Верифікація за фото: AI Face Match для мобільних додатків

Проблема KYC без Face Match

KYC-флоу без порівняння обличчя з документом — це перевірка паспорта або водійського посвідчення, яка ніяк не прив'язана до живої людини перед камерою. Зловмисник може використати чужий документ, і система цього не помітить. Face Match закриває цю прогалину: він порівнює селфі користувача з фотографією на посвідченні та повертає confidence score (0.0–1.0). Технічно задача вирішується за допомогою вилучення face embedding та обчислення cosine similarity. Але диявол у деталях: якість фото в паспорті часто низька (відблиски, муар), освітлення при селфі неконтрольоване, а вік документа може відрізнятися на роки (aging factor). Ми, з багаторічним досвідом у мобільних AI-рішеннях, гарантуємо, що ваша система верифікації буде надійною та точною. Наші інженери протестували понад 20 моделей на реальних даних і знають, як досягти FRR менше 2% при FAR менше 0.1%.

Як працює face embedding comparison

Класичний pipeline включає детекцію обличчя, вирівнювання (alignment), вилучення embedding через CNN та обчислення cosine similarity. Детальніше на прикладі:

1. Детекція — Vision.VNDetectFaceRectanglesRequest на iOS, ML Kit FaceDetector на Android.
2. Alignment — нормалізація координат очей і носа в canonical position. Без alignment точність падає на 15–20%.
3. Embedding — CNN-модель (ArcFace, MobileFaceNet) перетворює 112×112 px обличчя в 512-вимірний вектор.
4. Cosine similarity — між двома векторами: значення ≥0.65 зазвичай вважається збігом, але поріг залежить від моделі та цільової демографії.

Важно: поріг не універсальний. Різні демографічні групи показують різний baseline. Хороша модель навчена на збалансованому датасеті (MS-Celeb-1M, VGGFace2) та валідована на LFW і AgeDB з розбивкою по демографії. Модель без такої валідації — потенційний дискримінаційний ризик та хибний FRR для літніх користувачів.

On-device vs серверна верифікація

Вибір між on-device та сервером залежить від вимог до точності, швидкості та приватності. Нижче — порівняння ключових параметрів:

Важно: MobileFaceNet (1.1 MB) у 250 разів компактніший за ArcFace R100 (250 MB) при лише 0.4% різниці в точності, що робить його ідеальним для on-device сценаріїв. На iOS inference на Apple Neural Engine (A14+) займає ~25 мс, на iPhone SE 2nd gen — ~180 мс. Якщо цільова аудиторія — бюджетні пристрої, вигідніше серверний inference.

Чому важливий preprocessing фото документа?

Фотографія в паспорті — це стиснуте, часто надруковане та перезняте зображення. Типові проблеми: оверекспозиція (відблиски), муар-патерни, низька роздільна здатність. Без quality preprocessing accuracy падає на 10–15%. Ми використовуємо автоматичний pipeline: корекція гамми, denoising (Core Image CINoiseReduction), видалення відблисків через CIHighlightShadowAdjust, і додатково CLAHE для підвищення локального контрасту. Після цього — детекція та alignment як зазвичай.

Додатково враховуємо aging factor: якщо паспорт виданий понад 5 років тому, знижуємо поріг similarity на 0.03–0.05. Це компроміс між FRR та FAR, підтверджений на вибірці з 10 000 реальних випадків. Алгоритм описано в Wikipedia: Face recognition.

Як захиститися від атак за допомогою Liveness Detection?

Face Match без liveness — атакується простою фотографією. Без anti-spoofing — атакується маскою або дипфейком. У production-сценарії обов'язкова інтеграція Liveness Detection як першого етапу: спочатку перевіряємо, що перед камерою жива людина, і тільки потім запускаємо порівняння облич. Ми використовуємо комбінацію методів: texture-based (LBP), motion-based (оптичний потік) та depth-based (TrueDepth на iOS). Комбінований підхід знижує ймовірність обходу до <0.01%.

Гібридна архітектура: on-device + серверна

Оптимальний баланс досягається гібридною архітектурою: on-device MobileFaceNet для первинної перевірки (фільтр низького ризику) та серверний ArcFace R100 для верифікації високого ризику. Це знижує витрати на серверні ресурси на 40% без втрати точності. Приклад: при confidence score >0.9 на пристрої — транзакція приймається відразу; при 0.7–0.9 — відправляється на сервер; нижче 0.7 — додаткова перевірка. Інвестиції в таку архітектуру окупаються в середньому за 3–6 місяців завдяки скороченню ручної верифікації.

Процес впровадження Face Match

1. Аналітика — вивчаємо ваші дані, вимоги до точності та швидкості.
2. Проектування — обираємо архітектуру (on-device, серверна або гібридна).
3. Реалізація — інтеграція в додаток та серверну частину (iOS/Android).
4. Тестування — на edge cases: окуляри, борода, погане освітлення, старі фото.
5. Деплой — публікація в App Store та Google Play.
6. Підтримка — моніторинг точності, донавчання моделі при необхідності.

Орієнтовні терміни:

Що входить у роботу

• Аналіз вимог та вибір моделі (on-device, серверна або гібридна)
• Інтеграція детекції, alignment та embedding на iOS/Android
• Налаштування порогів similarity та тестування на репрезентативній вибірці
• Реалізація preprocessing pipeline для фото документів
• Документація по API та інтеграції
• Інструкція з деплою та експлуатації
• Навчання команди та технічна підтримка на етапі запуску

Терміни та вартість

Вартість розраховується індивідуально — залежить від складності, вибору моделі та необхідності доопрацювань. Наші інженери мають багаторічний досвід у мобільному AI, понад 20 успішних проектів з Face Match. Гарантуємо конфіденційність даних та відповідність GDPR.

Хочете покращити свій KYC-флоу за допомогою Face Match? Замовте консультацію — розповімо, як знизити витрати на ручну верифікацію до 80% та підвищити безпеку. Зв'яжіться з нами.