결제가 디지털화되고, 온라인 쇼핑이 급증하고, 더 많은 사람들이 집에서 일을 하기 때문에, 사기의 기회는 그 어느 때보다 크고 더 좋다. 매년, 사기꾼들은 수백만 명의 고객을 속이고, 은행에서 수십억 달러를 빼돌리고, 기업들에게 눈시울을 붉히는 양의 수익을 희생시킨다.

아마존, 에어비앤비, 옐프와 같은 기업들은 사기 계정, 가짜 임대 목록, 가짜 리뷰를 제거하기 위해 오랫동안 인공지능에 의존해왔다. 그러나 대부분의 조직에는 효율적인 부정 행위 감지를 위한 방탄 AI 파이프라인을 구축할 수 있는 리소스가 없습니다. 대신, 느리고 지루한 기술 스택과 빠르게 진화하는 부정 행위 추세를 따라잡기 위해 머신 러닝(ML) 모델을 생산하기 위해 고군분투하는 좌절감을 느끼는 데이터 과학 팀들이 종종 있습니다.

이러한 추세를 앞서기 위해 가장 일반적인 부정 행위 유형 및 규모에 관계없이 조직이 향상된 부정 행위 탐지를 위해 ML 운영을 신속하고 경제적으로 최적화할 수 있는 방법을 소개합니다.

가장 일반적이고 비용이 많이 드는 부정 행위 유형

대부분의 사람들이 사기에 대해 생각할 때, 그들은 일반적으로 나이 지긋한 사람이 전화로 전혀 모르는 사람에게 은행 정보를 자원하거나 “Netflux”의 이메일에서 눈에 띄게 명백한 피싱 링크를 클릭하는 것을 상상한다.

실제로, 사기는 훨씬 더 음흉할 수 있으며 다양한 방식으로 모든 유형의 기업에 영향을 미칩니다. 다음은 모든 기업이 알아야 할 몇 가지 일반적인 유형의 부정 행위입니다.

결제 사기: 온라인 거래의 증가는 지불 사기에 대한 더 많은 기회를 의미하며, 전세계 손실은 2027년까지 연간 406억 2천만 달러에 이를 것으로 예상된다. 기업의 경우, 결제 사기는 가짜 결제 카드부터 같은 회사의 다른 지사로 보내진 중복 청구서까지 다양하다. 가장 인기 있는 것은 “공인된 푸시 결제 사기” 또는 APP로, 직원을 속여 송금하도록 하는 것이다. 2019년에는 구글과 페이스북 직원들조차 속아 약 1억 달러의 가짜 송장을 지불했다.

돈세탁: 이것은 전 세계적으로 매년 약 2조 달러의 비용이 드는 광범위한 범죄이다. 범죄자들은 불법 영업으로 벌어들인 ‘더러운 돈’을 일련의 은행 송금이나 상거래를 통해 ‘청소’한다. 비록 대부분의 기업들이 부당하게 큰 거래나 불규칙한 활동에 대해 경보를 울리는 시스템을 가지고 있지만, 그것은 여전히 감지하기 어렵기로 악명 높다.

기계 학습이 부정 행위 탐지 비용을 어떻게 청구하는지

부정행위는 비용 상승과 함께 증가하는 위협입니다. 피할 수 없는 것처럼 보일 수도 있지만, 현관문을 잠그면 도둑이 침입하는 것을 막을 수 있는 것과 같은 방식으로, 견고한 사기 탐지 시스템을 갖추면 회사의 피해자가 될 위험이 줄어듭니다.

전 세계 기업들은 5성급 분석가 팀보다 더 빠르고 정확하게 부정 행위를 탐지하고 대처하기 위해 ML에 돈을 걸고 있습니다. 이를 실현하기 위해 ML이 수행하는 작업은 다음과 같습니다.

• 부정 행위 패턴을 보다 신속하게 인식: 부정 거래는 동일한 카드를 사용하지만 IP 주소가 다른 여러 온라인 구매와 같이 합법적인 거래와 구별되는 특정 패턴을 따르는 경향이 있습니다. ML은 수십 개의 소스에 흩어져 있는 데이터를 통합하여 인간이 할 수 있는 것보다 더 빨리 패턴을 학습하고 탐지한다. 그런 다음 의심스러운 사례에 우선순위를 부여하고 과거 데이터와 고급 분석을 기반으로 미래의 위험을 예측합니다.

• 동작의 이상 징후를 정확하게 식별: ML 알고리듬은 데이터의 바다에서 미세한 세부 사항을 포착하는 데 탁월하다. 그들은 약간 높은 은행 송금이나 대출 신청에 대한 잘못된 정보처럼 인간 분석가가 놓칠 수 있는 미묘한 이상 징후를 탐지할 수 있다. ML은 사용 가능한 모든 데이터를 사용하여 고객 행동을 보다 깊이 이해하고, 잠재적인 부정 행위를 정확히 파악하며, 고객 경험을 방해할 수 있는 잘못된 긍정을 방지할 수 있습니다.

• 실시간 데이터 처리: 부정 행위는 실시간으로 발생하며, 효과적인 실시간 데이터 분석 및 탐지가 필요합니다. 예를 들어 누군가가 도난당한 신용 카드를 사용하여 구매를 시도하는 경우 해당 시도를 포착하고 사기 거래가 발생하기 전에 이를 거부하려고 합니다. ML은 들어오는 모든 데이터를 즉시 분석하여 새로운 사기 지표를 발견하고, 새로운 시도에 앞서기 위해 모델을 자동으로 업데이트할 수 있다.

느리고 복잡한 ML 배포 시스템의 문제

문제는 부정 행위에 대한 효과적인 대응을 구축하는 것이 아니라 ML 모델을 처음부터 운영하는 것입니다. 대부분의 프로덕션 AI 플랫폼은 오늘날의 디지털 환경에 보조를 맞추는 데 필요한 엄청난 양의 데이터와 빠른 분석을 처리할 수 없습니다. 이렇게 하면 다음과 같은 일련의 제약이 생깁니다.

• 신속한 실험을 차단합니다. ML 모델을 생산에 투입하고 잊어버리는 것만큼 간단했으면 좋겠다. 데이터 과학자의 업무 중 큰 부분은 새로운 사기 전술보다 앞서기 위해 ML 알고리듬의 정확도를 실험, 재교육 및 향상시키는 것이다. 이는 데이터 과학자들이 개념 표류를 조기에 포착하고 이전 데이터에 기초한 잘못된 부정 예측을 피할 수 있도록 지속적인 모니터링과 함께 진행된다.

• 모델을 실시간으로 실행할 수 없음: 새로운 형태의 공격이 매일 발생하고 있으므로, 부정 행위에 대처하려면 ML 모델이 사용 가능한 최신 데이터에 액세스해야 합니다. 이는 대부분의 AI 플랫폼이 (예: 2주마다) 주기적인 처리만 처리할 수 있다는 점을 제외하고 실시간으로 데이터를 처리하는 것을 의미합니다. 대기하는 동안 모델은 문제가 발생하기 전에 새로운 사기 패턴을 탐지할 수 있는 중요한 정보를 놓칩니다.

• 확장하기에는 너무 복잡하고 비용이 많이 듭니다. 모델을 실시간으로 재교육하고 재배치하는 데 막대한 인프라 및 엔지니어링 오버헤드가 필요하므로 모든 조직이 충분한 자금을 조달할 수 있는 것은 아닙니다. 무질서한 ML 파이프라인을 사용하면 데이터 과학 팀에 시간과 노력을 더하고 회계 부서의 비용도 증가합니다. 이는 필연적으로 진행이 지연되고 더 빠르게 진행되는 부정 행위에 대한 지원을 위험하게 합니다.

Wallaru가 ML 부정 행위 이니셔티브를 가속화하는 방법

부정 행위 모델을 개발하고 훈련하는 데 있어 데이터 과학자들은 TensorFlow, Scikit-learn, XGBoost 등과 같은 강력한 오픈 소스 프레임워크의 넉넉한 풀에서 선택할 수 있다. 그러나 이러한 모델을 실제 데이터에 대해 프로덕션 환경에 구현하려면 일반적으로 대규모 데이터 엔지니어링 팀과 대규모 인프라 구축에 연간 수백만 달러를 투자해야 합니다.

더욱이, AI 전환의 초기 단계에 있는 경우 ML 생산을 가능하게 하는 적절한 팀, 기술 및 인프라를 구축하고 개발하는 데 1-2년이 걸릴 수 있습니다.

생산 AI의 엔터프라이즈 플랫폼인 왈라루가 등장하는 대목이다. Wallaru는 데이터 과학 프로젝트를 위한 로켓 부스터 역할을 하며 팀이 ML 모델을 훨씬 더 빠르고, 훨씬 적은 비용으로 생산하도록 지원합니다.

프로덕션, 실험, 모니터링 및 확장을 간소화하는 데 필요한 모든 도구를 갖춘 Wallaroo는 ML 모델을 적시 통찰력으로 신속하게 전환하여 24시간 비즈니스를 보호할 수 있습니다.

Wallaru가 귀사를 위해 할 수 있는 일은 다음과 같습니다.

• ML 모델을 몇 초 이내에 프로덕션 환경에 배포합니다.

• 데이터 과학자가 지속적으로 더 나은 모델을 위해 ML 알고리즘을 신속하게 실험, 재교육 및 재도입할 수 있습니다.

• 정기적인 처리 및 실시간 데이터 스트리밍을 지원하여 새로운 위협에 대응합니다.

• 자세한 정보 보고서 및 실시간 분석을 제공하여 부정 시도에 즉시 대응할 수 있도록 지원합니다.

Wallaru는 보안, 소매, IoT 및 기타 많은 사용 사례에서 이미 큰 성과를 거두었지만, 특히 부정 행위 탐지에 매우 적합합니다. 예를 들어, 신용카드 사기의 경우, 금융 기관은 최근 거래와 과거 고객 행동(금액, 위치, 지출 패턴 등)을 기반으로 한 매우 정확한 통찰력을 얻기 위해 Wallau의 실시간 처리에 의존할 수 있습니다.

이를 통해 모델은 부정 행위 가능성을 밀리초 단위로 예측할 수 있을 뿐 아니라 데이터 과학 팀과 비즈니스 헤드에게 예측된 부정 거래 수 및 과거 실제 대비 달러 단위의 잠재적 가치와 같은 최신 분석 기능을 제공할 수 있습니다. 이 정보를 보려면 아래 그래프에서 요약 및 Wallau가 제공할 수 있는 자세한 감사 정보의 예를 선택하십시오.