연령 추정 API: 셀피 기반 연령 인증

패시브 라이브니스가 포함된 Didit 연령 추정은 셀피를 사용해 사람의 나이를 예측하므로, 모든 사용자에게 신분증을 요구하지 않고도 연령 제한 서비스에 대한 접근을 제어할 수 있습니다. 이 모델은 연령 게이팅 결정이 이루어지는 구간에서 가장 정밀합니다. 16세 및 17세의 평균 절대 오차는 1.1년, 18세~20세는 1.9년이며, 셀피의 96%를 18세 미만 또는 18세 이상으로 정확하게 분류합니다(모델 성능 참조).

​

연령 추정 방식

Didit 플랫폼은 다양한 라이브니스 감지 기술과 결합하여 연령 추정을 구현합니다.

방식	설명	보안 수준	적합한 용도
3D Action & Flash	• 다중 요소 생체 검증을 무작위 동작 시퀀스 및 동적 조명 패턴 분석과 결합합니다. • 시작 시 사용자에게 눈 깜빡임이나 고개 끄덕임과 같은 간단한 동작을 수행하도록 요청하여 실시간 상호작용을 보장합니다. • 동시에 시스템이 얼굴에 일련의 조명 패턴을 투사하고, 반사광을 분석하여 얼굴의 3차원 구조를 확인합니다. • 딥러닝 알고리즘이 미세 표정과 빛 반사 반응을 검사하여 실제 사람의 존재 여부를 검증합니다. • 행동 기반(동작) 및 물리적(조명 기반 깊이) 단서를 통합하여 가장 높은 보안을 제공하므로, 정적 이미지, 비디오 또는 정교한 가면을 사용한 스푸핑을 거의 불가능하게 만듭니다.	가장 높음	은행, 헬스케어, 공공기관 애플리케이션
3D Flash	• 사용자 상호작용 없이 동적 조명 패턴 분석을 사용하여 얼굴 토폴로지를 검증합니다. • 초당 30프레임 이상으로 얼굴에 일련의 조명 패턴을 투사하고, 반사광을 분석하여 깊이 맵을 생성합니다. • 이 깊이 맵을 통해 얼굴의 3차원 구조를 확인하여 평면 이미지나 2D 스푸핑과 구별합니다. • 사진이나 화면과 같은 프레젠테이션 공격에 대해 높은 보안을 유지하면서도 원활한 경험을 제공합니다.	높음	금융 서비스, 계정 접근, 신원 인증
Passive Liveness	• 라이브니스 징후를 감지하기 위해 단일 프레임 딥러닝 분석에 의존합니다. • 개인정보 보호를 위해 인터페이스에서 사용자의 얼굴이 흐리게 표시되어, 이미지가 신원 확인이 아닌 연령 추정 목적으로만 분석되고 있음을 사용자에게 안심시킵니다. • 이미지를 검사하여 실제 얼굴과 스푸핑을 구별하는 아티팩트, 텍스처 패턴 및 기타 미세한 지표를 확인합니다. • 합성곱 신경망(CNN)이 얼굴 특징을 검증하고 인쇄된 사진이나 디지털 화면 등에서 발생하는 이상 징후를 식별합니다. • 빠르고 편리한 검증을 제공하지만 표준 보안을 제공하므로 저위험 사용 사례에 적합합니다.	표준	마찰이 적은 시나리오, 소비자용 애플리케이션

각 방식은 신뢰도 점수 및 보조적인 성별 추정 데이터와 함께 정밀한 연령 추정치를 생성합니다.

​

구성 가능한 임계값

연령 추정에 서로 다른 임계값을 설정하여 보안 수준을 맞춤 구성할 수 있습니다. 예:

​

국가별 연령 제한

법적 성년 연령이 관할권마다 다르다는 점을 반영하여 연령 제한을 국가별로 구성할 수 있습니다. 단일 전역 최소 또는 최대 연령을 설정하는 대신 각 국가별로, 심지어 국가 내 개별 주나 지역별로 특정 연령 제한을 정의할 수 있습니다.

​

작동 방식

• 국가 수준 구성: 각 국가별(문서의 발급 국가 기준)로 최소 및/또는 최대 연령을 설정합니다. 예를 들어 미국에서는 최소 연령 18세, 한국에서는 19세, 아랍에미리트에서는 21세를 요구할 수 있습니다.
• 주/지역 재정의: 하위 지역별 차이가 있는 국가(예: 미국 또는 멕시코)의 경우 주별 재정의를 구성할 수 있습니다. 예를 들어 미국의 기본값이 18세인 반면 미시시피주는 최소 연령 21세를 요구할 수 있습니다. 시스템은 OCR을 통해 문서에서 추출된 지역을 사용하여 주를 일치시킵니다.
• 성년 연령 기본값: 콘솔은 전 세계의 알려진 법적 성년 연령을 기반으로 각 국가의 최소 연령을 자동으로 채워주는 원클릭 “성년 연령 적용” 버튼을 제공합니다. 그런 다음 필요에 따라 개별 국가나 주를 맞춤 설정할 수 있습니다.
• 구성 가능한 작업: 사용자의 연령이 해당 문서 국가의 최소 연령 미만이거나 최대 연령을 초과하는 경우 수행할 작업을 선택할 수 있습니다: 거부 또는 검토.

​

구성 예시

​

작동 방식

​

적응형 연령 추정

정밀한 연령 검증이 필수적인 시나리오를 위해 Didit 플랫폼은 신분증 인증 폴백을 포함한 적응형 연령 추정을 제공합니다. 이 접근 방식은 사용자 편의성과 규제 준수 간의 균형을 유지합니다.

​

적응형 연령 추정 작동 방식

​

폴백이 반환하는 항목

폴백 얼굴 대조는 워크플로에 얼굴 대조 노드가 없어도 실행되므로, 세션 결정에 전혀 설정하지 않은 검사처럼 표시되어 혼동하기 쉽습니다.

• 폴백이 실행되면 features 목록에 AGE_ESTIMATION 및 ID_VERIFICATION 외에 FACE_MATCH가 추가됩니다.
• face_matches[]에는 score, source_image(문서 인물 사진), target_image(연령 추정 셀피)를 포함한 하나의 항목이 전달됩니다. 해당 매칭은 얼굴 대조 단계가 아닌 연령 추정 단계에 속하므로 node_id는 연령 추정 노드(네이티브 워크플로의 feature_age_estimation)가 됩니다.
• 점수가 낮으면 일반적인 얼굴 대조 경고가 발생하며, 설정된 얼굴 대조 노드와 동일하게 세션을 검토 또는 거부 상태로 보낼 수 있습니다.
• 얼굴 대조 항목으로 비용이 청구되지 않습니다. 세션에는 연령 추정 및 신분증 인증 비용만 청구됩니다.

셀피만으로 통과하거나 실패한 세션은 폴백을 실행하지 않으므로 face_matches: null을 반환합니다. 결정 payload에서 이미지를 제외하려면 워크플로의 응답 속성을 사용하여 face_matches 필드를 제한하십시오.

​

적응형 연령 추정의 이점

• 사용자 마찰 감소: 대부분의 사용자는 셀피 촬영만으로 인증을 완료합니다.
• 컴플라이언스 강화: 불확실한 케이스는 국가별 연령 규칙에 따라 철저한 문서 검증을 거칩니다.
• 비용 효율성: 신분증 인증은 필요한 경우에만 사용됩니다.
• 맞춤형 위험 허용도 설정: 규제 요구사항에 따라 임계값을 조정할 수 있습니다.
• 관할 구역 인식: 사용자의 문서 발급 국가 및 지역에 따라 적용되는 성년 연령을 자동으로 적용합니다.

이 접근 방식은 사용자 경험과 규제 준수의 균형이 필수적인 온라인 게임, 주류 배달, 성인 콘텐츠 플랫폼과 같은 연령 제한 서비스에 특히 유용합니다.

​

연령 보증 (ISO/IEC 27566-1)

워크플로는 ISO/IEC 27566-1 연령 보증 표준을 준수한다고 선언할 수 있습니다. 콘솔 템플릿 연령 추정 (ISO/IEC 27566-1) 또는 연령 검증 (ISO/IEC 27566-1)에서 워크플로를 생성하십시오. 해당 선언은 워크플로 생성 시 지정되며 이후에는 변경할 수 없습니다. 워크플로가 해당 표준을 선언하는 동안 Didit은 이를 연령에 대한 일회성 예/아니오 응답으로 고정합니다. 고정된 설정은 콘솔과 API를 통한 모든 저장 작업에 적용됩니다.

• 연령 결정 결과만 수신됩니다. 응답 속성이 잠겨 있으므로 결정에 개인정보가 포함되지 않습니다.
• 모든 국가, 지역별 재정의 및 적응형 연령 추정 임계값에서 설정 가능한 최소 연령은 13세입니다. 이보다 낮은 값은 거부됩니다.
• 세션 간 인식 없음. 중복 문서 및 중복 얼굴 확인이 비활성화되며 생체 인식 템플릿이 저장되지 않습니다.
• 제한된 캡처. 문서는 카메라로만 캡처할 수 있으며, 파일 업로드, 문서 촬영 중 사용자 모르게 셀피를 캡처하는 기능, 오디오 녹음은 지원되지 않습니다.
• 추가 데이터 검사 없음. 예상 세부 정보 비교 및 데이터 검토 단계가 꺼지며, 신분증 인증은 데이터베이스 조회나 디지털 ID 지갑 없이 문서만 판독합니다.
• 임계값 필수. 연령 임계값이 없는 워크플로는 저장 시 거부되므로 모든 사용자가 기본적으로 승인될 수 없습니다.

​

모델 성능 및 통계

아래 수치는 2026년 11월 4일부터 프로덕션에 적용된 연령 모델에 대한 결과입니다. 이 수치는 학습 전에 따로 분리해 둔 고정 평가 세트에서 도출되었습니다. 이는 13세 이상 사용자의 셀피 2,399장으로 구성되며, 각 개인의 연령은 인증된 신원 확인 문서에서 확인했습니다. 어떤 모델도 이 셀피나 해당 인물의 데이터로 학습되지 않았습니다. 전체 수치는 실제 트래픽의 성인 연령 분포에 18세 미만 10%를 결합한 평가 조합 기준이며, 각 연령대별 결과는 아래에 별도로 보고됩니다.

​

정확도 지표

지표	값	설명
평균 절대 오차(MAE)	2.6년	추정 연령과 문서상 연령 간의 평균 차이
표준 편차	2.3년	개별 추정 간에 오차가 얼마나 변동하는지 나타내는 척도
18세 임계값 기준 정확도	96.0%	폴백 구간 없이 18세 미만 또는 18세 이상으로 올바르게 분류된 셀피 비율(95% 신뢰수준에서 최소 95.3%)

​

연령대별 성능

오차는 연령 게이팅 결정이 내려지는 연령대 부근에서 가장 작으며, 연령이 증가함에 따라 커집니다.

연령대	MAE(년)	표준 편차(년)
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
60세 초과	4.33	3.64