IT Solutions/Big Data

도난 카드로 100만 원 플렉스? ‘수상한 결제’ AI가 잡는다!

2020. 6. 22. 09:30

“주부 카드로 심야에 유흥업소에서 100만 원 이상 결제되면 도난 카드 이용 의심”

“편의점에서 소액결제 후 30분 이내 고가 품목 구매 결제 시 분실 카드 이용 의심”


위의 사례들은 누구나 직관적으로 이해할 수 있는 사기 거래의 탐지 규칙입니다.

그렇지만 실제 지능적인 사기 거래는 정상 거래보다 더 정상에 가까워 보이도록 위장하는 특성이 있습니다. 숙련된 조사자는 사기 거래에 숨은 패턴을 놓치지 않고 적발해내지만 아무리 경험 많은 조사자라 하더라도 한 사람이 모든 유형의 사기 패턴을 파악하기는 어렵습니다. 그렇다면 여러 명의 숙련된 조사자의 경험과 노하우를 모아서 반복해 사용할 수 있으면 좋지 않을까요?


l 이상거래 탐지 시스템의 개념


짐작하듯이 과거에 조사자에게 적발된 사기 사례를 모아 인공지능에 학습시키면 조사 노하우를 전수받은 인공지능 모형을 만들 수 있습니다. 그리고 학습을 마친 인공지능 모형으로 실시간으로 발생하는 거래의 사기 여부를 탐지해 조사 업무를 자동화합니다.


똑똑한 조사 도우미를 학습시키게 되면 조사자의 업무를 효율화할 뿐 아니라 사기 탐지의 정확도를 높여서 사기 피해로 인한 사회적 비용 손실을 막을 수 있습니다. 이렇듯 인공지능은 이상거래 탐지에 적용하기에 아주 유용한 기술입니다.


 다양한 이상거래 탐지 분야와 탐지의 어려움


이상거래 탐지는 다양한 분야에 적용 가능합니다.

대표적으로 금융권에서는 카드업의 도난 및 분실 카드 악용, 보험업의 허위 보험 가입 및 위장된 보험금 청구, 은행의 대포통장 개설 및 보이스 피싱과 같은 사기 거래, 대부업의 허위 대출 및 대출 상환에서 발생하는 부도 여신 등이 있습니다.


금융권 외에도 건강보험과 같은 사회보험과 복지 혜택 분야에서의 부정 수급 탐지가 있으며, 일반 기업에서도 기업 내 외부에서 발생하는 다양한 유형의 부정 거래에 대한 감사 및 적발에 적용될 수 있습니다.


전통적으로 이상거래 탐지 시스템은 규칙 기반의 이상 탐지와 통계 모형 기반의 이상 스코어 산출 모델로 구성되어 있습니다.



규칙 기반 탐지는 과거 사례에 대한 지식을 기반으로 Black list와 White list를 구분하기 위한 Negative / Positive Rule을 도출해 ‘If ~ then ~’ 조건의 형태로 거래의 이상 여부를 탐지하는 구조이고, 통계 모형 기반 탐지는 확률 통계를 기반으로 이상 스코어를 산출하는 ‘y=f(x)’ 형태의 선형회귀 계열의 모델을 이용해 유의 점수를 산출하는 방식입니다.


규칙은 사기의 개연성을 직관적이고 명확하게 구분할 수 있으며, 이상 스코어 모델은 산출된 점수가 사용된 변수의 가중치로 설명 가능하다는 장점이 있습니다. 그렇지만 사기 유형이 이미 알려진 이후에 사후적으로 대응하는 근본적인 한계를 가지고 있으며, 사람의 직관을 넘어서는 비선형 관계를 가지는 복잡한 패턴은 탐지하기 어렵다는 한계도 가지고 있습니다.


 이상 탐지 분야에 인공지능의 적용 효과


최근에는 이러한 한계를 보완하기 위해 데이터에 숨겨진 복잡한 패턴을 스스로 학습하며 점차 지능화되어가는 특징을 가진 인공지능 딥러닝 기술을 적용해 FDS를 고도화하고 있습니다.


인공지능 딥러닝 기술은 과거 발생한 사기 사례와 정상 사례를 여러 번 반복해 읽어가는 학습 과정을 통해 사기와 관련된 세부적인 특징을 추출하고 복잡한 패턴을 탐지할 수 있습니다. 또한 최근의 ‘생성적 신경망 기술’을 이용하면 알려진 사기 사례를 복제해 유사하게 변형된 모조 사기를 학습할 수 있어서 변화하는 사기 패턴에 선제적으로 대응할 수 있습니다.



그렇지만 딥러닝은 구조적으로 ‘Black Box’화 된 모형으로 예측 근거에 대한 설명이 어렵다는 단점도 있습니다. 이러한 단점을 극복하기 위한 방법으로는 최근 발전하고 있는 설명 가능한 인공지능(XAI, eXplainable AI) 기술이 있습니다.


아직 충분한 설명은 어려운 초기 단계이지만 XAI를 이용해 인공지능 모형이 가지는 ‘Black Box’의 한계를 보완할 수 있으며, 예측의 원인을 설명하는 부가적인 정보도 제공할 수 있습니다.


최근 이상 탐지 분야에서 활용도가 높아지고 있는 또 다른 기술로는 그래프 기반 네트워크 분석이 있습니다. 이 기술을 이용하면 계좌, 카드, 이용자 등으로 구성된 네트워크망의 토폴로지 패턴을 분석해 사기 탐지에 활용할 수 있습니다. 이를 통해 SNS 상의 사기 범죄 공모나 개별 거래 정보만으로는 알 수 없는 사기 네트워크 집단에 대한 탐지가 가능하게 됩니다.



지금까지 간단하게 인공지능이 이상 탐지 분야에 어떤 도움을 줄 수 있는지를 알아봤습니다. 그렇다면 인공지능을 이상 탐지에 적용하기 위한 방법은 무엇일까요? 다음 글에서는 이상거래를 탐지하기 위한 인공지능의 학습 및 적발 과정을 알아보겠습니다.


글 l LG CNS Enterprise분석2팀


* 해당 콘텐츠는 저작권법에 의해 보호받는 저작물로 LG CNS 블로그에 저작권이 있습니다.

* 해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.



Posted by IT로 만드는 새로운 미래를 열어갑니다 LG CNS

댓글을 달아 주세요

  1. 재미난짱 2020.07.03 00:09  댓글주소  수정/삭제  댓글쓰기

    인공지능 딥러닝 굉장히 흥미로운 분야네요.

위로