Εισαγωγή

Στο σημερινό ψηφιακό τοπίο, η τήρηση των κανονισμών Know Your Customer (KYC) είναι πρωταρχικής σημασίας για τις επιχειρήσεις που δραστηριοποιούνται σε χρηματοοικονομικές υπηρεσίες, διαδικτυακές αγορές και άλλους τομείς που απαιτούν αναγνώριση χρήστη. Παραδοσιακά, οι διαδικασίες KYC βασίζονται στη μη αυτόματη επαλήθευση εγγράφων, μια χρονοβόρα και επιρρεπή σε σφάλματα προσέγγιση. Αυτός ο οδηγός εμβαθύνει στο πώς το Amazon Rekognition, μια ισχυρή υπηρεσία τεχνητής νοημοσύνης που βασίζεται σε cloud από την AWS, που ειδικεύεται στην αναγνώριση και ανάλυση προσώπου, μπορεί να φέρει επανάσταση στη διαδικτυακή στρατηγική KYC σας, μετατρέποντάς την σε μια βελτιωμένη, ασφαλή και οικονομικά αποδοτική διαδικασία.

Στόχοι μάθησης

• Κατανοήστε τη σημασία των κανονισμών Know Your Customer (KYC) σε διάφορους κλάδους και τις προκλήσεις που σχετίζονται με τις διαδικασίες μη αυτόματης επαλήθευσης.
• Εξερευνήστε τις δυνατότητες του Amazon Rekognition ως υπηρεσίας τεχνητής νοημοσύνης που βασίζεται σε σύννεφο και ειδικεύεται στην αναγνώριση και ανάλυση προσώπου.
• Μάθετε τα βήματα που απαιτούνται για την εφαρμογή επαλήθευσης ταυτότητας χρησιμοποιώντας το Amazon Rekognition, συμπεριλαμβανομένης της ενσωμάτωσης χρήστη, εξαγωγή κειμένου, ανίχνευση ζωντάνιας, ανάλυση προσώπου και αντιστοίχιση προσώπου.
• Κατανοήστε τη σημασία της αξιοποίησης της επαλήθευσης ταυτότητας βάσει τεχνητής νοημοσύνης για τη βελτίωση των μέτρων ασφαλείας, τον εξορθολογισμό των διαδικασιών ελέγχου ταυτότητας χρήστη και τη βελτίωση των εμπειριών των χρηστών.

Αυτό το άρθρο δημοσιεύθηκε ως μέρος του Data Science Blogathon.

Κατανόηση των προκλήσεων KYC

Οι κανονισμοί KYC επιβάλλουν στις επιχειρήσεις να επαληθεύουν την ταυτότητα των χρηστών τους μετριάσει την απάτη, ξέπλυμα βρώμικου χρήματος και άλλα οικονομικά εγκλήματα. Αυτή η επαλήθευση συνήθως περιλαμβάνει τη συλλογή και την επικύρωση εγγράφων ταυτοποίησης που έχουν εκδοθεί από την κυβέρνηση. Ενώ αυτοί οι κανονισμοί είναι σημαντικοί για τη διατήρηση ενός ασφαλούς χρηματοοικονομικού οικοσυστήματος, οι διαδικασίες μη αυτόματης επαλήθευσης δημιουργούν προκλήσεις:

• Επιπτώσεις πανδημίας: Κατά τη διάρκεια της πανδημίας, ο χρηματοπιστωτικός τομέας αντιμετώπισε σημαντικές προκλήσεις όσον αφορά την είσοδο νέων πελατών, καθώς η κίνηση ήταν περιορισμένη. Επομένως, η μαζική μη αυτόματη επαλήθευση δεν είναι δυνατή. Έτσι, εφαρμόζοντας το online KYC, η επιχείρησή σας είναι έτοιμη για τέτοιες μελλοντικές εκδηλώσεις.
• Ανθρώπινα λάθη: Η μη αυτόματη επαλήθευση είναι επιρρεπής σε σφάλματα, επιτρέποντας δυνητικά να ξεφύγουν οι δόλιες εγγραφές.
• Διαχείριση αναγνωριστικών: Δεδομένου ότι η τεκμηρίωση είναι ένα έντυπο αντίγραφο, η διαχείριση της ίδιας είναι μια αυξανόμενη πρόκληση. Τα αντίγραφα μπορεί να χαθούν, να καούν, να κλαπούν, να χρησιμοποιηθούν κακώς κ.λπ.

Τι είναι το Amazon Rekognition;

Το Amazon Rekognition είναι μια ισχυρή υπηρεσία ανάλυσης εικόνων και βίντεο που προσφέρεται από την Amazon Web Services (AWS). Χρησιμοποιεί προηγμένους αλγόριθμους μηχανικής μάθησης για την ανάλυση οπτικού περιεχομένου σε εικόνες και βίντεο, επιτρέποντας στους προγραμματιστές να εξάγουν πολύτιμες πληροφορίες και να εκτελούν διάφορες εργασίες, όπως ανίχνευση αντικειμένων, αναγνώριση προσώπου και επαλήθευση ταυτότητας. Το παρακάτω απλοϊκό διάγραμμα δίνει μια καλή ιδέα για τα χαρακτηριστικά και τις υπηρεσίες που εμπλέκονται.

Επαλήθευση ταυτότητας με το Amazon Rekognition

Πριν σας πάω στην υλοποίηση, επιτρέψτε μου να σας δώσω μια ιδέα υψηλού επιπέδου και τα βήματα που σχετίζονται με την εφαρμογή επαλήθευσης ταυτότητας για το Online KYC μας.

1. Ενσωμάτωση χρήστη: Αυτή η διαδικασία θα είναι συγκεκριμένη για την επιχείρηση. Ωστόσο, τουλάχιστον, η επιχείρηση θα χρειαστεί Όνομα, Μέσο Όνομα, Επώνυμο, Ημερομηνία Γέννησης, Ημερομηνία Λήξης Δελτίου Ταυτότητας και Φωτογραφία μεγέθους διαβατηρίου. Όλες αυτές οι πληροφορίες μπορούν να συλλεχθούν ζητώντας από τον χρήστη να ανεβάσει μια εικόνα εθνικής ταυτότητας.
2. Απόσπασμα κειμένου: Η υπηρεσία AWS Textract μπορεί να εξαγάγει όλες τις παραπάνω πληροφορίες από το δελτίο ταυτότητας που ανεβάσατε. Όχι μόνο αυτό, μπορούμε επίσης να ρωτήσουμε το Texttract για να λάβουμε συγκεκριμένες πληροφορίες από την ταυτότητα.
3. Ζωντανότητα και Αναγνώριση Προσώπου: Για να βεβαιωθείτε ότι ο χρήστης που προσπαθεί να κάνει το KYC του είναι ενεργός στην οθόνη και είναι ζωντανός όταν ξεκινά η συνεδρία liveness. Το Amazon Rekognition μπορεί να εντοπίσει και να συγκρίνει με ακρίβεια πρόσωπα μέσα σε εικόνες ή ροές βίντεο.
4. Ανάλυση προσώπου: Μόλις αποτυπωθεί ένα πρόσωπο, παρέχει λεπτομερείς πληροφορίες για τα χαρακτηριστικά του προσώπου, όπως η ηλικία, το φύλο, τα συναισθήματα και τα ορόσημα του προσώπου. Όχι μόνο αυτό, θα επικυρώσει επίσης εάν ο χρήστης έχει γυαλιά ηλίου ή εάν το πρόσωπό του καλύπτεται από άλλα αντικείμενα.
5. Αντιστοίχιση προσώπου: Μετά την επαλήθευση του Liveness, μπορούμε να εκτελέσουμε αντιστοίχιση προσώπου για να επαληθεύσουμε την ταυτότητα των ατόμων με βάση τις εικόνες αναφοράς που έχουν εξαχθεί από την εθνική ταυτότητα και την τρέχουσα εικόνα από τη συνεδρία Liveness.

Όπως μπορείτε να δείτε, η Αναγνώριση διευκολύνει την ταχεία εγγραφή χρήστη αναλύοντας μια selfie που τραβήχτηκε και συγκρίνοντάς την με μια ταυτότητα που έχει εκδοθεί από την κυβέρνηση που ανέβασε ο χρήστης. Οι δυνατότητες ανίχνευσης ζωντάνιας στο Rekognition βοηθούν στην αποτροπή απόπειρες πλαστογράφησης προτρέποντας τους χρήστες να εκτελέσουν συγκεκριμένες ενέργειες, όπως το κλείσιμο του βλέμματος ή το γύρισμα του κεφαλιού τους. Αυτό διασφαλίζει ότι ο χρήστης που εγγράφεται είναι πραγματικό πρόσωπο και όχι έξυπνα συγκαλυμμένη φωτογραφία ή ψεύτικο. Αυτή η αυτοματοποιημένη διαδικασία μειώνει σημαντικά τους χρόνους επιβίβασης, βελτιώνοντας την εμπειρία του χρήστη. Η αναγνώριση εξαλείφει την πιθανότητα ανθρώπινου λάθους που είναι εγγενής στη μη αυτόματη επαλήθευση. Επιπλέον, οι αλγόριθμοι αναγνώρισης προσώπου επιτυγχάνουν υψηλά ποσοστά ακρίβειας, διασφαλίζοντας αξιόπιστη επαλήθευση ταυτότητας.

Ξέρω ότι είστε τώρα πολύ ενθουσιασμένοι που το βλέπετε σε δράση, οπότε ας το προχωρήσουμε αμέσως.

Εφαρμογή επαλήθευσης ταυτότητας: Η αυτοματοποιημένη λύση KYC

Βήμα 1: Ρύθμιση του λογαριασμού AWS

Πριν ξεκινήσετε, βεβαιωθείτε ότι έχετε ενεργό λογαριασμό AWS. Μπορείτε να εγγραφείτε για έναν λογαριασμό AWS στον ιστότοπο AWS, εάν δεν το έχετε κάνει ήδη. Μόλις εγγραφείτε, ενεργοποιήστε τις υπηρεσίες αναγνώρισης. Το AWS παρέχει ολοκληρωμένη τεκμηρίωση και σεμινάρια για τη διευκόλυνση αυτής της διαδικασίας.

Βήμα 2: Ρύθμιση δικαιωμάτων IAM

Εάν θέλετε να χρησιμοποιήσετε Python ή AWS CLI τότε αυτό το βήμα είναι απαραίτητο. Πρέπει να παρέχετε άδεια πρόσβασης στο Rekognition, το S3 και το Texttract. Αυτό μπορεί να γίνει από την κονσόλα.

Βήμα 3: Μεταφορτώστε το Εθνικό αναγνωριστικό χρήστη

Θα το δείξω αυτό μέσω CLI, Python και μια γραφική διεπαφή. Αν ψάχνετε για έναν κώδικα για μια γραφική διεπαφή, τότε το AWS έχει ανεβάσει ένα ωραίο παράδειγμα στο git. Αυτό το άρθρο έχει αναπτύξει τον ίδιο κώδικα για να εμφανίσει μια γραφική διεπαφή.

aws textract analyze-id --document-pages 
'{"S3Object":{"Bucket":"bucketARN","Name":"id.jpg"}}'

"IdentityDocuments": [
        {
            "DocumentIndex": 1,
            "IdentityDocumentFields": [
                {
                    "Type": {
                        "Text": "FIRST_NAME"
                    },
                    "ValueDetection": {
                        "Text": "xyz",
                        "Confidence": 93.61839294433594
                    }
                },
                {
                    "Type": {
                        "Text": "LAST_NAME"
                    },
                    "ValueDetection": {
                        "Text": "abc",
                        "Confidence": 96.3537826538086
                    }
                },
                {
                    "Type": {
                        "Text": "MIDDLE_NAME"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.16631317138672
                    }
                },
                {
                    "Type": {
                        "Text": "SUFFIX"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.16964721679688
                    }
                },
                {
                    "Type": {
                        "Text": "CITY_IN_ADDRESS"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.17261505126953
                    }
                },
                {
                    "Type": {
                        "Text": "ZIP_CODE_IN_ADDRESS"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.17854309082031
                    }
                },
                {
                    "Type": {
                        "Text": "STATE_IN_ADDRESS"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.15782165527344
                    }
                },
                {
                    "Type": {
                        "Text": "STATE_NAME"
                    },
                    "ValueDetection": {
                        "Text": "",
                        "Confidence": 99.16664123535156
                    }
                },
                {
                    "Type": {
                        "Text": "DOCUMENT_NUMBER"
                    },
                    "ValueDetection": {
                        "Text": "123456",
                        "Confidence": 95.29527282714844
                    }
                },
                {
                    "Type": {
                        "Text": "EXPIRATION_DATE"
                    },
                    "ValueDetection": {
                        "Text": "22 OCT 2024",
                        "NormalizedValue": {
                            "Value": "2024-10-22T00:00:00",
                            "ValueType": "Date"
                        },
                        "Confidence": 95.7198486328125
                    }
                },
                {
                    "Type": {
                        "Text": "DATE_OF_BIRTH"
                    },
                    "ValueDetection": {
                        "Text": "1 SEP 1994",
                        "NormalizedValue": {
                            "Value": "1994-09-01T00:00:00",
                            "ValueType": "Date"
                        },
                        "Confidence": 97.41930389404297
                    }
                },
                {
                    "Type": {
                        "Text": "DATE_OF_ISSUE"
                    },
                    "ValueDetection": {
                        "Text": "23 OCT 2004",
                        "NormalizedValue": {
                            "Value": "2004-10-23T00:00:00",
                            "ValueType": "Date"
                        },
                        "Confidence": 96.1384506225586
                    }
                },
                {
                    "Type": {
                        "Text": "ID_TYPE"
                    },
                    "ValueDetection": {
                        "Text": "PASSPORT",
                        "Confidence": 98.65157318115234
                    }
                }

Η παραπάνω εντολή χρησιμοποιεί την εντολή AWS Textract analysis-id για εξαγωγή πληροφοριών από την εικόνα που έχει ήδη μεταφορτωθεί στο S3. Το JSON εξόδου περιέχει επίσης πλαίσια οριοθέτησης, επομένως έχω περικόψει για να εμφανίσω μόνο τις βασικές πληροφορίες. Όπως μπορείτε να δείτε, έχει εξαγάγει όλες τις απαιτούμενες πληροφορίες μαζί με το επίπεδο εμπιστοσύνης της τιμής κειμένου.

Χρήση συναρτήσεων Python

textract_client = boto3.client('textract', region_name='us-east-1')

def analyze_id(document_file_name)->dict:

  if document_file_name is not None:
       with open(document_file_name, "rb") as document_file:
            idcard_bytes = document_file.read()
  '''
  Analyze the image using Amazon Textract.
  '''
  try:
    response = textract_client.analyze_id(
      DocumentPages=[
        {'Bytes': idcard_bytes},
      ])

    return response
  except textract_client.exceptions.UnsupportedDocumentException:
    logger.error('User %s provided an invalid document.' % inputRequest.user_id)
    raise InvalidImageError('UnsupportedDocument')
  except textract_client.exceptions.DocumentTooLargeException:
    logger.error('User %s provided document too large.' % inputRequest.user_id)
    raise InvalidImageError('DocumentTooLarge')
  except textract_client.exceptions.ProvisionedThroughputExceededException:
    logger.error('Textract throughput exceeded.')
    raise InvalidImageError('ProvisionedThroughputExceeded')
  except textract_client.exceptions.ThrottlingException:
    logger.error('Textract throughput exceeded.')
    raise InvalidImageError('ThrottlingException')
  except textract_client.exceptions.InternalServerError:
    logger.error('Textract Internal Server Error.')
    raise InvalidImageError('ProvisionedThroughputExceeded')

result = analyze_id('id.jpeg')
print(result) # print raw output

Χρήση γραφικής διεπαφής

Όπως μπορείτε να δείτε, το Texttract έχει ανακτήσει όλες τις σχετικές πληροφορίες και δείχνει επίσης τον τύπο αναγνωριστικού. Αυτές οι πληροφορίες μπορούν να χρησιμοποιηθούν για την εγγραφή του πελάτη ή του χρήστη. Αλλά πριν από αυτό, ας κάνουμε έναν έλεγχο Liveness για να επαληθεύσουμε ότι πρόκειται για πραγματικό πρόσωπο.

Έλεγχος ζωντάνιας

Μόλις ο χρήστης κάνει κλικ στο start check στην παρακάτω εικόνα, θα εντοπίσει πρώτα το πρόσωπο και εάν στην οθόνη εμφανίζεται μόνο ένα πρόσωπο, τότε θα ξεκινήσει η συνεδρία Liveness. Για λόγους απορρήτου, δεν μπορώ να εμφανίσω την πλήρη συνεδρία του Liveness. Ωστόσο, μπορείτε να το ελέγξετε αυτό σύνδεσμος βίντεο επίδειξης. Η συνεδρία Liveness θα παρέχει αποτελέσματα με % εμπιστοσύνη. Μπορούμε επίσης να ορίσουμε ένα όριο κάτω από το οποίο η συνεδρία Liveness θα αποτύχει. Για κρίσιμες εφαρμογές όπως αυτή, θα πρέπει να διατηρηθεί το όριο στο 95%.

Εκτός από την αυτοπεποίθηση, η συνεδρία Liveness θα προσφέρει επίσης συναισθήματα και ξένα αντικείμενα που ανιχνεύονται στο πρόσωπο. Εάν ο χρήστης έχει γυαλιά ηλίου ή δείχνει εκφράσεις όπως θυμό κ.λπ., η εφαρμογή μπορεί να απορρίψει την εικόνα.

Κωδικός Python

rek_client = boto3.client('rekognition', region_name='us-east-1')
sessionid = rek_client.create_face_liveness_session(Settings={'AuditImagesLimit':1, 
           'OutputConfig': {"S3Bucket": 'IMAGE_BUCKET_NAME'}})
           
session = rek_client.get_face_liveness_session_results(
            SessionId=sessionid)

Σύγκριση προσώπου

Μόλις ο χρήστης ολοκληρώσει επιτυχώς την περίοδο λειτουργίας Liveness, η εφαρμογή πρέπει να συγκρίνει το πρόσωπο με το πρόσωπο που εντοπίστηκε από το αναγνωριστικό. Αυτό είναι το πιο κρίσιμο μέρος της εφαρμογής μας. Δεν θέλουμε να εγγράψουμε έναν χρήστη του οποίου το πρόσωπο δεν ταιριάζει με το αναγνωριστικό. Το πρόσωπο που εντοπίζεται από το μεταφορτωμένο αναγνωριστικό είναι ήδη αποθηκευμένο στο S3 από τον κωδικό που θα λειτουργεί ως εικόνα αναφοράς. Ομοίως, το πρόσωπο από τη συνεδρία liveness αποθηκεύεται επίσης στο S3. Ας ελέγξουμε πρώτα την υλοποίηση του CLI.

Εντολή CLI

aws rekognition compare-faces 
      --source-image '{"S3Object":{"Bucket":"imagebucket","Name":"reference.jpg"}}' 
      --target-image '{"S3Object":{"Bucket":"imagebucket","Name":"liveness.jpg"}}' 
      --similarity-threshold 0.9

Παραγωγή

{
              "UnmatchedFaces": [],
              "FaceMatches": [
                  {
                      "Face": {
                          "BoundingBox": {
                              "Width": 0.12368916720151901,
                              "Top": 0.16007372736930847,
                              "Left": 0.5901257991790771,
                              "Height": 0.25140416622161865
                          },
                          "Confidence": 99.0,
                          "Pose": {
                              "Yaw": -3.7351467609405518,
                              "Roll": -0.10309021919965744,
                              "Pitch": 0.8637830018997192
                          },
                          "Quality": {
                              "Sharpness": 95.51618957519531,
                              "Brightness": 65.29893493652344
                          },
                          "Landmarks": [
                              {
                                  "Y": 0.26721030473709106,
                                  "X": 0.6204193830490112,
                                  "Type": "eyeLeft"
                              },
                              {
                                  "Y": 0.26831310987472534,
                                  "X": 0.6776827573776245,
                                  "Type": "eyeRight"
                              },
                              {
                                  "Y": 0.3514654338359833,
                                  "X": 0.6241428852081299,
                                  "Type": "mouthLeft"
                              },
                              {
                                  "Y": 0.35258132219314575,
                                  "X": 0.6713621020317078,
                                  "Type": "mouthRight"
                              },
                              {
                                  "Y": 0.3140771687030792,
                                  "X": 0.6428444981575012,
                                  "Type": "nose"
                              }
                          ]
                      },
                      "Similarity": 100.0
                  }
              ],
              "SourceImageFace": {
                  "BoundingBox": {
                      "Width": 0.12368916720151901,
                      "Top": 0.16007372736930847,
                      "Left": 0.5901257991790771,
                      "Height": 0.25140416622161865
                  },
                  "Confidence": 99.0
              }
          }

Όπως μπορείτε να δείτε παραπάνω, έδειξε ότι δεν υπάρχει απαράμιλλο πρόσωπο και το πρόσωπο ταιριάζει με 99% επίπεδο εμπιστοσύνης. Έχει επίσης επιστρέψει bounding boxes ως επιπλέον έξοδο. Ας δούμε τώρα την εφαρμογή Python.

Κωδικός Python

rek_client = boto3.client('rekognition', region_name='us-east-1')

response = rek_client.compare_faces(
      SimilarityThreshold=0.9,
      SourceImage={
            'S3Object': {
              'Bucket': bucket,
              'Name': idcard_name
          }
      },
      TargetImage={
          'S3Object': {
              'Bucket': bucket,
              'Name': name
          }
      })

if len(response['FaceMatches']) == 0:
      IsMatch = 'False'
      Reason = 'Property FaceMatches is empty.'
    
facenotMatch = False
for match in response['FaceMatches']:
    similarity:float = match['Similarity']
    if similarity > 0.9:
        IsMatch = True,
        Reason = 'All checks passed.'
    else:
        facenotMatch = True

Ο παραπάνω κωδικός θα συγκρίνει το πρόσωπο που εντοπίστηκε από την ταυτότητα και τη συνεδρία Liveness διατηρώντας το όριο στο 90%. Εάν το πρόσωπο ταιριάζει, τότε θα ορίσει τη μεταβλητή IsMatch σε True. Έτσι, με μία μόνο κλήση συνάρτησης, μπορούμε να συγκρίνουμε τις δύο όψεις, και οι δύο έχουν ήδη μεταφορτωθεί στον κάδο S3.

Έτσι, επιτέλους, μπορούμε να εγγράψουμε τον έγκυρο χρήστη και να ολοκληρώσουμε το KYC του. Όπως μπορείτε να δείτε, αυτό είναι πλήρως αυτοματοποιημένο και ξεκινά από τον χρήστη και δεν εμπλέκεται άλλο άτομο. Η διαδικασία έχει επίσης συντομεύσει την ενσωμάτωση του χρήστη σε σύγκριση με την τρέχουσα μη αυτόματη διαδικασία.

Βήμα 4: Έγγραφο ερωτήματος όπως το GPT

Μου άρεσε ένα από τα πολύ χρήσιμα χαρακτηριστικά του Texttract που μπορείτε να κάνετε συγκεκριμένες ερωτήσεις όπως "Τι είναι ο αριθμός ταυτότητας". Επιτρέψτε μου να σας δείξω πώς να το κάνετε αυτό χρησιμοποιώντας το AWS CLI.

aws textract analyze-document --document '{"S3Object":{"Bucket":"ARN","Name":"id.jpg"}}' 
--feature-types '["QUERIES"]' --queries-config '{"Queries":[{"Text":"What is the Identity No"}]}'

Λάβετε υπόψη ότι νωρίτερα χρησιμοποιούσα τη συνάρτηση analy-id ενώ τώρα έχω χρησιμοποιήσει analy-document για να ρωτήσω το έγγραφο. Αυτό είναι πολύ χρήσιμο εάν υπάρχουν συγκεκριμένα πεδία στην ταυτότητα που δεν εξάγονται από τη συνάρτηση analy-id. Η λειτουργία ανάλυσης αναγνωριστικού λειτουργεί καλά για όλες τις ταυτότητες των ΗΠΑ, ωστόσο, λειτουργεί καλά και με τις ταυτότητες της Ινδίας. Ωστόσο, εάν ορισμένα από τα πεδία δεν εξαχθούν, τότε μπορεί να χρησιμοποιηθεί η δυνατότητα ερωτήματος.

Το AWS χρησιμοποιεί την υπηρεσία cognito για τη διαχείριση της ταυτότητας χρήστη, του αναγνωριστικού χρήστη και των αναγνωριστικών προσώπου που είναι αποθηκευμένα στο DynamoDB. Το δείγμα κώδικα AWS συγκρίνει επίσης τις εικόνες από την υπάρχουσα βάση δεδομένων, έτσι ώστε ο ίδιος χρήστης να μην μπορεί να εγγραφεί ξανά χρησιμοποιώντας διαφορετικό αναγνωριστικό ή όνομα χρήστη. Αυτό το είδος επικύρωσης είναι απαραίτητο για ένα ισχυρό αυτοματοποιημένο σύστημα KYC.

Συμπέρασμα

Αγκαλιάζοντας το AWS Rekognition for Automated Self KYC, μπορείτε να μετατρέψετε τη διαδικασία ενσωμάτωσης χρήστη από ένα επίπονο εμπόδιο σε μια ομαλή και ασφαλή εμπειρία. Το Amazon Rekognition παρέχει μια ισχυρή λύση για την εφαρμογή συστημάτων επαλήθευσης ταυτότητας με προηγμένες δυνατότητες αναγνώρισης προσώπου. Αξιοποιώντας τις δυνατότητές του, οι προγραμματιστές μπορούν να βελτιώσουν τα μέτρα ασφαλείας, να εξορθολογίσουν τις διαδικασίες ελέγχου ταυτότητας χρήστη και να προσφέρουν απρόσκοπτες εμπειρίες χρήστη σε διάφορες εφαρμογές και κλάδους.

Με τον περιεκτικό οδηγό που περιγράφεται παραπάνω, είστε καλά εξοπλισμένοι για να ξεκινήσετε το ταξίδι σας για να εφαρμόσετε αποτελεσματικά την επαλήθευση ταυτότητας χρησιμοποιώντας το Amazon Rekognition. Αγκαλιάστε τη δύναμη της επαλήθευσης ταυτότητας που βασίζεται στην τεχνητή νοημοσύνη και ξεκλειδώστε νέες δυνατότητες στον τομέα της διαχείρισης ψηφιακής ταυτότητας.

Βασικές τακτικές

• Το Amazon Rekognition προσφέρει προηγμένες δυνατότητες αναγνώρισης και ανάλυσης προσώπου, διευκολύνοντας βελτιστοποιημένες και ασφαλείς διαδικασίες επαλήθευσης ταυτότητας.
• Επιτρέπει την αυτοματοποιημένη επιβίβαση των χρηστών εξάγοντας βασικές πληροφορίες από δελτία ταυτότητας που έχουν εκδοθεί από την κυβέρνηση και πραγματοποιώντας ελέγχους ζωντανότητας.
• Τα βήματα υλοποίησης περιλαμβάνουν τη ρύθμιση των υπηρεσιών AWS, τη διαμόρφωση των δικαιωμάτων IAM και τη χρήση συναρτήσεων Python ή γραφικών διεπαφών για εξαγωγή κειμένου και συγκρίσεις προσώπων.
• Οι έλεγχοι ζωντανότητας σε πραγματικό χρόνο ενισχύουν την ασφάλεια διασφαλίζοντας ότι οι χρήστες είναι παρόντες κατά την επαλήθευση, ενώ οι συγκρίσεις προσώπων επικυρώνουν τις ταυτότητες έναντι εικόνων αναφοράς.

Τα μέσα που εμφανίζονται σε αυτό το άρθρο δεν ανήκουν στο Analytics Vidhya και χρησιμοποιούνται κατά την κρίση του συγγραφέα.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.analyticsvidhya.com/blog/2024/03/how-to-implement-identity-verification-using-amazon-rekognition/