AI, 고객 행동의 순서를 읽다: 카카오뱅크 시퀀스 기반 FDS 모델 개발기
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.
Key Concepts
More from 카카오뱅크
View all posts from 카카오뱅크금융사를 위한 AWS GameDay 2026: 카카오뱅크 2연패 이야기 🏆
AWSDevOpsAI1개월 전사람이 기다리지 않는 담보심사시스템 설계
Deferred BatchAsynchronous ProcessingCore Banking3개월 전금융 보안 퀴즈, AI에게 풀게 해봤습니다: 2025 금융 AI Challenge 우수상 후기
LLM OptimizationMoERAG5개월 전Agentic AI의 시대, AWS re:Invent 2025 현장을 가다
Agentic AIAWS re:Invent 2025Amazon Bedrock5개월 전리액트의 현재와 미래, 그리고 AI: React Summit US 2025 참관기
ReactAI EngineeringRust6개월 전