年齢推定API：セルフィーによる年齢確認

Didit年齢推定は、パッシブライブネスを含むセルフィーから年齢を予測する機能です。すべてのユーザーに身分証明書を求めることなく、年齢制限のあるサービスを制御できます。このモデルは年齢制限の判断が分かれる年齢層で最も高精度で、平均絶対誤差は13〜17歳で1.0年、18〜20歳で1.8年です（モデルの性能を参照）。

​

年齢推定の方式

Diditのプラットフォームは、年齢推定をさまざまなライブネス検証技術と組み合わせて実装しています。

方式	説明	セキュリティレベル	適した用途
3D Action & Flash	• 多要素の生体認証と、ランダムな動作シーケンスおよび動的な光パターン解析を組み合わせます。 • 開始時に、まばたきやうなずきなどの簡単な動作を求め、リアルタイムのやり取りを確認します。 • 同時に、顔に一連の光パターンを投影し、その反射を解析して顔の立体構造を確認します。 • ディープラーニングアルゴリズムが微表情と光の反射応答を調べ、生きた人物がいることを検証します。 • 行動（動作）と物理（光による奥行き）の手がかりを組み合わせるため、最高のセキュリティを実現し、静止画、動画、高度なマスクでさえなりすましはほぼ不可能です。	最高	銀行、医療、行政のアプリケーション
3D Flash	• 動的な光パターン解析により、ユーザー操作なしで顔の立体形状を検証します。 • 毎秒30フレームを超える速度で一連の光パターンを顔に投影し、反射を解析して深度マップを作成します。 • この深度マップで顔の立体構造を確認し、平面の画像や2Dのなりすましと区別します。 • スムーズな体験を保ちながら、写真や画面などのプレゼンテーション攻撃に対して高いセキュリティを維持します。	高	金融サービス、アカウントアクセス、本人確認
Passive Liveness	• 1フレームのディープラーニング解析でライブネスの兆候を検出します。 • プライバシー保護のため、インターフェースではユーザーの顔がぼかして表示され、画像は本人の特定ではなく年齢推定のためだけに解析されることをユーザーに示します。 • 画像のアーティファクトやテクスチャパターンなどの微妙な指標を調べ、本物の顔となりすましを区別します。 • 畳み込みニューラルネットワーク（CNN）が顔の特徴を検証し、印刷された写真やデジタル画面に由来する異常を特定します。 • 高速で便利な検証ですが、セキュリティは標準的で、低リスクのユースケースに適しています。	標準	摩擦の少ないシナリオ、一般消費者向けアプリケーション

いずれの方式も、信頼度スコアと補足的な性別推定データとともに、精度の高い年齢推定値を生成します。

​

設定可能なしきい値

年齢推定のしきい値を変えることで、セキュリティレベルをカスタマイズできます。例えば次のように設定します。

​

国別の年齢制限

成年年齢は法域によって異なるため、年齢制限は国ごとに設定できます。全体で1つの最小年齢や最大年齢を設定する代わりに、国別に、さらに国内の州や地域ごとにも具体的な年齢の上限・下限を定義できます。

​

仕組み

• 国レベルの設定: 国（書類の発行国で識別）ごとに最小年齢または最大年齢、あるいはその両方を設定します。例えば、米国は18歳、韓国は19歳、アラブ首長国連邦は21歳を最小年齢にできます。
• 州・地域ごとの上書き: 米国やメキシコなど、国内で基準が異なる国では、州ごとに上書き設定ができます。例えば、米国の既定が18歳でも、ミシシッピ州は最小年齢を21歳にできます。システムは、OCRが書類から抽出した地域情報で州を判定します。
• 成年年齢のデフォルト: コンソールの「成人年齢のデフォルトを適用」ボタンを1クリックすると、世界各国の法定成年年齢に基づいて各国の最小年齢が自動入力されます。その後、必要に応じて個別の国や州をカスタマイズできます。
• 設定可能なアクション: ユーザーの年齢が書類の発行国の最小年齢を下回る、または最大年齢を上回る場合に、実行するアクションとして拒否またはレビューを選べます。

​

設定例

​

仕組み

​

アダプティブ年齢推定

正確な年齢確認が重要なシナリオ向けに、Diditのプラットフォームは本人確認へのフォールバック付きのアダプティブ年齢推定を提供します。この方式は、ユーザーの利便性と規制へのコンプライアンスを両立します。

​

アダプティブ年齢推定の仕組み

​

フォールバックが返す内容

フォールバックの顔照合はワークフローに顔照合ノードがなくても実行されるため、設定していないチェックと見間違えやすい形でセッションの判定結果に現れます。

• フォールバックが実行されると、featuresにはAGE_ESTIMATIONとID_VERIFICATIONに加えてFACE_MATCHが含まれます。
• face_matches[]には、score、source_image（書類の顔写真）、target_image（年齢推定のセルフィー）を持つエントリが1件含まれます。この照合は顔照合ステップではなく年齢推定ステップに属するため、そのnode_idは年齢推定ノード（ネイティブワークフローではfeature_age_estimation）です。
• スコアが低いと、通常の顔照合の警告が発生し、設定済みの顔照合ノードと同様に、セッションがレビューまたは拒否になることがあります。
• 顔照合としては課金されません。セッションに課金されるのは、年齢推定と本人確認のみです。

セルフィーだけで合格または不合格になったセッションではフォールバックが実行されないため、face_matches: nullが返ります。判定ペイロードに画像を含めないようにするには、ワークフローのレスポンス属性でface_matchesのフィールドを制限します。

​

アダプティブ年齢推定のメリット

• 手間の軽減: ほとんどのユーザーはセルフィーだけで検証を完了できます
• コンプライアンスの強化: 不確実なケースには、国ごとの年齢ルールを使った徹底的な書類検証を行います
• コスト効率: 本人確認は必要な場合にのみ使われます
• リスク許容度のカスタマイズ: 規制要件に合わせてしきい値を調整できます
• 法域への対応: ユーザーの書類の発行国と地域に基づき、正しい成年年齢を自動的に適用します

このアプローチは、オンラインゲーム、酒類の配達、成人向けコンテンツのプラットフォームなど、ユーザー体験と規制へのコンプライアンスの両立が不可欠な年齢制限サービスで特に有効です。

​

モデルの性能と統計

以下の数値は、13歳以上の51,655枚のセルフィーを対象とした評価によるもので、各人の年齢は確認済みの身分証明書から取得しています。 すべての推定は、そのセルフィーも本人も学習時に一度も見ていないモデルで生成しました。 全体の数値は、18歳未満が10%、成人はライブトラフィックの年齢分布という評価用の構成比で重み付けしています。年齢層ごとの数値は、以下で個別に示しています。

​

精度指標

指標	値	説明
平均絶対誤差（MAE）	2.8年	推定年齢と書類上の年齢との差の平均
標準偏差	3.0年	推定ごとの絶対誤差のばらつき
±5年以内の精度	84%	書類上の年齢から5年以内に収まった推定の割合
±3年以内の精度	65%	書類上の年齢から3年以内に収まった推定の割合

​

年齢層別の性能

誤差は年齢制限の判断が分かれる年齢の前後で最も小さく、年齢が上がるにつれて大きくなります。

年齢層	セルフィー数	MAE（年）	標準偏差（年）
13-15	5,003	1.24	1.14
16-17	10,933	0.90	1.05
18-20	5,436	1.81	1.79
21-25	8,640	2.29	1.90
26-40	15,182	2.95	2.39
41-60	5,830	3.62	3.27
60歳超	631	6.53	8.64