사기 냄새가 난다? FDS 시스템에 AI 적용하기

기존의 Rule 기반 FDS는 사전에 정의된 규칙에 의존하기 때문에 새로운 사기 패턴에 대응하기 어렵고, 규칙을 지속적으로 업데이트해야 하는 운영 부담과 사기꾼의 규칙 회피 가능성이라는 한계가 있었다.

이를 해결하기 위해 ML(Machine Learning) 기반 FDS를 도입하여 유연성과 적응성을 높였다. ML 모델은 다양한 데이터를 학습하여 예측하지 못한 패턴을 탐지하며, 정밀도와 재현율을 개선해 오탐률과 미탐률을 낮출 수 있다.

시스템 구현을 위해 다음과 같은 3단계 프로세스를 구축했다.

• 실시간 데이터 파이프라인: Kafka를 통해 은행 데이터를 실시간으로 흐르게 하고, Flink를 사용하여 이벤트를 처리한다.
• Feature Store: 전처리된 데이터를 저장하여 모델 학습과 서빙에 재활용할 수 있도록 관리한다.
• ML 모델 서빙: Feature Store의 데이터를 활용해 모델을 추론하고 결과를 고객에게 제공한다.

특히 데이터 사이언티스트(DS)와 엔지니어 간의 협업 효율을 높이기 위해, DS는 이벤트 처리 로직에, 엔지니어는 이벤트 엔지니어링 및 서빙 서버 개발에 집중하는 구조를 채택했다.