18.04.2025

Inteligentna weryfikacja klienta (KYC) – OCR, biometria behawioralna i risk‑scoring w instytucji finansowej

Inteligentna weryfikacja klienta (KYC) – OCR, biometria behawioralna i risk-scoring w instytucji finansowej

Kontekst: Studium przypadku dotyczy ogólnokrajowego neo-banku z 3,2 mln aktywnych użytkowników. W związku z ekspansją kanału mobilnego i presją na koszt pozyskania klienta (CAC), instytucja zdecydowała się zredefiniować cały proces KYC w duchu “zero-touch onboarding”. Celem było jednoczesne zwiększenie skuteczności, redukcja fraudu oraz pełna zgodność z AML 5 i GDPR.

Problemy poprzedniego podejścia
 

• Manualna weryfikacja dokumentów – trwała średnio 17 minut na klienta, obciążała back-office i opóźniała aktywację kont.
• Wysoki współczynnik porzuceń – 29% użytkowników mobilnych rezygnowało na etapie “zrób selfie”.
• Fraud dokumentowy – 0,17% otwartych kont opartych na sfałszowanych dokumentach, co skutkowało stratami finansowymi i ryzykiem reputacyjnym.
   

Nowa architektura KYC 2.0 – komponenty i przepływ
 

Cały proces został przeprojektowany zgodnie z zasadą “AI-first & manual fallback only”. Nowy pipeline składał się z czterech zautomatyzowanych warstw:

1. OCR + Liveness Detection – klient robi zdjęcie dowodu + selfie. Model GAN anti-spoof wykrywa sztuczne twarze, deepfake i zdjęcia ekranów.
2. Biometria behawioralna – SDK w aplikacji mobilnej analizuje sposób trzymania telefonu, szybkość i rytm pisania, mikrodrżenia (tzw. finger dynamics).
3. Risk Engine – silnik oparty o bazę grafową Neo4j i GNN, który wykrywa powiązania między adresami IP, urządzeniami i kontami. Każdy nowy użytkownik jest mapowany do istniejącego grafu.
4. RPA + AML workflow – boty rejestrują użytkownika w core-banking (terminal 3270), tworzą zgłoszenie AML SAR i raportują do GIIF.

AI – modele i metryki
 

• OCR: EfficientFormer-OCR v2, Character Error Rate = 0,23% przy różnych dokumentach (dowód, paszport, prawo jazdy).
• Face ID: ArcFace-mobile-d512, FAR@FRR = 0,005 @ 1% – bardzo niski współczynnik fałszywych akceptacji.
• Biometria behawioralna: RNN GRU 128+64, trenowana na 400 tys. sekwencji dotykowych. AUC = 0,92.
• Risk Graph: Graph Attention Network (GAT-6-heads), precision 0,81 przy detekcji klastrów fraudowych (np. botnety otwierające wiele kont z różnych IP).
  

Etapy wdrożenia i iteracji
 

Etap 1 – MVP (8 tygodni)

Zbudowano i wdrożono SDK OCR oraz selfie-check w aplikacji mobilnej (iOS/Android). Zgoda regulatora uzyskana na pilotaż ograniczony do 5% wolumenu.

Etap 2 – Biometria behawioralna i edge learning

Zanonimizowano dane dotykowe – nie wychodzą poza urządzenie (edge learning). Dane surowe przetwarzane lokalnie, a jedynie embedding trafia do chmury.

Etap 3 – Risk engine i automatyzacja

Bot UiPath obsługuje cały proces: od utworzenia konta w mainframe, przez generację JWT, po integrację z CRM i natychmiastowe wstrzymanie karty w przypadku wykrycia fraudu.
 

Wyniki 9 miesięcy po wdrożeniu
 

• Średni czas KYC skrócony z 17 minut do 40 sekund (redukcja o 96%).
• Porzucenia na etapie selfie spadły do 9,4% (spadek o 19,6 p.p.).
• Fraud dokumentowy zredukowany z 0,17% do 0,02% (spadek o 88%).
• CAC obniżony o 21% – głównie dzięki automatyzacji i większej konwersji.
• ROI po 12 miesiącach = 164% (koszty 1,4 mln zł, oszczędności i zyski: 2,3 mln zł).
   

Wyzwania i dobre praktyki (lessons learned)
 

1. Latency SLA: Wszystkie modele ML muszą działać poniżej 300 ms, reszta budżetu czasowego przypada na łącze LTE/5G. Total TAT < 1s na inferencję.
2. Explainability: Zespół compliance korzysta z dashboardów SHAP, które tłumaczą decyzje silnika risk-score. To krytyczne przy kontroli KNF lub GIIF.
3. Dane syntetyczne: Modele liveness i OCR trenowano także na danych GAN-augmented – przyspieszyło to rozwój o ok. 6 miesięcy i zwiększyło odporność na spoofing.
4. Fallback path: 1,5% użytkowników trafia do ręcznej weryfikacji (np. brak kamery, dokument uszkodzony). Webowa ścieżka z agentem zachowuje ciągłość procesu.

Compliance i prywatność
 

System zaprojektowany zgodnie z zasadą Privacy by Design:

• Homomorficzne szyfrowanie newralgicznych danych w chmurze (np. PESEL, numery dokumentów).
• Automatyczne wymazywanie metadanych geolokalizacji po 180 dniach.
• Regulator (KNF, GIIF) potwierdził zgodność z AML 5 oraz Art. 22 GDPR (profilowanie bez automatycznego odrzucenia bez wglądu ludzkiego).

Podsumowanie
 

Połączenie OCR, biometrii twarzy, analizy behawioralnej oraz silnika risk-score opartego na GNN umożliwiło tej instytucji przejście z ręcznego procesu do w pełni zautomatyzowanego onboardingowego lejka KYC. Szybsze decyzje, wyższa konwersja, mniejszy fraud i pełna zgodność z regulacjami to nie teoria – to realne wyniki.

Jeśli Twoja organizacja nadal opiera się na ręcznym KYC lub wydaje ponad 10 zł na weryfikację klienta, zwrot z inwestycji może nastąpić w mniej niż 12 miesięcy. Skontaktuj się z nami, aby zamówić audyt gotowości technologicznej i rozpocząć transformację.

Autor: JCD

Od przeszło dekady konsekwentnie przekształcamy zaawansowane idee w funkcjonalne aplikacje oraz internetowe platformy usługowe. Nasza działalność koncentruje się na głębokim zrozumieniu natury przedsiębiorstwa oraz kluczowych wymagań, które są fundamentem dla każdego przedsięwzięcia.

Stale łączymy metody kreatywne z systematycznym, badawczym podejściem, przekonani, że jedynie przez dogłębną analizę i zrozumienie specyfiki wyzwań, jesteśmy w stanie w pełni współpracować z naszymi klientami w celu kreowania innowacyjnych rozwiązań. Te rozwiązania nie tylko ulepszają doświadczenie użytkowników, ale również zapewniają naszym klientom strategiczną przewagę na rynku. Nasze procesy projektowe są zatem oparte na aktywnym słuchaniu, szczegółowej analizie i ciągłym dialogu z klientami. W ten sposób nieustannie pracujemy na rzecz tworzenia nie tylko technologii, ale także wartości, które wyznaczają nowe standardy w cyfrowym krajobrazie biznesu.