머신 러닝 - Isolation Forests를 이용한 사기 거래 탐지
점점 더 상호 연결되는 디지털 세계에서 전통적인 매장 내 판매 시점 단말기부터 온라인 결제 게이트웨이까지 다양한 시스템을 통해 매일 수십억 건의 거래가 발생합니다. 이러한 시스템은 큰 기회를 제공했으며 독특한 비즈니스 모델을 가진 새로운 혁신적인 비즈니스를 탄생시키는 데 도움을 주었습니다. 상당한 이점이 있었지만 한편으로는 점점 더 정교해지는 사이버 범죄도 급격히 증가했습니다.
사이버 범죄의 가장 일반적인 형태 중 하나인 신용 카드 사기는 전 세계 금융 부문에서 수십억 달러의 손실을 차지합니다. 매일 발생하는 거래의 수를 고려할 때 금융 기관이 사이버 범죄자와 싸우는 것은 어려운 일입니다. 최근 기계 학습의 발전으로 사기성 거래를 식별하고 탐지하는 새로운 방법이 등장했습니다. 정확한 사기 식별은 거래가 진행되기 전에 고객에게 경고하고 추가 확인을 요청하는 것과 같은 자동화된 완화 전략을 가능하게 합니다.
본 사례 연구는 신용카드 사기 식별에 대한 머신러닝 지향적 접근 방식을 탐구합니다. 머신러닝은 다양한 환경에서 효과적임이 입증되었으며, 대용량 데이터를 실행하는 데에도 효율적이어서 은행 시스템을 구현하는 소프트웨어 엔지니어에게 필수적인 고려 사항입니다.
인공 지능을 통한 문제 해결
이상 탐지는 전통적으로 통계 분야 내의 문제였습니다. 기존 방법은 데이터셋이 정규 분포 내에 있다고 가정합니다. 따라서, 정규에서 크게 벗어나는 데이터 포인트를 관찰하여 이상치를 탐지합니다. 이 방법의 단점은 데이터셋이 정규 분포를 따르지 않는 경우 이 기법의 효과가 제한된다는 것입니다.
최근 알고리즘 발전을 활용한 머신 러닝 접근 방식이 나중에 시도되었으며, 이는 매우 효과적이고 확장 가능하며 앞서 언급한 통계적 방법의 한계를 극복하는 것으로 입증되었습니다. 금융 부문 외부에서는 널리 채택되지 않았지만, 이러한 방법 중 많은 부분이 현재 은행권에서 프로덕션화되었습니다.
2008년 [1]에서는 이상치의 고유한 특성을 활용하여 새로운 접근 방식이 개발되었는데, 이상치는 일반적으로 대부분의 데이터 포인트에 대해 격리되어 있다는 것입니다. 이 특성을 고려할 때, 데이터 포인트를 둘러싸는 임의의 분할을 생성하여 데이터 포인트를 격리할 수 있으며, 데이터 포인트를 격리하는 데 필요한 분할이 적을수록 해당 데이터 포인트가 이상치일 가능성이 높습니다. 개발된 알고리즘은 선형 시간 복잡도를 가지며, 훈련 데이터가 제한된 경우에도 잘 작동하는 것으로 입증되었습니다. 이는 광범위한 훈련 데이터를 요구하는 일반적인 접근 방식과 대조됩니다.
조직적 과제 개요
매일 수십억 건의 거래가 발생한다는 점을 고려할 때, 사기성 이상치를 탐지하고 실시간으로 모델을 실행하는 것은 어렵습니다. 시각적 검사를 통해 건초더미에서 바늘을 찾는 것이 바늘을 찾는 것과 같다는 점이 강조됩니다. 다음 이미지는 시간에 따른 은행 거래를 보여주며, 합법적인 거래는 녹색이고 사기성 거래는 빨간색입니다. 사기성 거래를 분리해 내기는 어렵습니다. 금융 기관은 규정을 준수하기 위해 사기 방지를 시도해야 합니다. 이는 고객의 기대이기도 합니다. 일반적으로 사기가 발생하면 금융 기관은 고객 만족도를 유지하기 위해 비용을 부담합니다.
조직은 사기 탐지와 같이 확장성이 필요한 문제를 해결하기 위해 디지털 전환 여정의 일환으로 기계 학습 방법을 점점 더 많이 활용하고 있습니다. 사기를 탐지하는 많은 지표는 일반적으로 데이터 웨어하우스 내에 저장됩니다. 법정 회계 기술 또한 기계 학습 모델의 입력으로 사용되는 지표를 결정하는 데 있어 상당히 발전되어 있습니다.
Isolation forests는 Kaggle 신용카드 데이터셋 [2]에 적용되었으며, 사기성 거래를 감지하는 데 99%의 효과가 있는 것으로 입증되었습니다 [3]. 작동하는 일반적인 접근 방식이 결정된 상태에서, 대부분의 조직은 연구를 수행해야 하는 것보다 대규모로 작동하는 구현 과제에 직면합니다. & 솔루션을 개발합니다.
ML 입력으로 사용 가능한 조직 데이터
금융 기관에서 사용하는 데이터 소스는 다음과 같습니다:
- 고객 메타데이터.
- 거래 타임스탬프 및 금액.
- 고객의 거래 내역.
- 거래의 지리적 위치.
- 벤포드의 법칙.
통합 방법론
다음은 조직 내에서 그러한 피드를 분석하기 위해 당사가 수행하는 상위 수준의 프로세스에 대한 개요입니다:
- 입력으로 사용할 수 있는 ERP 시스템의 재무 지표를 식별하세요.
- 초기 데이터셋으로 격리 포레스트를 학습시키고, 최근의 사기성 거래 패턴을 감지할 수 있도록 앞으로도 계속해서 모델을 학습시킵니다.
- 유입되는 거래에 대해 Isolation Forest를 실행하기 위해 Telemus AI™ API를 호출하면, API는 모델을 기반으로 사기성 거래일 확률에 대한 추정치를 반환합니다.
- 잠재적으로 사기성인 거래에 대해 사기 팀과 고객에게 알리기 위한 맞춤형 워크플로우 및 프로세스 설정
Telemus AI™은 강력한 머신러닝 모델을 읽도록 하여 귀하의 조직이 기술적 구현보다 비즈니스 로직에 집중할 수 있도록 합니다.
조직적 응용 프로그램
귀하의 조직을 위한 기타 잠재적 애플리케이션의 목록은 다음과 같습니다:
- 사기성 거래 탐지.
- 사기성 직원 청구 탐지.
- 인적 자원 추적 시스템을 통해 비정상적인 조직 행동 확인.
잠재적 및 실현된 이점
금융 사기가 초래하는 막대한 시간과 비용, 그리고 초래할 수 있는 평판 손상과 고객 불만을 고려할 때, 사기를 적극적으로 예방하는 것은 운영 규모에 따라 수백만 달러, 심지어 수십억 달러까지 절약할 수 있습니다. 규제 기관 또한 지속적으로 더 엄격한 컴플라이언스 가이드라인을 발표하고 있습니다. 금융 기관이 사기를 예방하고 퇴치하기 위한 프로세스, 절차 및 시스템을 갖출 것이라는 기대가 있습니다. 규제 기술, 즉 RegTech는 미래를 향해 나아가는 많은 조직의 운영 부서 내에서 많은 혁신을 주도할 잠재력을 가진 신흥 분야입니다.
Telemus AI™은 정부 및 기업에 고급 솔루션을 제공하는 호주 기반의 인공지능 기업입니다. Telemus AI™을 귀하의 조직에 어떻게 통합할 수 있는지 무료 상담을 위해 오늘 당사에 문의하십시오.
참고 문헌
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou
[2] - 신용카드 사기 탐지 - Kaggle
[3] - 신용카드 사기 탐지에서의 머신 러닝 - S Joel Franklin
