KR20210092482A - 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법 - Google Patents

인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법 Download PDF

Info

Publication number
KR20210092482A
KR20210092482A KR1020200005943A KR20200005943A KR20210092482A KR 20210092482 A KR20210092482 A KR 20210092482A KR 1020200005943 A KR1020200005943 A KR 1020200005943A KR 20200005943 A KR20200005943 A KR 20200005943A KR 20210092482 A KR20210092482 A KR 20210092482A
Authority
KR
South Korea
Prior art keywords
fraudulent
fraudulent transaction
detection model
transaction detection
model
Prior art date
Application number
KR1020200005943A
Other languages
English (en)
Other versions
KR102412432B1 (ko
Inventor
강정석
백성훈
Original Assignee
주식회사 에이젠글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to KR1020200005943A priority Critical patent/KR102412432B1/ko
Publication of KR20210092482A publication Critical patent/KR20210092482A/ko
Priority to KR1020220074582A priority patent/KR102652424B1/ko
Application granted granted Critical
Publication of KR102412432B1 publication Critical patent/KR102412432B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

인공지능을 이용한 사기거래 탐지 시스템이 개시된다. 본 발명의 일 실시예에 따른 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템은, 제1 기간의 금융거래 데이터와 제2 기간의 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 모델 생성부, 제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 사기 탐지부 및 상기 사기 탐지부가 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 검정부를 포함한다.

Description

인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법{FRAUD DETECTION SYSTEM AND METHOD USING ARTIFICIAL INTELLIGENCE }
본 발명은 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법에 관한 것이다. 더 구체적으로는, 금융거래 데이터를 기초로 서로 다른 시간에 생성된 사기거래 탐지 모델에 대해 가설 검정을 하여 높은 성능이 나오는 모델을 선택하고, 또 다른 모델과 가설 검정을 반복적으로 수행하는 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법에 관한 것이다.
사기거래 탐지 시스템(FDS; Fraud Detection System)은 금융기관(카드사, 보험사 등)의 입장에서 비정상적인 거래를 조기에 차단하여 기관 및 고객의 자산을 보호하는 시스템이다.
금융기관은 룰(Rule) 방식, 즉 특정 조건을 사전에 등록한 뒤 해당 조건을 만족하는 거래를 차단하는 방식으로 사기거래 탐지 업무를 진행해왔다. 그러나 해당 방식은 수많은 사기거래 케이스에 대해 현업 담당자가 수작업으로 룰을 정의해야 했고, 새로운 사기거래 케이스가 발생할 경우 기민하게 대처하기 어려운 단점이 있었다.
그러나 최근 머신러닝(Machine Learning), 딥러닝(Deep Learning)과 같이 인공지능을 구축하는 기술의 발전에 따라, 사기거래 탐지 시스템에도 새로운 방식이 도입되었다. 예컨대, 기존에 수집해둔 정상 또는 사기 거래 데이터를 이용하여 사기거래 탐지 모델을 학습시키고 개별 거래에 대해 데이터를 입력하면 사기 거래 확률을 도출하는 스코어(Score) 방식이 고안되었다.
하지만 스코어 방식도 거래 방식의 다양화 및 사기거래 수법의 다양화 등으로 기존에 학습된 적이 없었던 사기거래 패턴이 발생하여 사기거래 탐지 모델의 예측 성능이 점차 떨어지는 문제가 발생하였다. 또한, 사기거래 패턴은 계절에 따라 패턴이 달라지는 계절성도 있어, 특정 기간 동안은 높은 성능을 보이는 모델이라도, 그 외의 기간 동안은 성능이 떨어지는 문제도 발생하여 사기거래 탐지 성능의 일관성을 보장하기 어려웠다.
이처럼 사기거래 탐지 모델의 성능이 떨어질 경우, 사기거래를 제대로 탐지하지 못해 사기거래 건에 대한 대고객 업무를 수행하는 현업 인력에 과도한 업무가 부과되는 등 금융기관은 과도한 운영 비용을 지출하게 된다.
KR 10-2058697 B1 (2019. 12. 23.)
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 다양화되는 사기거래 패턴을 실시간으로 재학습하여, 사기거래 탐지 시스템에서 사용하는 사기거래 탐지 모델의 고성능을 보장할 수 있는 시스템을 제공하고자 한다.
또한, 사기거래 탐지 모델에 대한 성능에 대한 가설 검정 결과에 따라 지속해서 신규 데이터를 학습한 사기거래 탐지 모델을 재생성하여 사기거래 탐지 시스템의 성능을 보장할 수 있는 시스템을 제공하고자 한다.
본 발명의 해결 과제들은 이상에서 언급한 내용으로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들을 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템은, 제1 기간의 금융거래 데이터와 제2 기간의 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 모델 생성부, 제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 사기 탐지부 및 상기 사기 탐지부가 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 검정부;를 포함하고, 상기 모델 생성부는, 상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성하며, 상기 사기 탐지부는, 제4 기간의 금융거래 데이터를 상기 검정부에서 유지한 사기거래 탐지 모델과 상기 제3 사기거래 탐지 모델에 입력하여 사기거래를 탐지하는 것을 기간에 따라 연속적으로 수행할 수 있다.
또한, 상기 모델 생성부는, 하나의 상기 기간에 있어서, 하나 이상의 학습 알고리즘 각각에 따라 하나 이상의 상기 사기거래 탐지 모델을 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템은, 상기 하나 이상의 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함할 수 있다.
또한, 상기 검정부는, 상기 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델의 탐지 성능은 차이가 없는 것을 귀무가설로, 상기 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 있는 것을 대립가설로 설정하고, 상기 귀무가설을 검정하기 위해, 맥니마 검정(McNemar Test)를 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템은, 상기 제1 사기거래 탐지 모델 및 상기 제2 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함하고, 상기 검증부는 상기 귀무가설이 기각되면, 상기 성능 검증부가 선정한 탐지 모델을 유지할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법은, 제1 기간의 금융거래 데이터와 제2 기간의 제2 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 제1 모델 생성 단계, 제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 제1 사기 탐지 단계, 상기 제1 사기 탐지 단계에서 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 검정 단계, 상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성하는 제2 모델 생성 단계 및 상기 제4 기간의 금융거래 데이터를 상기 검정 단계에서 유지한 사기거래 탐지 모델과 상기 제3 사기거래 탐지 모델에 입력하여 사기거래를 탐지하는 제2 사기 탐지 단계;를 포함하고, 기간에 따라 상기 검정 단계, 상기 제2 모델 생성 단계 및 상기 제2 사기 탐지 단계를 연속적으로 수행할 수 있다.
또한, 상기 제1 모델 생성 단계 또는 제2 모델 생성 단계는, 하나의 상기 기간에 있어서, 하나 이상의 학습 알고리즘 각각에 따라 하나 이상의 상기 사기거래 탐지 모델을 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법은, 상기 하나 이상의 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증 단계를 더 포함할 수 있다.
또한, 상기 검정 단계는, 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 없는 것을 귀무가설로, 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 있는 것을 대립가설로 설정하고, 상기 귀무가설을 검정하기 위해, 맥니마 검정(McNemar Test)를 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법은, 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함하고, 상기 검증부는 상기 귀무가설이 기각되면, 상기 성능 검증부가 선정한 탐지 모델을 유지할 수 있다.
본 발명은 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법을 전산적으로 실행하기 위한 프로그램을 기록한 컴퓨터로 판독가능한 기록매체를 포함한다.
본 발명의 일 실시예에 따른 사기거래 탐지 시스템 및 사기거래 탐지 방법은 사기거래 탐지를 수행하는 사기거래 탐지 모델의 성능을 검정하고, 그 결과에 따라 신규 데이터로 학습된 새로운 사기거래 탐지 모델을 재생성하므로 사기거래 탐지 시스템의 고성능을 보장할 수 있다.
또한, 성능이 하향되면 반복적으로 새로운 사기거래 탐지 모델을 재생성하므로 새로운 패턴의 사기거래에 기민하게 대응할 수 있다.
또한, 기간적 특성을 보이는 사기거래 패턴에도 시스템 스스로 대응할 수 있다.
또한, 상기 언급한 효과로 인해 금융기관의 운영 비용도 줄일 수 있다.
본 발명의 효과들은 이상에서 언급한 내용으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 사기거래 탐지 시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 사기거래 탐지 시스템의 구체적인 블록도이다.
도 3은 본 발명의 일 실시예에 따른 사기거래 탐지 방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 사기거래 탐지 방법의 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.
본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.
또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 바람직한 실시예에 대하여 설명한다.
이하, 금융거래는 재화 대 재화 또는 재화 및 서비스를 주고받는 행위를 말하며, 여기서 서비스는 기업 측에서 제공하는 금융상품 또는 용역일 수 있다. 또는 개인 대 개인 간의 거래도 포함할 수 있다. 예를 들면, 신용카드를 이용하여 상품을 구매하는 행위, 보험금을 청구하여 보험금을 수령하는 행위 등이 있을 수 있다.
이하, 거래 정보는 상기 금융거래에 대한 정보를 말하며, 금융기관 서비스를 이용하여 금융거래한 고객에 관한 정보, 해당 금융거래와 관련된 정보 등을 포함한 데이터일 수 있다. 예컨대, 상기 고객에 관한 정보는 고객의 신상정보 그리고 신용정보, 연체정보 등일 수 있으며, 상기 금융거래와 관련된 정보는 상기 금융거래의 거래금액, 거래항목, 결제방법 등일 수 있다.
이하, 사기거래(Fraud)는 속임수나 거짓말을 이용한 금융거래를 이용하여 금전적 이득이나 금융 혜택을 얻는 행위일 수 있다. 예를 들면, 카드 부정 사용, 투자 사기, 기관 투자 사기, 지적 재산권 사기, 보험 관련 사기, 보험금 과다 청구 또는 지급, 시장 조작, 반경쟁 행위, 세금 사기 등이 있다.
도 1은 본 발명의 일 실시예에 따른 사기거래 탐지 시스템의 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 사기거래 탐지 시스템(10)은 모델 생성부(100), 사기거래 탐지부(200) 및 검정부(300)를 포함할 수 있다.
모델 생성부(100)는 기존의 금융거래 데이터를 기초로 사기거래 탐지 모델을 생성할 수 있다. 여기서, 상기 사기거래 탐지 모델은 상기 금융거래 데이터를 학습 데이터로 이용해 인공지능 기계학습을 통해 생성될 수 있다. 또한, 모델 생성부(100)는 하나 이상의 학습 알고리즘을 이용하여 상기 사기거래 탐지 모델을 하나 이상 생성할 수 있다. 예컨대, 상기 학습 알고리즘은 로지스틱 회귀(Logistic Regression Support), 서포트 벡터 머신(Support Vector Machine), 심층 신경망(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 케이-최근접 이웃(Kth-Nearest Neighbor), 결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 엑스지부스트(XGBoost; eXtreme Gradient Boosting), 캣부스트(CatBoost; Categorical Gradient Boosting), 에이다부스트(AdaBoost; AdaBoosting) 등일 수 있거나, 이들 중 하나 이상의 학습 알고리즘의 앙상블일 수 있다.
사기거래 탐지부(200)는 모델 생성부(100)가 생성한 상기 사기거래 탐지 모델을 적용하여, 상기 신규 금융거래 데이터를 입력하여, 해당 금융거래가 사기거래일 여부를 판단할 수 있다. 사기거래 탐지 모델은 신규 금융거래 데이터가 입력 데이터로 입력되면 해당 금융 거래가 사기거래일 확률을 결과값으로 출력할 수 있다. 또한, 사기거래 탐지부(200)는 하나 이상의 사기거래 탐지 모델을 적용하여 각각의 모델에 따라 해당 금융거래의 사기거래 여부를 판단할 수 있다.
사기거래 탐지부(200)의 사기거래 여부 판단은 사기 확률값 기초로 수행될 수 있다. 사기거래 탐지부(200)는 적용된 상기 사기거래 탐지 모델을 이용하여 상기 신규 금융거래에 대해 해당 금융거래가 사기일 가능성인 상기 사기 확률값을 산출하고, 산출한 상기 사기 확률값이 미리 정해진 컷오프(Cut-Off) 값 이상이면 해당 금융거래를 사기거래라고 판단할 수 있다.
검정부(300)는 복수의 사기거래 탐지 모델의 성능을 비교할 수 있고, 그 중 하나의 탐지 모델을 유지할 수 있다. 검정부(300)는 ‘하나의 사기거래 탐지 모델과 다른 사기거래 탐지 모델의 성능이 동일하다’를 귀무가설로, ‘하나의 사기거래 탐지 모델과 다른 사기거래 탐지 모델의 성능이 동일하지 않다’를 대립가설로 설정하고 상기 귀무가설을 검정할 수 있다. 검정부(300)는 미리 정해진 검정 기준에 따라 상기 귀무가설을 검정하고, 미리 정해진 기준에 따라 상기 귀무가설을 채택 또는 기각할 수 있다. 검정부(300)는 상기 귀무가설을 기각하면, 상기 대립가설을 채택할 수 있다.
검정부(300)가 상기 귀무가설을 기각하면, 비교하는 상기 사기거래 탐지 모델들 중 가장 성능이 높은 상기 사기거래 탐지 모델을 유지시킬 수 있다.
도 2는 본 발명의 일 실시예에 따른 사기거래 탐지 시스템의 구체적인 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 사기거래 탐지 시스템(10)은 재학습 데이터 저장부(400) 또는 성능 검증부(500)를 더 포함할 수 있다.
재학습 데이터 저장부(400)는 상기 사기거래 탐지 모델의 재학습을 위해 상기 사기거래 탐지 모델에 입력된 금융거래 데이터를 저장할 수 있다.
상기 금융거래 데이터는 거래 정보(410) 및 사기거래 데이터(420)를 포함할 수 있다. 거래 정보(410)는 사기거래의 탐지를 위해 사기거래 탐지부(200)가 상기 사기거래 탐지 모델에 입력하는 데이터일 수 있고, 사기거래 데이터(420)는 사기거래 탐지부(200)가 상기 사기거래 탐지 모델에 입력한 거래 정보(410)의 금융거래에 대하여 상기 사기거래 탐지 모델이 산출한 사기 확률값(421), 산출된 사기 확률값(421)에 따라 사기거래 탐지부(200)이 사기거래라고 판단한 사기거래 판단 여부(422) 및 사기거래 탐지부(200)가 사기거래라고 판단한 금융거래에 대해서 금융기관이 사후적으로 실제 사기거래 여부를 심사하여 확정한 심사확정정보를 포함하는 데이터일 수 있다.
성능 검증부(500)는 하나 이상의 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 사기거래 탐지 모델을 선정할 수 있다. 상기 미리 정해진 기준은 예컨대, 수신자 조작 특성(ROC AUC Score; Receiver operating characteristics Area Under the ROC Curve Score) 곡선 지표, 케이에스 통계량 지표(KS score; Kolmogorov-Smirnov Statistics Score), 사기 탐지율과 같은 기준일 수 있다.
일 실시예에 있어서, 사기거래 탐지 시스템(10)은 제1 과정(S10), 제2 과정(S20) 및 제3 과정(S30)으로 동작할 수 있다.
이하, 제1 기간, 제2 기간, 제3 기간, …, n기간은 시간의 흐름에 따라 구분될 수 있다. 예컨대, 제1 기간은 제2 기간보다 과거의 기간을 의미할 수 있고, 제3 기간은 제 2기간보다 미래의 기간을 의미할 수 있다.
제1 과정(S10)은 모델 생성부(100)가 제1 기간의 금융거래 데이터를 기초로 제1 사기거래 탐지 모델(M100)을 생성하는 동작과 사기거래 탐지부(200)가 제2 기간의 금융거래 데이터를 제1 사기거래 탐지 모델(M100)에 입력하여 제2 기간의 금융거래 중 사기거래를 탐지하는 동작과, 상기 제2 기간의 금융거래 데이터를 재학습 데이터 저장부(400)에 저장하는 동작을 수행할 수 있다.
여기서, 사기거래 탐지부(200)가 제1 사기거래 탐지 모델(M100)에 입력하는 상기 제2 기간의 금융거래 데이터는 상기 제2 기간에 발생한 금융거래의 거래정보일 수 있다. 또한, 재학습 데이터 저장부(400)에 저장되는 상기 제2 기간의 금융거래 데이터는 사기거래 탐지부(200)이 제1 사기거래 탐지 모델(M100)이 입력하는 상기 거래정보 및 상기 거래정보의 금융거래에 대한 사기거래 데이터일 수 있다.
제1 사기거래 탐지 모델(M100)이 복수 생성되면, 제1 과정(S10)은 성능 검증부(500)가 복수의 제1 사기거래 탐지 모델(M101, M102, M103)의 탐지 성능을 미리 정해진 기준을 기초로 검증하여, 가장 탐지 성능이 좋은 제1 사기거래 탐지 모델(M102)을 선정하는 동작을 포함할 수 있다. 이때, 사기거래 탐지부(200)는 성능 검증부(500)가 선정한 제1 사기거래 탐지 모델(M102)을 이용하여 사기거래를 탐지할 수 있다.
사기거래 탐지 시스템(10)은 제1 과정(S10)을 수행한 후, 제2 과정(S20)을 수행할 수 있다. 제2 과정(S20)의 사기거래 탐지 시스템(10)의 동작은 제1 과정(S10)과 유사하다.
보다 구체적으로 사기거래 탐지 시스템(10)이 수행하는 제2 과정(S20)에 대해 설명하면, 제2 과정(S20)에서, 모델 생성부(100)는 제2 사기거래 탐지 모델(M200)을 생성하되, 재학습 데이터 저장부(400)에 저장된 제2 기간의 거래 정보(410)와 제2 기간의 사기거래 데이터(421)에 기초하여 제2 사기거래 탐지 모델(M200)을 생성할 수 있다. 제2 과정(S20)에서, 사기거래 탐지부(200)는 제2 사기거래 탐지 모델(M200)에 제3 기간의 금융거래 데이터를 입력하여, 제3 기간의 금융거래 중 사기거래를 탐지할 수 있다. 또한, 제2 과정(S20)에서, 사기거래 탐지 시스템(10)은 제3 기간의 금융거래 데이터를 재학습 데이터 저장부(400)에 저장하는 동작을 수행할 수 있다.
여기서, 제1 과정(S10)과 유사하게, 사기거래 탐지부(200)가 제2 사기거래 탐지 모델(M200)에 입력하는 상기 제3 기간의 금융거래 데이터는 상기 제3 기간에 발생한 금융거래의 거래정보일 수 있다. 또한, 재학습 데이터 저장부(400)에 저장되는 상기 제2 기간의 금융거래 데이터는 사기거래 탐지부(200)이 제2 사기거래 탐지 모델(M200)이 입력하는 상기 거래정보 및 상기 거래정보의 금융거래에 대한 사기거래 데이터일 수 있다.
또한, 제2 사기거래 탐지 모델(M200)도, 제1 사기거래 탐지 모델(M100)과 유사하게, 모델 생성부(100)에 적용되는 학습 알고리즘에 따라 하나 이상 모델 생성부(100)에 의해 생성될 수 있다. 이때, 성능 검증부(500)는 하나 이상의 제2 사기거래 탐지 모델(M200)의 탐지 성능을 미리 정해진 기준을 기초로 검증하여, 가장 탐지 성능이 좋은 제2 사기거래 탐지 모델(M201)을 선정할 수 있다. 성능 검증부(500)에 의해 선정된 제2 사기거래 탐지 모델(M201)은 사기거래 탐지부(200)에 이용될 수 있다.
일 실시예에서, 제2 과정(S20)을 수행하는 사기거래 탐지부(200)는 제2 사기거래 탐지 모델(M201)뿐 아니라, 제1 사기거래 탐지 모델(M102)에도 상기 제3 기간의 금융거래 데이터를 입력하여, 상기 제3 기간의 금융거래 중 사기거래를 탐지할 수 있다.
이 경우, 사기거래 탐지부(200)는 제1 사기거래 탐지 모델(M101) 및 제2 사기거래 탐지 모델(M202)을 독립적으로 적용하여 동일한 제3 기간에 발생한 금융거래에 대해서 각각 독립적으로 사기거래를 탐지할 수 있다. 또한, 제1 사기거래 탐지 모델(M101)과 제2 사기거래 탐지 모델(M202)이 각각 탐지한 상기 사기거래와 관련된 사기거래 데이터는 각각 독립적인 항목으로 재학습 데이터 저장부(400)에 저장될 수 있다.
사기거래 탐지 시스템(10)이 수행하는 제3 과정(S30)은, 검정부(300)가 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)에 대한 가설을 설정하고, 설정된 가설을 검정 후, 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201) 중 탐지 성능으 높은 탐지 모델을 유지시키는 동작일 수 있다.
여기서, 검정부(300)가 설정하는 가설은 귀무가설과 대립가설일 수 있다. 상기 귀무가설은 ‘제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)의 탐지 성능은 차이가 없다’일 수 있고, 상기 대립가설은 ‘제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)의 탐지 성능은 차이가 있다’일 수 있다.
일 실시예에서, 검정부(300)는 상기 귀무가설을 검정하며, 상기 귀무가설을 검정하기 위해 맥니마 검정(McNemar Test)을 수행할 수 있다. 검정부(300)가 수행하는 맥니마 검정은 다음과 같다. 이때, 상기 맥니마 검정은 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)을 이용하여 각각의 사기거래 데이터가 포함된 제3기간의 금융거래 데이터를 기초로 수행될 수 있다.
Figure pat00001
표 1과 같이, 검정부(300)는 재학습 데이터 저장부(400)에 저장된 제3 기간의 금융거래 데이터를 사기거래 탐지부(200)가 탐지를 시도한 제3 기간의 금융거래 중 실제 사기거래로 확정된 금융거래에서 사기거래 탐지부(200)가 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)을 이용하여 사기거래로 판단한 건수를 분할표(contingency table)로 분류할 수 있다.
표 1에서, Na는 실제 사기거래로 확정된 금융거래 중 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201)이 사기거래로 탐지한 건수일 수 있고, Nb는 실제 사기거래로 확정된 금융거래 중 제1 사기거래 탐지 모델(M102)은 사기거래로 탐지했으나 제2 사기거래 탐지 모델(M201)은 사기거래로 탐지하지 못한 건수일 수 있다. Nc는 실제 사기거래로 확정된 금융거래 중 제1 사기거래 탐지 모델(M102)은 사기거래로 탐지하지 못하고 제2 사기거래 탐지 모델(M201)은 사기거래로 탐지한 건수일 수 있으며. Nd는 실제 사기거래로 확정된 금융거래 중 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201) 둘다 사기거래로 탐지하지 못한 건수일 수 있다.
검정부(300)는 표 1의 각 수치를 이용하여 수학식 1과 같이 카이제곱분포(
Figure pat00002
)값을 산출할 수 있다.
Figure pat00003
검정부(300)는 산출한 상기 카이제곱분포값으로 유의확률(p-value)를 산출할 수 있다. 이때, 자유도는 1일 수 있다. 검정부(300)는 산출한 상기 유의확률이 미리 설정한 유의수준(
Figure pat00004
)이하이면 상기 귀무가설을 기각하고, 상기 대립가설을 채택할 수 있고, 산출한 상기 유의확률이 미리 설정한 유의수준(
Figure pat00005
) 초과이면 상기 귀무가설을 채택할 수 있다. 유의수준(
Figure pat00006
)는 사용자 설정에 따라 달라질 수 있다.
검정부(300)가 검정과에 따라 상기 귀무가설을 기각하고 대립가설을 채택하면 성능 검증부(500)가 제1 사기거래 탐지 모델(M102)과 제2 사기거래 탐지 모델(M201) 중 탐지 성능이 더 좋은 모델을 선정할 수 있다. 검정부(300)는 성능 검증부(500)가 선정한 탐지 모델을 유지시키고, 선정하지 않은 모델은 폐기할 수 있다.
모델 생성부(100)는 상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성할 수 있다. 사기거래 탐지 시스템(10)은 성능 검증부(500)가 선정한 탐지 모델을 제1 과정(S10)의 제1 사기거래 탐지 모델로 설정하고, 모델 생성부(100)를 이용하여 생성한 상기 제3 사기거래 탐지 모델을 제2 과정(S20)의 제2 사기거래 탐지 모델로 설정하여, 일련의 제2 과정(S20) 및 제3 과정(S30)을 기간에 따라 연속적으로 반복하여 수행할 수 있다.
반복되는 제2 과정(S20)에서, 사기거래 탐지부(200)은 제4 기간의 금융거래 데이터를 각각의 탐지 모델에 입력하여 상기 제4 기간의 금융거래 중 사기거래를 탐지할 수 있다. 또한, 반복될 때 마다, 탐지한 기간의 금융거래 데이터가가 아닌 미래 기간의 금융거래 데이터가 입력될 수 있다.
사기거래 탐지 시스템(10)은 실시간 최신 금융거래 데이터를 이용하여 새로운 사기거래 탐지 모델을 지속해서 생성하고, 생성한 새로운 사기거래 탐지 모델을 가설검정으로 탐지 성능을 지속해서 검정할 수 있다. 이에 따라, 시간의 흐름에 따라 신규 사기거래 패턴의 등장과 같은 이유로 사기거래 탐지 모델의 탐지 성능이 낮아지는 문제를 해결할 수 있다.
또한, 사기거래 탐지 시스템(10)은 복수의 사기거래 탐지 모델 중 탐지 성능을 비교 검증하여 시스템에 남겨둘 탐지 모델을 선택하므로, 인력 개입없이 높은 탐지 성능을 자동으로 지속할 수 있다. 따라서, 사기거래 탐지 시스템(10)을 운영하는 금융기관의 운영비용과 인력비용을 줄일 수 있다.
또한, 사기거래 탐지 시스템(10)은 사기거래 탐지 모델의 검정 수단으로 통계적 수단을 이용하므로 높은 검정 신뢰도를 얻을 수 있다.
도 3은 본 발명의 일 실시예에 따른 사기거래 탐지 방법의 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방븝은, 제1 모델 생성 단계(S110), 제1 사기거래 탐지 단계(S120), 검정 단계(S130), 제2 모델 생성 단계(S140) 및 제2 사기거래 탐지 단계(S150)를 포함할 수 있다.
일 실시예에서, 제1 모델 생성 단계(S110)는 제1 기간의 금융거래 데이터와 제2 기간의 제2 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 단계일 수 있다.
제1 사기거래 탐지 단계(S120)는 제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 단계일 수 있다.
검정 단계(S130)는 상기 제1 사기 탐지 단계에서 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 단계일 수 있다.
제2 모델 생성 단계(S140)는 상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성하는 단계일 수 있다.
제2 사기거래 탐지 단계(S150)는 상기 제4 기간의 금융거래 데이터를 상기 검정 단계에서 유지한 사기거래 탐지 모델과 상기 제3 사기거래 탐지 모델에 입력하여 사기거래를 탐지하는 단계일 수 있다.
또한, 일 실시예에서, 인공지능을 이용한 사기거래 탐지 방법은, 기간에 따라 검정 단계(S130), 제2 모델 생성 단계(S140) 및 제2 사기 탐지 단계(S150)를 연속적으로 수행할 수 있다.
도 4는 본 발명의 일 실시예에 따른 사기거래 탐지 방법의 흐름도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법은, 성능 검증 단계(S220) 또는 재학습 데이터 저장 단계(S240)를 더 포함할 수 있다.
제1 모델 생성 단계(S210) 및 제2 모델 생성 단계(S250)에서는, 하나 이상의 학습 알고리즘 각각에 따라 하나 이상의 제1 사기거래 탐지 모델 또는 하나 이상의 제2 사기거래 탐지 모델을 생성할 수 있다. 성능 검증 단계(S220)는, 제1 모델 생성 단계(S210) 또는 제2 모델 생성 단계(S250)에서 제1 사기거래 탐지 모델 또는 제2 사기거래 탐지 모델이 복수개 생성되면 수행되는 단계일 수 있다. 보다 구체적으로, 성능 검증 단계(S220)는 상기 하나 이상의 제1 사기거래 탐지 모델 또는 상기 하나 이상의 제2 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 단계일 수 있다. 성능 검증 단계(S220)는 필요할 때마다 수시로 호출되어 재수행될 수 있다.
제1 사기거래 탐지 단계(S230) 또는 제2 사기거래 탐지 단계(S260)에서는 각각의 단계 이전에 수행되는 성능 검증 단계(S220)에서 선정한 상기 제1 사기거래 탐지 모델 또는 상기 제2 사기거래 탐지 모델이 적용되어 제1 사기거래 또는 제2 사기거래를 탐지하는 단계일 수 있다.
여기서, 제1 사기거래는 제1 사기거래 탐지 단계(S230)에서 상기 제1 사기거래 탐지 모델이 탐지한 사기거래일 수 있고, 제2 사기거래는 상기 제2 사기거래 탐지 단계(S260)에서 제2 사기거래 탐지 모델이 탐지한 사기거래일 수 있다.
제2 사기거래 탐지 단계(S260)는 신규 실시간 금융거래에 대해 제2 사기거래를 탐지하는 단계일 수 있다. 여기서, 신규 실시간 금융거래는 제1 사기거래 탐지 단계(S230)에서 입력되는 실시간 금융거래와 다른, 미래의 실시간 금융거래일 수 있다. 제2 사기거래 탐지 단계(S260)가 수행되면 독립적으로 제1 사기거래 탐지 단계(S230)도 재수행될 수 있다. 이때 수행되는 제1 사기거래 탐지 단계(S230)는 제2 사기거래 탐지 단계(S260)에서 입력되는 상기 신규 실시간 금융거래와 동일한 금융거래에 대해 제1 사기거래를 탐지하는 단계일 수 있다.
재학습 데이터 저장 단계(S240)는 제1 사기거래 탐지 단계(S230)과 제2 사기거래 탐지 단계(S260)에서 입력되는 금융거래 데이터와 각각의 단계에서 탐지하는 상기 제1 사기거래 또는 상기 제2 사기거래와 관련된 상기 제1 사기거래 데이터 또는 상기 제2 사기거래 데이터를 저장하는 단계일 수 있다. 재학습 데이터 저장 단계(S240)는 필요할 때마다 수시로 재수행될 수 있다. 여기서, 상기 제1 사기거래 데이터 또는 상기 제2 사기거래 데이터는 사기거래로 판단된 거래건에 대해 사후적으로 사기거래 여부를 확정한 심사확정 정보를 포함할 수 있다.
제2 모델 생성 단계(S250)에서는 재학습 데이터 저장 단계(S240)에서 저장된 상기 제1 사기거래 데이터를 기초로 상기 제2 사기거래 탐지 모델이 생성될 수 있다.
가설 검정 단계(S270)는 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 없는 것을 귀무가설로, 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 있는 것을 대립가설로 설정하고, 상기 귀무가설을 검정하기 위해, 상기 제1 사기거래 데이터 및 상기 제2 사기거래 데이터를 기초로 기초로 맥니마 검정(McNemar Test)를 수행하는 단계일 수 있다.
가설 검정 단계(S270)에서 귀무 가설을 기각하고, 대립 가설을 채택하면, 성능 검증 단계(S220)를 재수행하여 탐지 성능이 더 좋은 모델을 선정하고, 선정한 탐지 모델을 신규 제1 사기거래 탐지 모델로 설정하고, 신규 제2 사기거래 탐지 모델을 재생성하도록 상기 제2 모델 생성 단계로 회귀하여 상기 가설검정을 재수행할 수 있다.
본 명세서에 기재된 다양한 실시예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.
또한, 예를 들어, 다양한 실시예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대, 명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체 및 하나의 장소로부터 다른 장소로 컴퓨터 프로그램의 이송을 용이하게 하는 임의의 매체를 포함하는 통신 매체 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다. 예를 들어, 이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM 또는 기타 광학디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스 또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스가능한 명령들 또는 데이터 구조들의 형태로 반송하거나 저장하는데 이용될 수 있는 임의의 다른 매체를 포함할 수 있다.
이러한 하드웨어, 소프트웨어, 펌웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.
특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
10: 사기거래 탐지 시스템 100: 모델 생성부
200: 사기거래 탐지부 300: 검정부
400: 재학습 데이터 저장부 500: 성능 검증부

Claims (11)

  1. 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템으로서,
    제1 기간의 금융거래 데이터와 제2 기간의 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 모델 생성부;
    제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 사기 탐지부; 및
    상기 사기 탐지부가 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 검정부;를 포함하고,
    상기 모델 생성부는, 상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성하며,
    상기 사기 탐지부는, 제4 기간의 금융거래 데이터를 상기 검정부에서 유지한 사기거래 탐지 모델과 상기 제3 사기거래 탐지 모델에 입력하여 사기거래를 탐지하는 것을 기간에 따라 연속적으로 수행하는 것인 인공지능을 이용한 사기거래 탐지 시스템.
  2. 제1항에 있어서,
    상기 모델 생성부는,
    하나의 상기 기간에 있어서, 하나 이상의 학습 알고리즘 각각에 따라 하나 이상의 상기 사기거래 탐지 모델을 생성하는 것인 인공지능을 이용한 사기거래 탐지 시스템.
  3. 제2항에 있어서,
    상기 하나 이상의 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함하는 것인 인공지능을 이용한 사기거래 탐지 시스템.
  4. 제1항에 있어서,
    상기 검정부는,
    상기 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델의 탐지 성능은 차이가 없는 것을 귀무가설로, 상기 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 있는 것을 대립가설로 설정하고,
    상기 귀무가설을 검정하기 위해, 맥니마 검정(McNemar Test)를 수행하는 것인 인공지능을 이용한 사기거래 탐지 시스템.
  5. 제4항에 있어서,
    상기 제1 사기거래 탐지 모델 및 상기 제2 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함하고,
    상기 검증부는 상기 귀무가설이 기각되면, 상기 성능 검증부가 선정한 탐지 모델을 유지하는 것인 인공지능을 이용한 사기거래 탐지 시스템.
  6. 컴퓨팅 장치에 의해 수행되는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 방법으로서,
    제1 기간의 금융거래 데이터와 제2 기간의 제2 금융거래 데이터 각각을 기초로 인공지능 기계학습을 수행하여 제1 사기거래 탐지 모델과 제2 사기거래 탐지 모델을 생성하는 제1 모델 생성 단계;
    제3 기간의 금융거래 데이터를 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델에 각각 입력하여 사기거래를 탐지하는 제1 사기 탐지 단계;
    상기 제1 사기 탐지 단계에서 탐지한 결과 데이터를 기초로 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델을 비교하여 그 중 하나의 모델을 유지하는 검정 단계;
    상기 제3 기간의 금융거래 데이터를 기초로 인공지능 기계학습을 수행하여 제3 사기거래 탐지 모델을 생성하는 제2 모델 생성 단계; 및
    제4 기간의 금융거래 데이터를 상기 검정 단계에서 유지한 사기거래 탐지 모델과 상기 제3 사기거래 탐지 모델에 입력하여 사기거래를 탐지하는 제2 사기 탐지 단계;를 포함하고,
    기간에 따라 상기 검정 단계, 상기 제2 모델 생성 단계 및 상기 제2 사기 탐지 단계를 연속적으로 수행하는 것인 인공지능을 이용한 사기거래 탐지 방법.
  7. 제6항에 있어서,
    상기 제1 모델 생성 단계 또는 제2 모델 생성 단계는,
    하나의 상기 기간에 있어서, 하나 이상의 학습 알고리즘 각각에 따라 하나 이상의 상기 사기거래 탐지 모델을 생성하는 것인 인공지능을 이용한 사기거래 탐지 방법.
  8. 제7항에 있어서,
    상기 하나 이상의 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증 단계를 더 포함하는 것인 인공지능을 이용한 사기거래 탐지 방법.
  9. 제6항에 있어서,
    상기 검정 단계는,
    상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 없는 것을 귀무가설로, 상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델의 탐지 성능은 차이가 있는 것을 대립가설로 설정하고,
    상기 귀무가설을 검정하기 위해, 맥니마 검정(McNemar Test)를 수행하는 것인 인공지능을 이용한 사기거래 탐지 방법.
  10. 제9항에 있어서,
    상기 제1 사기거래 탐지 모델과 상기 제2 사기거래 탐지 모델 중 미리 정해진 기준에 기초하여 가장 성능이 좋은 상기 사기거래 탐지 모델을 선정하는 성능 검증부를 더 포함하고,
    상기 검증부는 상기 귀무가설이 기각되면, 상기 성능 검증부가 선정한 탐지 모델을 유지하는 것인 인공지능을 이용한 사기거래 탐지 방법.
  11. 제6항 내지 제10항 중 어느 한 항에 따른 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독가능한 기록매체.
KR1020200005943A 2020-01-16 2020-01-16 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법 KR102412432B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200005943A KR102412432B1 (ko) 2020-01-16 2020-01-16 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법
KR1020220074582A KR102652424B1 (ko) 2020-01-16 2022-06-20 가설 검정 및 성능 검증을 통한 사기거래 탐지 모델을 선정하는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200005943A KR102412432B1 (ko) 2020-01-16 2020-01-16 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220074582A Division KR102652424B1 (ko) 2020-01-16 2022-06-20 가설 검정 및 성능 검증을 통한 사기거래 탐지 모델을 선정하는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법

Publications (2)

Publication Number Publication Date
KR20210092482A true KR20210092482A (ko) 2021-07-26
KR102412432B1 KR102412432B1 (ko) 2022-06-23

Family

ID=77124893

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200005943A KR102412432B1 (ko) 2020-01-16 2020-01-16 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법
KR1020220074582A KR102652424B1 (ko) 2020-01-16 2022-06-20 가설 검정 및 성능 검증을 통한 사기거래 탐지 모델을 선정하는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220074582A KR102652424B1 (ko) 2020-01-16 2022-06-20 가설 검정 및 성능 검증을 통한 사기거래 탐지 모델을 선정하는 금융거래에 대한 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법

Country Status (1)

Country Link
KR (2) KR102412432B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014141344A1 (ja) * 2013-03-14 2014-09-18 日本電気株式会社 データ予測装置
KR20190086134A (ko) * 2018-01-12 2019-07-22 세종대학교산학협력단 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
KR102058697B1 (ko) 2019-02-12 2019-12-23 (주)Yh데이타베이스 뉴럴네트워크를 이용한 자동학습 기반의 딥러닝 학습 모델을 위한 이상징후 탐지 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014141344A1 (ja) * 2013-03-14 2014-09-18 日本電気株式会社 データ予測装置
KR20190086134A (ko) * 2018-01-12 2019-07-22 세종대학교산학협력단 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
KR102058697B1 (ko) 2019-02-12 2019-12-23 (주)Yh데이타베이스 뉴럴네트워크를 이용한 자동학습 기반의 딥러닝 학습 모델을 위한 이상징후 탐지 시스템

Also Published As

Publication number Publication date
KR102652424B1 (ko) 2024-03-29
KR20220088836A (ko) 2022-06-28
KR102412432B1 (ko) 2022-06-23

Similar Documents

Publication Publication Date Title
Nami et al. Cost-sensitive payment card fraud detection based on dynamic random forest and k-nearest neighbors
Adewumi et al. A survey of machine-learning and nature-inspired based credit card fraud detection techniques
CN106803168B (zh) 一种异常转账侦测方法和装置
Nune et al. Novel artificial neural networks and logistic approach for detecting credit card deceit
KR102009310B1 (ko) 이상행위 요인 분석 시스템 및 분석 방법
TWI769190B (zh) 風險管控方法及裝置
US8355896B2 (en) Co-occurrence consistency analysis method and apparatus for finding predictive variable groups
US10909540B2 (en) Using fuzzy inference to determine likelihood that financial account scenario is associated with illegal activity
Mishra et al. A comparative study of chebyshev functional link artificial neural network, multi-layer perceptron and decision tree for credit card fraud detection
Zhou et al. Fraud detection within bankcard enrollment on mobile device based payment using machine learning
TWI752349B (zh) 風險識別方法及裝置
Suryanarayana et al. Machine learning approaches for credit card fraud detection
Pun Improving credit card fraud detection using a meta-learning strategy
CN111325550A (zh) 一种欺诈交易行为识别方法和装置
CN113011973A (zh) 基于智能合约数据湖的金融交易监管模型、系统、设备
KR102412432B1 (ko) 인공지능을 이용한 사기거래 탐지 시스템 및 사기거래 탐지 방법
Besenbruch Fraud detection using machine learning techniques
Talekar et al. Credit Card Fraud Detection System: A Survey
Parthasarathy et al. Comparative case study of machine learning classification techniques using imbalanced credit card fraud datasets
Choi et al. Classification model for detecting and managing credit loan fraud based on individual-level utility concept
Aziz et al. Increasing Accuracy of Ensemble Logistics Regression Classifier by Estimating the Newton Raphson Parameter in Credit Scoring
Jamil et al. SUSTAINABLE FRAUD DETECTION IN GREEN FINANCE EMPOWERED WITH MACHINE LEARNING APPROACH
Widenhorn et al. International School of Management, Karlstraße 35, 80333 Munich, Germany andreas. widenhorn@ ism. de Experteer, Lenbachpl. 3, 80333 Munich, Germany
Choksi et al. Blockchain-based Smart P2P Lending using Neural Networks
Wardani et al. Measuring and Mitigating Bias in Bank Customers Data with XGBoost, LightGBM, and Random Forest Algorithm

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant