Read Original
#AI

AI, 고객 행동의 순서를 읽다: 카카오뱅크 시퀀스 기반 FDS 모델 개발기

AI, 고객 행동의 순서를 읽다: 카카오뱅크 시퀀스 기반 FDS 모델 개발기
01

Summary

"보이스피싱, 이제 '순서'로 잡는다" : 카카오뱅크의 ViT 기반 실시간 탐지 혁신

단일 거래 분석을 넘어 수천만 건의 고객 행동 시퀀스를 20ms 만에 읽어내는 딥러닝 기술의 정수

카카오뱅크는 진화하는 금융 사기에 대응하기 위해 이미지 처리 아키텍처인 ViT를 시계열 도메인으로 확장했습니다. 고객의 앱 활동과 거래 흐름을 하나의 시퀀스로 파악하고 대규모 실시간 서빙 시스템을 결합하여, 보이지 않던 사기 징후를 선제적으로 방어하는 새로운 탐지 패러다임을 제시합니다.

  • 01Vision Transformer를 금융 시계열 데이터 분석에 최적화하여 적용
  • 020.1% 미만의 극심한 클래스 불균형을 Arcface 기반 Metric Learning으로 극복
  • 03Gradient Attention Rollout 기법을 통한 AI 판단 근거의 시각적 히트맵 제공
  • 04Apache Flink와 NVIDIA Triton을 활용한 초당 수백만 건 로그 실시간 처리
  • 05전통적 통계 및 RNN 모델의 장기 의존성 한계를 Self-Attention으로 해결

RECOMMENDATION

대규모 트래픽 환경에서 실시간 시계열 분류가 필요한 엔지니어나, 극심한 데이터 불균형 상황에서 딥러닝 모델의 일반화 성능을 극대화하려는 AI 연구자에게 실무적인 인사이트를 제공합니다.

The Problem

기존 FDS는 개별 거래 시점의 데이터만 분석하여 정교화된 보이스피싱의 연속적인 행동 패턴을 탐지하기 어려웠으며, 0.1% 이하의 극심한 데이터 불균형과 수동적인 변수 가공 비용 문제를 안고 있었습니다.

The Solution

이미지 분석 기술인 Vision Transformer(ViT)를 시계열 데이터에 맞게 변형하여 도입하고, Metric Learning 기반의 2단계 학습 전략과 Gradient Attention Rollout 기법을 통해 실시간 탐지 및 설명 가능한 AI 환경을 구축했습니다.

The Result

일평균 1,800만 건 이상의 추론 요청을 평균 20ms 이내로 처리하고 있으며, 기존 시스템이 놓치던 사기 유형을 포착하여 일일 이용 고객의 약 30%를 보이스피싱 위협으로부터 실시간 모니터링하는 성과를 냈습니다.

Trade-off

표준 ViT 구조는 금융 데이터의 특수한 시계열 패턴과 불균형에 직접 적용하기 어려워, 모델의 복잡도를 높이는 커스텀 패치 경로와 별도의 임베딩 학습 단계를 추가하는 설계 및 관리 비용을 감수해야 했습니다.

03

Key Concepts

Concept · 01

Vision Transformer (ViT)

이미지를 여러 개의 패치로 나누어 트랜스포머 구조로 처리하는 딥러닝 모델로, 위치 정보와 국소적 특징을 효과적으로 학습합니다.

  • 금융 거래 데이터를 패치 단위로 분할하여 개별 포인트와 구간별 맥락을 동시 학습
  • 병렬 연산이 유리한 트랜스포머 구조를 통해 실시간 서빙의 성능 요구사항 충족
Concept · 02

Metric Learning

데이터 간의 거리나 유사도를 직접 학습하여 임베딩 공간에서 클래스 간의 경계를 명확히 구분하는 기법입니다.

  • Arcface 손실 함수를 적용하여 정상 거래와 사기 거래의 임베딩 분별력 강화
  • 분류 전용 학습 전 단계인 Representation Learning을 통해 클래스 불균형 문제 해결
Concept · 03

Gradient Attention Rollout

트랜스포머 내부의 어텐션 흐름에 그래디언트 정보를 결합하여 모델이 특정 결과에 도달한 기여도를 추적하는 기술입니다.

  • 고객 행동 시퀀스 중 어떤 이벤트가 사기 판단에 결정적이었는지 히트맵으로 시각화
  • 블랙박스 모델인 AI의 판단 근거를 운영팀이 직관적으로 이해할 수 있도록 지원