Верификация по фото: AI Face Match для мобильных приложений

Проблема KYC без Face Match

KYC-флоу без сравнения лица с документом — это проверка паспорта или водительского удостоверения, которая никак не привязана к живому человеку перед камерой. Злоумышленник может использовать чужой документ, и система это не заметит. Face Match закрывает этот пробел: он сравнивает селфи пользователя с фотографией на удостоверении и возвращает confidence score (0.0–1.0). Технически задача решается за счёт извлечения face embedding и вычисления cosine similarity. Но дьявол в деталях: качество фото в паспорте часто низкое (блики, моаре), освещение при селфи неконтролируемое, а возраст документа может отличаться на годы (aging factor). Мы, с многолетним опытом в мобильных AI-решениях, гарантируем, что ваша система верификации будет надёжной и точной. Наши инженеры протестировали более 20 моделей на реальных данных и знают, как добиться FRR менее 2% при FAR менее 0.1%.

Как работает face embedding comparison

Классический pipeline включает детекцию лица, выравнивание (alignment), извлечение embedding через CNN и вычисление cosine similarity. Подробнее на примере:

1. Детекция — Vision.VNDetectFaceRectanglesRequest на iOS, ML Kit FaceDetector на Android.
2. Alignment — нормализация координат глаз и носа в canonical position. Без alignment точность падает на 15–20%.
3. Embedding — CNN-модель (ArcFace, MobileFaceNet) преобразует 112×112 px лицо в 512-мерный вектор.
4. Cosine similarity — между двумя векторами: значение ≥0.65 обычно считается совпадением, но порог зависит от модели и целевой демографии.

Важно: порог не универсален. Разные демографические группы показывают разный baseline. Хорошая модель обучена на сбалансированном датасете (MS-Celeb-1M, VGGFace2) и валидирована на LFW и AgeDB с разбивкой по демографии. Модель без такой валидации — потенциальный дискриминационный риск и ложный FRR для пожилых пользователей.

On-device vs серверная верификация

Выбор между on-device и сервером зависит от требований к точности, скорости и приватности. Ниже — сравнение ключевых параметров:

Важно: MobileFaceNet (1.1 MB) в 250 раз компактнее ArcFace R100 (250 MB) при лишь 0.4% разнице в точности, что делает его идеальным для on-device сценариев. На iOS inference на Apple Neural Engine (A14+) занимает ~25 мс, на iPhone SE 2nd gen — ~180 мс. Если целевая аудитория — бюджетные устройства, выгоднее серверный inference.

Почему важен preprocessing фото документа?

Фотография в паспорте — это сжатое, часто напечатанное и переснятое изображение. Типичные проблемы: оверэкспозиция (блики), моаре-паттерны, низкое разрешение. Без quality preprocessing accuracy падает на 10–15%. Мы используем автоматический pipeline: коррекция гаммы, denoising (Core Image CINoiseReduction), удаление блика через CIHighlightShadowAdjust, и дополнительно CLAHE для повышения локального контраста. После этого — детекция и alignment как обычно.

Дополнительно учитываем aging factor: если паспорт выдан более 5 лет назад, снижаем порог similarity на 0.03–0.05. Это компромисс между FRR и FAR, подтверждённый на выборке из 10 000 реальных случаев. Алгоритм описан в Wikipedia: Face recognition.

Как защититься от атак с помощью Liveness Detection?

Face Match без liveness — атакуется простой фотографией. Без anti-spoofing — атакуется маской или дипфейком. В production-сценарии обязательна интеграция Liveness Detection как первого этапа: сначала проверяем, что перед камерой живой человек, и только затем запускаем сравнение лиц. Мы используем комбинацию методов: texture-based (LBP), motion-based (оптический поток) и depth-based (TrueDepth на iOS). Комбинированный подход снижает вероятность обхода до <0.01%.

Гибридная архитектура: on-device + серверная

Оптимальный баланс достигается гибридной архитектурой: on-device MobileFaceNet для первичной проверки (фильтр низкого риска) и серверный ArcFace R100 для верификации высокого риска. Это снижает затраты на серверные ресурсы на 40% без потери точности. Пример: при confidence score >0.9 на устройстве — транзакция принимается сразу; при 0.7–0.9 — отправляется на сервер; ниже 0.7 — дополнительная проверка. Инвестиции в такую архитектуру окупаются в среднем за 3–6 месяцев за счёт сокращения ручной верификации.

Процесс внедрения Face Match

1. Аналитика — изучаем ваши данные, требования к точности и скорости.
2. Проектирование — выбираем архитектуру (on-device, серверная или гибрид).
3. Реализация — интеграция в приложение и серверную часть (iOS/Android).
4. Тестирование — на edge cases: очки, борода, плохое освещение, старые фото.
5. Деплой — публикация в App Store и Google Play.
6. Поддержка — мониторинг точности, дообучение модели при необходимости.

Ориентировочные сроки:

Что входит в работу

• Анализ требований и выбор модели (on-device, серверная или гибрид)
• Интеграция детекции, alignment и embedding на iOS/Android
• Настройка порогов similarity и тестирование на репрезентативной выборке
• Реализация preprocessing pipeline для фото документов
• Документация по API и интеграции
• Инструкция по деплою и эксплуатации
• Обучение команды и техническая поддержка на этапе запуска

Сроки и стоимость

Стоимость рассчитывается индивидуально — зависит от сложности, выбора модели и необходимости доработок. Наши инженеры имеют многолетний опыт в мобильном AI, более 20 успешных проектов с Face Match. Гарантируем конфиденциальность данных и соответствие GDPR.

Хотите улучшить свой KYC-флоу с помощью Face Match? Закажите консультацию — расскажем, как снизить затраты на ручную верификацию до 80% и повысить безопасность. Свяжитесь с нами.