300ms에 결론 내리는 사기 탐지 모델이 AI 빌더에게 주는 교훈

초저지연 사기 탐지 모델의 핵심: 300밀리초 의사결정

사기 방지는 규모와의 속도전이다. 마스터카드 네트워크는 연간 약 1,600억 건의 거래를 처리하고, 성수기엔 초당 7만 건까지 치솟는다. 소비자가 카드를 탭하거나 ‘구매’를 클릭하면 거래는 오케스트레이션 레이어를 거쳐 네트워크와 발급은행으로 흘러가며, 통상 300밀리초 이내에 끝난다. 최종 승인·거절은 은행이 하지만, 그 결정의 품질은 거래가 사기일 가능성에 대한 정밀하고 맥락화된 위험 점수에 달려 있다. DI Pro는 전통적 이상치 탐지에만 의존하지 않고, 소비자 행태와 유사하게 보이도록 설계된 거래 속에서 미세한 단서를 포착하는 사기 탐지 모델 접근을 취한다.

'역추천' RNN으로 거래 맥락 완성

DI Pro의 코어는 마스터카드가 ‘역추천(inverse recommender)’ 아키텍처라 부르는 순환신경망(RNN)이다. 이 모델은 추천 문제로 사기 탐지를 재구성해, 가맹점 간 관계를 ‘패턴 완성’ 방식으로 파악한다. “이 사용자가 과거에 어디를 이용했고 지금은 어디에 있는가, 이 맥락에서 이 가맹점은 말이 되는가—우리가 이 가맹점을 그들에게 추천했을까?”라는 질문을 통해 거래의 자연스러움을 점검한다. 또한 사용자 행동 패턴과 범죄자 행동 패턴이라는 두 축을 분리해내려는 시도로, 사기 탐지 모델의 혼동을 줄이고 민감도와 정밀도를 동시에 끌어올린다.

데이터 주권과 글로벌 학습의 양립

마스터카드는 데이터가 수집·처리·저장되는 관할의 법규를 준수하기 위해 ‘온소일(on soil)’ 원칙을 지키면서도, 완전 익명화된 집계 데이터를 활용해 글로벌 패턴을 모델에 반영한다. 민감 정보 없이 공유 가능한 특징만을 전 세계 모델이 학습하게 함으로써, 각 지역의 개별 거래 판단에 전지구적 이상 신호가 영향을 미치도록 한다. 요한 거버의 표현대로 “1년치 지식을 50밀리초로 압축해 단일 거래에 투영”하는 셈이며, 이는 현장 실무에서 사기 탐지 모델의 일반화 성능을 유지하는 열쇠가 된다.

사기꾼에게 역공: 허니팟과 그래프 분석

AI는 사기범에게도 무기가 된 만큼 방어자도 공격자의 터전에서 맞붙는다. 마스터카드는 사이버 범죄자를 유인하는 허니팟을 운영해, 합법적 피해자를 만났다고 믿는 위협 행위자와 AI 에이전트가 상호작용하도록 만든다. 목표는 자금 세탁에 쓰이는 머니뮬 계정에 접근하는 것이다. 일단 단서가 잡히면 그래프 기법으로 머니뮬과 합법 계정의 연결 고리를 추적해, 10단계 이상 은닉됐더라도 전 세계적 사기 네트워크를 지도화한다. 이는 예방·차단의 선순환을 가속화하는 강력한 방어 전략이다.

AI 빌더를 위한 실무 교훈: 속도, 정렬, 우선순위

이 사례는 AI 시스템을 설계·운영하는 빌더에게 뚜렷한 시사점을 준다. 첫째, 아키텍처 전반을 초저지연에 맞춰 설계하고, 오케스트레이션 레이어에서의 지연 예산을 엄격히 관리하라. 둘째, 레코디드퓨처와의 ‘멀웨어 샌드박스’처럼 보안·데이터 파트너십을 활용해 위협 인텔리전스를 제품화하라. 셋째, 데이터 사이언스 엔지니어링 요구사항 문서(DSERD)로 여러 엔지니어링 팀을 정렬시키고, ‘무자비한 우선순위화’로 사업 임팩트가 큰 과제를 남겨라. 마지막으로, 성공적 AI 배포는 아이데이션–액티베이션–임플리멘테이션 3단계를 모두 거쳐야 하며, 종종 생략되는 액티베이션 단계에서 실제 운영 환경 적합성 검증을 체계화하라. 이러한 원칙은 사기 탐지 모델뿐 아니라 광범위한 실시간 AI 응용에 동일하게 적용된다.