> ## 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.
# API di stima dell'età: verifica dell'età da selfie
> Stima l'età da selfie con l'IA di Didit: $0.10 per chiamata, errore medio di 1.1 anni a 16-17 anni e verifica dell'identità di fallback.
La Stima dell'età di Didit stima l'età di una persona a partire da un selfie, con rilevamento della vitalità passivo incluso, consentendoti di limitare l'accesso ai servizi riservati a determinate fasce d'età senza dover richiedere un documento d'identità a ogni utente. Il modello è più preciso proprio dove si prendono le decisioni sull'accesso in base all'età: il suo errore assoluto medio è di 1.1 anni per i giovani di 16 e 17 anni e di 1.9 anni per la fascia tra i 18 e i 20 anni, e classifica correttamente il 96% dei selfie come minori di 18 anni o dai 18 anni in su (vedi [Prestazioni del modello](#prestazioni-del-modello-e-statistiche)).
Prompt di integrazione per la Stima dell'età
Copia il prompt negli appunti
\
\````# 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````
\
Incolla in
## Metodi di stima dell'etàLa nostra piattaforma implementa la stima dell'età in combinazione con diverse tecnologie di rilevamento della vitalità:
| Metodo |
Descrizione |
Livello di sicurezza |
Ideale per |
| **`3D Action & Flash`** |
• Combina la verifica biometrica a più fattori con una **sequenza di azioni casuali** e l'**analisi dinamica dei pattern luminosi**.\
• All'inizio, all'utente viene richiesto di eseguire una semplice azione (come **battere le palpebre** o **annuire**), garantendo un'interazione in tempo reale.\
• Contemporaneamente, il sistema proietta una sequenza di pattern luminosi sul viso, analizzando i **riflessi** per confermare la struttura tridimensionale del volto.\
• Gli **algoritmi di deep learning** esaminano le microespressioni e le risposte ai riflessi di luce per verificare la presenza di una persona reale.\
• Offre la **massima sicurezza** integrando indizi comportamentali (azione) e fisici (profondità basata sulla luce), rendendo quasi impossibile lo spoofing tramite immagini statiche, video o persino maschere avanzate.
|
Massimo |
Banche, sanità, applicazioni governative |
| **`3D Flash`** |
• Utilizza l'**analisi dinamica dei pattern luminosi** per convalidare la topologia facciale senza richiedere l'interazione dell'utente.\
• Proietta una serie di pattern luminosi sul viso a oltre **30 fotogrammi al secondo**, analizzando i riflessi per creare una **mappa di profondità**.\
• Questa mappa di profondità conferma la struttura tridimensionale del viso, distinguendolo da immagini piatte o spoofing 2D.\
• Offre un'**esperienza fluida** mantenendo un'**elevata sicurezza** contro gli attacchi di presentazione come foto o schermi.\
|
Alto |
Servizi finanziari, accesso agli account, verifica dell'identità |
| **`Passive Liveness`** |
• Si basa sull'**analisi di deep learning a singolo fotogramma** per rilevare segni di vitalità.\
• Per motivi di privacy, il viso dell'utente appare sfocato nell'interfaccia, rassicurandolo sul fatto che l'immagine viene analizzata esclusivamente per la stima dell'età e non a scopo identificativo.\
• Esamina l'immagine alla ricerca di **artefatti**, **pattern di texture** e altri indicatori impercettibili che differenziano un viso reale da uno spoofing.\
• Una **rete neurale convoluzionale (CNN)** convalida i tratti somatici e identifica eventuali anomalie, come quelle derivanti da foto stampate o schermi digitali.\
• Offre una verifica **rapida e comoda**, fornendo al contempo un **livello di sicurezza standard**, ideale per casi d'uso a basso rischio.\
|
Standard |
Scenari a basso attrito, applicazioni consumer |
Ciascun metodo genera una stima precisa dell'età insieme a punteggi di affidabilità e a dati supplementari relativi alla stima del genere.### Soglie configurabiliPuoi personalizzare i livelli di sicurezza impostando soglie differenti per la stima dell'età. Ad esempio:> [!NOTE]
>
> Queste soglie possono essere modificate in base alla tua tolleranza al rischio e ai tuoi requisiti di sicurezza.### Restrizioni di età per paeseLe restrizioni di età possono essere configurate **per paese**, tenendo conto del fatto che la maggiore età legale varia a seconda delle giurisdizioni. Invece di impostare un'unica età minima o massima globale, puoi definire limiti di età specifici per ciascun paese e perfino per singoli stati o regioni all'interno di una nazione.#### Come funziona- **Configurazione a livello di paese**: imposta un'età minima e/o massima per ciascun paese (identificato dallo stato di emissione del documento). Ad esempio, potresti richiedere un'età minima di 18 anni negli Stati Uniti, 19 in Corea del Sud e 21 negli Emirati Arabi Uniti.
- **Sovrascritture stato/regione**: per i paesi con variazioni a livello subnazionale (come gli Stati Uniti o il Messico), puoi configurare sovrascritture per ciascuno stato. Ad esempio, il Mississippi potrebbe richiedere un'età minima di 21 anni, mentre il valore predefinito per gli Stati Uniti è 18. Il sistema associa lo stato utilizzando la regione estratta dal documento tramite OCR.
- **Valori predefiniti della maggiore età**: la console mette a disposizione un pulsante "Applica maggiore età" utilizzabile con un clic che compila automaticamente l'età minima di ciascun paese in base alla maggiore età legale riconosciuta a livello mondiale. È quindi possibile personalizzare i singoli paesi o stati in base alle proprie esigenze.
- **Azioni configurabili**: quando l'età di un utente è inferiore al minimo o supera il massimo previsto per il paese del suo documento, puoi scegliere l'azione da intraprendere: **Rifiuta** o **Revisiona**.#### Esempio di configurazione| Paese | Età minima | Età massima | Sovrascritture stato |
| - | - | - | - |
| USA | 18 | -- | Mississippi: 21, Alabama: 19 |
| KOR | 19 | -- | -- |
| GBR | 18 | 65 | -- |
| ARE | 21 | -- | -- |> [!NOTE]
>
> Le restrizioni di età per paese sono disponibili sia nei workflow KYC standard sia nei workflow di verifica adattiva dell'età (Adaptive Age Verification). Nei workflow adattivi, quando la verifica dell'identità viene attivata per i casi limite, il controllo dell'età utilizza le impostazioni per paese configurate nel passaggio Verifica dell'identità.## Come funziona**1. Acquisizione di immagini o video**L'utente fornisce un'immagine del volto nitida tramite caricamento via API o completa un processo di verifica della vitalità.| Controllo | Descrizione |
| - | - |
| **Qualità dell'immagine** | Convalida l'illuminazione, il posizionamento e la nitidezza |
| **Verifica della vitalità** | Garantisce che il soggetto sia presente e non si tratti di spoofing |
| **Analisi multi-frame** | Seleziona il frame ottimale per la massima precisione |
| **Acquisizione adattiva** | Si adatta alle diverse capacità dei dispositivi |**2. Analisi dei tratti facciali**Un rilevatore individua ogni volto e ogni persona nell'immagine, e viene analizzato il volto più grande.- **Ritaglio del volto**: il volto esattamente come rilevato, analizzato per morfologia facciale, proporzioni e texture della pelle
- **Contesto del corpo**: il resto dell'immagine, con il volto mascherato, perfeziona la stima
- La presenza di più volti in una sola immagine viene rilevata e segnalata, così da poter gestire la sessione di conseguenza**3. Elaborazione con reti neurali**Due reti neurali profonde complementari stimano l'età in modo indipendente, e la stima finale corrisponde alla loro media.- Un transformer analizza congiuntamente i ritagli di volto e corpo; una rete convoluzionale analizza il volto
- Ciascuna rete esegue cinque modelli addestrati su suddivisioni diverse dei dati e calcola la media delle loro stime, stabilizzando il risultato
- Addestrate con età confermate da documenti di identità, con un'adeguata rappresentanza di adolescenti, giovani adulti e ogni gruppo di tonalità della pelle
- Valutati esclusivamente su selfie e persone che i modelli non avevano mai visto durante l'addestramento**4. Decisione e analisi supplementare**Il sistema genera un risultato completo:| Risultato | Descrizione |
| - | - |
| **Stima dell'età** | Stima principale con punteggio di affidabilità |
| **Stima del genere** | Contesto demografico supplementare (opzionale) |
| **Metriche di affidabilità** | Valutazione complessiva dell'affidabilità |
| **Fattori ambientali** | Valutazione dell'impatto sulla qualità della stima |**5. Applicazione delle regole**Le regole aziendali configurate vengono applicate ai risultati della stima.- Stima dell'età confrontata con le **soglie configurate** (min/max per paese)
- Punteggi di affidabilità verificati rispetto ai requisiti minimi
- I **casi limite** possono attivare l'alternativa della verifica dell'identità (modalità adattiva)
- Risultati documentati con un **registro di audit** dettagliato per la conformità## Stima dell'età adattivaPer gli scenari in cui una verifica precisa dell'età è fondamentale, la nostra piattaforma offre la stima dell'età adattiva con fallback alla verifica dell'identità. Questo approccio offre un equilibrio tra l'esperienza dell'utente e la conformità normativa.### Come funziona la stima dell'età adattiva**1. Stima iniziale dell'età**Il sistema tenta innanzitutto di stimare l'età dell'utente mediante l'analisi facciale. Insieme alla stima dell'età viene generato un punteggio di affidabilità.**2. Valutazione della soglia**L'età stimata viene confrontata con le soglie configurate. Tre esiti possibili:| Esito | Descrizione |
| - | - |
| **Superamento netto** | L'utente supera chiaramente la soglia di età richiesta |
| **Mancato superamento netto** | L'utente è chiaramente al di sotto della soglia di età richiesta |
| **Al limite (Borderline)** | L'età stimata rientra in un intervallo di incertezza o ha un punteggio di affidabilità basso |**3. Fallback intelligente**- **Superamento/mancato superamento netto**: la verifica si completa immediatamente con il risultato appropriato
- **Casi limite**: il sistema avvia automaticamente un **flusso di verifica dell'identità**
- Ciò garantisce la conformità normativa riducendo al minimo gli attriti per la maggior parte degli utenti**4. Verifica del documento (quando necessaria)**Per i casi limite, l'utente fornisce un documento d'identità ufficiale:- Vengono verificate l'autenticità del documento e le informazioni sull'età
- Vengono applicate le **Restrizioni di età per paese** del passaggio di Verifica dell'identità
- Il sistema controlla la data di nascita rispetto all'età minima/massima prevista per il paese e la regione di emissione del documento
- Viene eseguito un **confronto facciale 1:1 tra la foto del documento e il selfie già acquisito per la stima dell'età**, associando così la data di nascita presente sul documento alla persona davanti alla fotocamera### Cosa restituisce il fallbackIl confronto facciale di fallback viene eseguito senza un nodo Face Match nel workflow, quindi compare nella decisione della sessione in un modo che è facile confondere con un controllo mai configurato:- `features` include `FACE_MATCH` oltre a `AGE_ESTIMATION` e `ID_VERIFICATION` una volta eseguito il fallback.
- `face_matches[]` contiene una voce con `score`, `source_image` (foto del documento) e `target_image` (selfie della stima dell'età). Il suo `node_id` corrisponde al **nodo di stima dell'età** (`feature_age_estimation` in un workflow nativo) poiché il confronto appartiene a quel passaggio e non a un passaggio di Face Match.
- Un punteggio basso genera i consueti [avvisi di confronto facciale](https://docs.didit.me/it/core-technology/face-match/warnings-face-match.md) e può inviare la sessione in revisione o rifiutarla, esattamente come farebbe un nodo Face Match configurato.
- **Non viene fatturato** come Face Match: alla sessione vengono addebitate unicamente la stima dell'età e la verifica dell'identità.Le sessioni che vengono approvate o rifiutate unicamente tramite il selfie non eseguono mai il fallback, restituendo quindi `face_matches: null`. Per non includere le immagini nel payload della decisione, limita i campi di `face_matches` tramite gli [attributi di risposta](https://docs.didit.me/it/sessions-api/retrieve-session.md) del workflow.> [!NOTE]
>
> La stima dell'età adattiva può essere configurata utilizzando la tipologia di workflow [Adaptive Age Verification](https://docs.didit.me/it/console/workflows.md). Puoi definire le soglie di età limite che determinano quando attivare la verifica dell'identità. L'approvazione o il rifiuto finale in base all'età per i casi limite è quindi regolato dalle restrizioni di età per paese configurate nel passaggio di Verifica dell'identità.### Vantaggi della stima dell'età adattiva- **Minori attriti**: la maggior parte degli utenti completa la verifica semplicemente con un selfie
- **Maggiore conformità**: i casi incerti vengono sottoposti a un'accurata verifica dei documenti con regole sull'età specifiche per paese
- **Efficienza dei costi**: la verifica dell'identità viene utilizzata solo quando necessario
- **Tolleranza al rischio personalizzabile**: regola le soglie in base ai tuoi requisiti normativi
- **Consapevolezza della giurisdizione**: applica automaticamente la corretta maggiore età in base al paese e alla regione di emissione del documento dell'utenteQuesto approccio è particolarmente utile per i servizi soggetti a limiti di età come i giochi online, la consegna di alcolici e le piattaforme di contenuti per adulti, dove bilanciare l'esperienza utente e la conformità normativa è essenziale.## Garanzia dell'età (ISO/IEC 27566-1)Un workflow può dichiarare di seguire lo standard di garanzia dell'età ISO/IEC 27566-1.
Crealo a partire dai modelli della console **Stima dell'età (ISO/IEC 27566-1)** o **Verifica dell'età (ISO/IEC 27566-1)**.
La dichiarazione viene effettuata al momento della creazione del workflow e non può essere modificata successivamente.Quando un workflow dichiara lo standard, Didit lo vincola a una risposta secca, sì o no, sull'età.
Le impostazioni bloccate si applicano a ogni salvataggio, sia nella console sia tramite API:- **Ricevi solo la decisione sull'età e null'altro.** Gli attributi di risposta sono bloccati, quindi la decisione non contiene dati personali.
- **13 anni è l'età minima più bassa consentita** in ogni paese, in ogni override regionale e nelle soglie della stima dell'età adattiva. Qualsiasi valore inferiore viene rifiutato.
- **Nessun riconoscimento tra sessioni diverse.** I controlli per documenti duplicati e volti duplicati sono disattivati e non viene memorizzato alcun modello biometrico.
- **Acquisizione limitata.** I documenti vengono acquisiti solo tramite fotocamera, senza caricamento di file, senza acquisizione silenziosa di selfie durante la fotografia del documento e senza registrazione audio.
- **Nessun controllo aggiuntivo sui dati.** Il confronto con i dettagli attesi e il passaggio di revisione dei dati sono disattivati, e la verifica dell'identità legge solo i documenti, senza consultazioni di database o wallet di identità digitale.
- **È obbligatorio impostare una soglia.** Un workflow privo di una soglia di età viene rifiutato al momento del salvataggio, impedendo così di approvare tutti per impostazione predefinita.## Prestazioni del modello e statisticheI dati riportati di seguito descrivono il modello di stima dell'età in produzione dal 4 novembre 2026.
Provengono dal relativo set di valutazione bloccato: 2.399 selfie di persone dai 13 anni in su, accantonati prima dell'addestramento, con l'età di ciascuna persona ricavata dal relativo documento d'identità verificato.
Nessun modello è stato addestrato su questi selfie o su queste persone.
I dati complessivi si riferiscono a un mix di valutazione composto per il 10% da minori di 18 anni, con gli adulti distribuiti secondo la distribuzione delle età del traffico reale; ciascuna fascia d'età è riportata singolarmente di seguito.### Metriche di accuratezza
| Metrica |
Valore |
Descrizione |
| **Errore assoluto medio (MAE)** |
2.6 anni |
Differenza media tra l'età stimata e l'età riportata sul documento |
| **Deviazione standard** |
2.3 anni |
Entità della variazione dell'errore da una stima all'altra |
| **Correttezza con soglia a 18 anni** |
96.0% |
Selfie classificati correttamente come minori di 18 anni o dai 18 anni in su, senza fascia di fallback; almeno 95.3% con confidenza del 95% |
### Prestazioni per fasce d'etàL'errore è minimo intorno alle età in cui si prendono le decisioni di age gating e aumenta con l'età.
| Fascia d'età |
MAE (anni) |
Deviazione standard (anni) |
| 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 |
| Oltre 60 |
4.33 |
3.64 |
> [!NOTE]
>
> La deviazione standard descrive quanto varia l'errore delle singole stime, non l'incertezza della media.
> Una stima che si discosta di uno o due anni dalla tua età minima può ricadere da una parte o dall'altra della soglia: quando una decisione errata vicina a tale limite è critica, invia tale fascia limite al [fallback adattivo con verifica dell'identità](#stima-dell’età-adattiva).
This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.