FDS에 지속 성장하는 ML 모델을 적용한 사례

카카오페이는 하루 1,300만 건, 월 4억 건 이상의 방대한 거래를 보호하기 위해 **FDS(Fraud Detection System)**를 운영한다. 기존의 Rule 기반 탐지는 정교해지는 사고 패턴을 모두 막기 어렵고, 일반적인 정적(Static) ML은 데이터 분포가 변하면 성능이 저하되는 한계가 있다.

이를 해결하기 위해 카카오페이는 적응형(Adaptive) ML을 도입했다. 적응형 ML은 **지속적 학습(Continuous Train)**을 통해 최신 데이터를 반영하고, **피처의 자가 적응(Self Adaptation)**을 통해 데이터 변화(Data Drift)에 스스로 대응하며 새로운 사고 유형을 탐지한다.

모델 운영에는 자동화된 MLOps 체계가 활용된다. Airflow를 통해 주기적으로 최신 데이터를 학습하며, Hadoop과 Feature Store(HBase, Redis)의 데이터를 활용한다. 학습된 모델은 Mlflow를 통해 기존 모델과 성능을 비교한 뒤, 유의미한 개선이 확인되면 Triton Inference Server에 즉시 배포된다.

이러한 구조를 통해 신규 출시된 게임 아이템 등 기존 모델이 학습하지 못한 새로운 결제 사고 패턴도 빠르게 탐지하고 대응할 수 있다.