déterminant : son erreur absolue moyenne est de 1,1 an pour les personnes de 16 et 17 ans et de 1,9 an pour celles de 18 à 20 ans, et il classe correctement 96% des selfies comme ayant moins de 18 ans ou 18 ans et plus (voir Performances du modèle).

​

Méthodes d’estimation de l’âge

Notre plateforme implémente l’estimation de l’âge conjointement avec différentes technologies de détection du vivant :

Méthode	Description	Niveau de sécurité	Idéal pour
3D Action & Flash	• Combine la vérification biométrique multifactorielle avec une séquence d’actions aléatoires et une analyse dynamique des motifs lumineux. • Au début, l’utilisateur est invité à effectuer une action simple, comme cligner des yeux ou hocher la tête, garantissant une interaction en temps réel. • Simultanément, le système projette une séquence de motifs lumineux sur le visage, analysant les reflets pour confirmer la structure tridimensionnelle du visage. • Des algorithmes d’apprentissage profond examinent les micro-expressions et les réponses aux reflets lumineux pour vérifier la présence d’une personne vivante. • Offre la sécurité la plus élevée en intégrant des indices comportementaux (action) et physiques (profondeur basée sur la lumière), rendant toute usurpation presque impossible avec des images statiques, des vidéos ou même des masques avancés.	Le plus élevé	Secteur bancaire, secteur de la santé, applications gouvernementales
3D Flash	• Utilise l’analyse dynamique des motifs lumineux pour valider la topologie faciale sans nécessiter d’interaction de l’utilisateur. • Projette une série de motifs lumineux sur le visage à plus de 30 images par seconde, analysant les reflets pour créer une carte de profondeur. • Cette carte de profondeur confirme la structure tridimensionnelle du visage, le distinguant des images plates ou des usurpations 2D. • Offre une expérience fluide tout en maintenant une sécurité élevée contre les attaques par présentation telles que les photos ou les écrans.	Élevé	Services financiers, accès aux comptes, vérification d’identité
Passive Liveness	• S’appuie sur l’analyse par apprentissage profond d’une image unique pour détecter les signes de présence d’une personne vivante. • Pour préserver la confidentialité, le visage de l’utilisateur apparaît flouté dans l’interface, lui garantissant que son image est analysée uniquement pour l’estimation de l’âge, et non pour son identification. • Examine l’image à la recherche d’artefacts, de motifs de texture et d’autres indicateurs subtils qui différencient un vrai visage d’une usurpation. • Un réseau de neurones convolutif (CNN) valide les caractéristiques faciales et identifie les anomalies, telles que celles provenant de photos imprimées ou d’écrans numériques. • Offre une vérification rapide et pratique, mais fournit une sécurité standard, adaptée aux cas d’usage à faible risque.	Standard	Scénarios nécessitant peu d’efforts, applications grand public

Chaque méthode génère une estimation précise de l’âge ainsi que des scores de confiance et des données complémentaires d’estimation du genre.

​

Seuils configurables

Vous pouvez personnaliser les niveaux de sécurité en définissant différents seuils pour l’estimation de l’âge. Par exemple :

​

Restrictions d’âge par pays

Les restrictions d’âge peuvent être configurées par pays, ce qui reflète le fait que l’âge légal de la majorité varie selon les juridictions. Au lieu de définir un âge minimum ou maximum global unique, vous pouvez définir des limites d’âge spécifiques pour chaque pays — et même pour des états ou régions spécifiques au sein d’un pays.

​

Comment cela fonctionne

• Configuration au niveau du pays : définissez un âge minimum et/ou maximum pour chaque pays (identifié par le pays de délivrance du document). Par exemple, vous pouvez exiger un âge minimum de 18 ans aux États-Unis, 19 ans en Corée du Sud et 21 ans aux Émirats arabes unis.
• Remplacements d’état/région : pour les pays présentant des variations infranationales (comme les États-Unis ou le Mexique), vous pouvez configurer des dérogations par état. Par exemple, le Mississippi peut exiger un âge minimum de 21 ans alors que la valeur par défaut pour les États-Unis est de 18 ans. Le système fait correspondre l’état en utilisant la région extraite du document par OCR.
• Valeurs par défaut pour l’âge de la majorité : la console propose un bouton « Appliquer l’âge de la majorité » en un clic qui pré-remplit automatiquement l’âge minimum de chaque pays sur la base de l’âge légal de la majorité reconnu dans le monde entier. Vous pouvez ensuite personnaliser des pays ou des états individuels selon vos besoins.
• Actions configurables : lorsque l’âge d’un utilisateur est inférieur au minimum ou supérieur au maximum pour le pays de son document, vous pouvez choisir l’action à entreprendre : Refuser ou Examiner.

​

Exemple de configuration

​

Comment ça fonctionne

​

Estimation adaptative de l’âge

Pour les scénarios où une vérification d’âge précise est essentielle, notre plateforme propose une estimation adaptative de l’âge avec une solution de repli vers la vérification d’identité. Cette approche offre un équilibre entre praticité pour l’utilisateur et conformité réglementaire.

​

Fonctionnement de l’estimation adaptative de l’âge

​

Ce que renvoie le mécanisme de repli

La correspondance faciale de repli s’exécute sans nœud de correspondance faciale dans le workflow, elle apparaît donc dans la décision de la session d’une manière qui peut facilement être confondue avec une vérification que vous n’avez jamais configurée :

• features liste FACE_MATCH en plus de AGE_ESTIMATION et ID_VERIFICATION une fois le repli exécuté.
• face_matches[] contient une entrée avec le score, la source_image (portrait du document) et la target_image (selfie de l’estimation d’âge). Son node_id est le nœud d’estimation de l’âge (feature_age_estimation sur un workflow natif), car la correspondance appartient à cette étape et non à une étape de correspondance faciale.
• Un score faible déclenche les avertissements habituels de correspondance faciale et peut envoyer la session en cours d’examen ou la refuser, exactement comme le ferait un nœud de correspondance faciale configuré.
• Elle n’est pas facturée comme une correspondance faciale : la session est facturée pour l’estimation de l’âge et pour la vérification d’identité uniquement.

Les sessions réussies ou refusées uniquement sur le selfie n’exécutent jamais le repli, elles renvoient donc face_matches: null. Pour exclure les images du payload de décision, limitez les champs face_matches avec les attributs de réponse du workflow.

​

Avantages de l’estimation adaptative de l’âge

• Friction réduite : la plupart des utilisateurs terminent la vérification avec un simple selfie
• Conformité renforcée : les cas incertains bénéficient d’une vérification documentaire approfondie selon les règles d’âge spécifiques à chaque pays
• Rentabilité : la vérification d’identité n’est utilisée que lorsque cela est nécessaire
• Tolérance au risque personnalisable : ajustez les seuils en fonction de vos exigences réglementaires
• Prise en compte des juridictions : applique automatiquement la majorité légale appropriée selon le pays de délivrance et la région du document de l’utilisateur

Cette approche est particulièrement précieuse pour les services soumis à une restriction d’âge, tels que les jeux en ligne, la livraison d’alcool et les plateformes de contenu pour adultes, où concilier expérience utilisateur et conformité réglementaire est essentiel.

​

Assurance de l’âge (ISO/IEC 27566-1)

Un workflow peut déclarer qu’il respecte la norme d’assurance de l’âge ISO/IEC 27566-1. Créez-le à partir des modèles de la console Estimation de l’âge (ISO/IEC 27566-1) ou Vérification de l’âge (ISO/IEC 27566-1). La déclaration est faite lors de la création du workflow et ne peut plus être modifiée par la suite. Lorsqu’un workflow déclare respecter la norme, Didit le verrouille sur une réponse unique par oui ou non concernant l’âge. Les paramètres verrouillés s’appliquent à chaque enregistrement, dans la console comme via l’API :

• Vous recevez la décision d’âge et rien d’autre. Les attributs de réponse sont verrouillés, de sorte que la décision ne comporte aucune donnée personnelle.
• L’âge minimum est de 13 ans dans chaque pays, dans chaque remplacement régional et dans les seuils d’estimation adaptative de l’âge. Une valeur inférieure est rejetée.
• Aucune reconnaissance entre les sessions. Les contrôles de documents en double et de visages en double sont désactivés, et aucun gabarit biométrique n’est stocké.
• Capture limitée. Les documents sont capturés uniquement avec l’appareil photo, sans téléversement de fichier, sans capture silencieuse de selfie pendant la prise de vue du document et sans enregistrement audio.
• Aucun contrôle de données supplémentaire. La comparaison des informations attendues et l’étape d’examen des données sont désactivées, et la vérification d’identité lit uniquement les documents, sans consultation de base de données ni portefeuilles d’identité numérique.
• Un seuil est obligatoire. Un workflow sans seuil d’âge est rejeté lors de l’enregistrement, afin qu’il ne puisse jamais approuver tout le monde par défaut.

​

Performances et statistiques du modèle

Les chiffres ci-dessous décrivent le modèle d’âge en production depuis le 4 novembre 2026. Ils proviennent de son jeu d’évaluation verrouillé : 2 399 selfies de personnes âgées de 13 ans et plus, mis de côté avant l’entraînement, l’âge de chaque personne étant extrait de son document d’identité vérifié. Aucun modèle n’a été entraîné sur ces selfies, ni sur ces personnes. Les chiffres globaux correspondent à une répartition d’évaluation comprenant 10% de mineurs, les adultes suivant la distribution par âge du trafic réel ; chaque tranche d’âge est détaillée séparément ci-dessous.

​

Métriques de précision

Métrique	Valeur	Description
Erreur absolue moyenne (MAE)	2,6 ans	Différence moyenne entre l’âge estimé et l’âge sur le document
Écart-type	2,3 ans	Variation de l’erreur d’une estimation à l’autre
Exactitude au seuil de 18 ans	96.0%	Selfies correctement classés comme ayant moins de 18 ans ou 18 ans et plus, sans plage de repli ; au moins 95.3% avec un niveau de confiance de 95%

​

Performances selon les tranches d’âge

L’erreur est la plus faible autour des âges où s’applique le contrôle de l’âge, et augmente avec l’âge.

Tranche d’âge	MAE (ans)	Écart-type (ans)
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
Plus de 60	4,33	3,64