AI-верифікація документів через камеру мобільного додатку

AI-верифікація документів через камеру мобільного додатку — не просто OCR, а повноцінний пайплайн: виявлення документа в кадрі, оцінка якості, вилучення полів, валідація та перевірка справжності. Кожен етап може стати вузьким місцем, тому ми використовуємо комбінацію методів, перевірену на десятках проєктів. Типовий сценарій: користувач фотографує паспорт у поганому освітленні, документ частково затемнений, краї обрізані. Навіть якщо OCR розпізнав текст, MRZ може бути пошкодженою, а дані не пройдуть валідацію. Без guidance користувач робить 3–5 спроб, що погіршує UX, збільшує відтік до 30% та підвищує витрати на підтримку. Ми вирішуємо це комплексно, знижуючи кількість невдалих спроб до одиниць та економлячи бюджет на фрод-контроль. У нашій практиці впровадження систем верифікації для банків та фінтех-сервісів точність розпізнавання досягає 99% при правильному налаштуванні пайплайну. Наша команда має понад 8 років досвіду в розробці мобільних рішень для верифікації документів і успішно запустила більше 50 проєктів у цій галузі. Ми гарантуємо точність >99% при правильному налаштуванні — кожен проєкт супроводжується детальним аудитом якості.

Чому сирий OCR не працює

Спроба прочитати паспорт через Vision framework (iOS) або ML Kit (Android) і розпарсити результат регулярними виразами — найчастіший перший підхід. Він дає 70–80% точності в лабораторії та 40–60% на реальних користувачах: засвітка, кут зйомки, м'яті сторінки, знос документа — все це ламає простий OCR.

Правильний пайплайн додає три шари:

• Передобробка зображення. Корекція перспективи (документ знятий під кутом), підвищення контрастності, видалення відблисків. На iOS — CIFilter + CIPerspectiveCorrection. На Android — OpenCV через JNI або CameraX з кастомним ImageAnalysis.
• Спеціалізований document OCR. Не загальний OCR, а моделі, навчені на документах: Microsoft Azure Document Intelligence, Google Document AI, Amazon Textract. Вони повертають структуровані поля — surname, given_names, date_of_birth, document_number.
• Machine Readable Zone (MRZ) parsing. Паспорти містять MRZ за стандартом ICAO 9303. Це найнадійніше джерело: стандартизований шрифт, чітка структура, контрольна сума. Бібліотеки: mrz-java, passport-reader для iOS, або власна реалізація.

Чому ми обираємо Azure Document Intelligence?

Azure Document Intelligence забезпечує точність >99% на стандартизованих документах, підтримує MRZ з коробки та надає confidence score для кожного поля. На відміну від Google Document AI (точність ~98%) та Amazon Textract (95%, без вбудованого MRZ), Azure пропонує оптимальне співвідношення ціна/якість для мобільних сценаріїв. Для бюджетних проєктів підходить Google Document AI, для інтеграції з AWS — Amazon Textract, однак для мобільних high-load сценаріїв Azure стабільніше.

Як ми інтегруємо Azure Document Intelligence

// iOS — Swift
import AzureAIDocumentIntelligence

class DocumentVerificationService {
    private let client: DocumentIntelligenceClient

    func analyzePassport(imageData: Data) async throws -> PassportData {
        let request = AnalyzeDocumentRequest(
            urlSource: nil,
            base64Source: imageData.base64EncodedString()
        )
        let operation = try await client.beginAnalyzeDocument(
            "prebuilt-idDocument",
            analyzeRequest: request
        )
        let result = try await operation.waitForResult()
        guard let document = result.documents?.first else {
            throw DocumentError.noDocumentDetected
        }
        return PassportData(
            firstName: document.fields?["FirstName"]?.valueString,
            lastName: document.fields?["LastName"]?.valueString,
            documentNumber: document.fields?["DocumentNumber"]?.valueString,
            dateOfBirth: document.fields?["DateOfBirth"]?.valueDate,
            expiryDate: document.fields?["ExpirationDate"]?.valueDate,
            nationality: document.fields?["CountryRegion"]?.valueCountryRegion,
            mrz: document.fields?["MachineReadableZone"]?.valueString,
            confidence: document.confidence ?? 0
        )
    }
}

Confidence score — критичний параметр. При confidence < 0.8 запитуємо повторну зйомку з підказкою користувачеві (краще освітлення, тримати рівніше, не закривати краї).

Realtime guidance через камеру

Користувач не повинен робити кілька спроб наосліп. Realtime feedback при зйомці через Vision framework на iOS:

// Detects document bounds in realtime while camera is active
func detectDocumentInFrame(_ pixelBuffer: CVPixelBuffer) {
    let request = VNDetectRectanglesRequest { [weak self] request, error in
        guard let observation = request.results?.first as? VNRectangleObservation else {
            self?.cameraGuidance = .noDocumentFound // "Наведіть камеру на документ"
            return
        }
        let area = observation.boundingBox.width * observation.boundingBox.height
        if area < 0.4 {
            self?.cameraGuidance = .tooFar // "Піднесіть ближче"
        } else if area > 0.9 {
            self?.cameraGuidance = .tooClose // "Віддаліть камеру"
        } else {
            self?.cameraGuidance = .ready // Автоматичне захоплення
        }
    }
    request.minimumAspectRatio = 0.5
    request.maximumAspectRatio = 1.0
    request.minimumConfidence = 0.7
    try? VNImageRequestHandler(cvPixelBuffer: pixelBuffer).perform([request])
}

Автоматичний capture при ідеальному позиціонуванні прибирає необхідність натискати кнопку — знижує кількість поганих знімків.

Виявлення підробок: що перевіряємо?

Базовий anti-spoofing для мобільної верифікації включає:

Ці методи гарантують, що документ реальний та належить пред'явнику.

Як забезпечується захист персональних даних?

Всі дані обробляються відповідно до ФЗ-152 та GDPR. Зображення документів не зберігаються після верифікації — лише вилучені поля. Ми використовуємо шифрування в спокої та при передачі, а також ізольоване середовище для виконання моделей. Для роботи з чутливими даними можна розгорнути рішення в хмарі клієнта (Azure / AWS).

Процес роботи

1. Аналіз документів, які потрібно підтримати
2. Вибір OCR-провайдера (Azure / Google / Регула)
3. Реалізація realtime camera guidance
4. Інтеграція document analysis API
5. MRZ parsing та крос-валідація полів
6. Anti-spoofing та liveness check
7. Compliance-перевірка (ФЗ-152 для зберігання даних паспортів)

Що входить у результат

• Модуль камери з realtime guidance та автоматичним захопленням
• Інтеграція з обраним OCR-сервісом (Azure, Google, або власна модель)
• Парсинг MRZ та крос-валідація полів
• Anti-spoofing та liveness check (опціонально)
• Документація по API та інструкція з інтеграції
• Доступ до вихідного коду та тестових прикладів
• Підтримка на етапі релізу в App Store / Google Play

Орієнтири за строками

MVP з Azure Document Intelligence та базовим guidance — 2–3 тижні. Повна система з liveness check, anti-spoofing та підтримкою кількох типів документів — 4–6 тижнів.

Щоб дізнатися, як впровадити AI-верифікацію у ваш додаток, зв'яжіться з нами. Замовте консультацію для оцінки вашого проєкту — ми підберемо оптимальне рішення та строки. Отримайте оцінку вашого кейсу та рекомендації щодо вибору провайдера. Інтеграція AI-верифікації окупається за рахунок скорочення ручної перевірки документів.