其他行业 · AI应用
利用AI自动化身份验证
Veriff面临高效验证用户身份同时保持高准确率和最小化成本的挑战。为此，公司实施了Amazon SageMaker和Amazon Rekognition，实现了机器学习模型的快速部署。这一方法不仅将模型部署时间从两周缩短到两天，还使训练成本降低了27%。结果，Veriff现在能在不到一秒内验证用户面部，显著提升客户体验，并巩固其在安全和网络领域的地位。
模型部署时间
2天
来源披露
ML模型训练成本
降低27%
来源披露
面部验证速度
不到1秒
来源披露
01
业务背景
Veriff面临高效验证用户身份同时保持高准确率和最小化成本的挑战。为此，公司实施了Amazon SageMaker和Amazon Rekognition，实现了机器学习模型的快速部署。这一方法不仅将模型部署时间从两周缩短到两天，还使训练成本降低了27%。结果，Veriff现在能在不到一秒内验证用户面部，显著提升客户体验，并巩固其在安全和网络领域的地位。
02
遇到的问题
Veriff面临日益增长的欺诈活动频率和复杂性，需要优化身份验证解决方案的成本和性能，以保持领先地位。其核心挑战是在确保高准确率和客户体验的同时，实现高效的模型部署和低成本运营。传统模型部署流程长达两周，训练成本高昂，难以满足快速扩展的需求。
03
AI 解决方案
Veriff采用Amazon SageMaker多模型端点，将文档验证模型的部署时间从两周缩短到不到一天，并利用该平台进行成本优化的模型训练。同时，集成Amazon Rekognition的面部识别API，自动比对身份证件照片与用户自拍，实现人脸验证。通过完全托管的AI服务，Veriff得以在全球范围内快速扩展、提升效率并降低运营成本。
04
实施结果
模型部署时间：2天（从2周缩短至2天）
ML模型训练成本：降低27%（节省27%）
面部验证速度：不到1秒（达到不到1秒的验证速度）
05
风险与边界
未披露
“Now we can scale our identity solution globally, minimizing bias and creating a seamless verification process for all.”
Geo Jolly · Senior Product Manager of AI, Veriff
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。