금융 / 결제
Adyen: 결제 승인, 사기, 수수료의 동시 최적화
- 기업
- Adyen
- 국가
- 네덜란드
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 검색 도구의 본문 발췌 확인
업무 문제
결제 한 건은 여러 단계가 서로 엮여 있다. 고객에게 주는 결제 경험은 예측된 위험에 달려 있고, 그 위험은 인증 결과와 결제 경로 선택에 영향을 받으며, 경로는 다시 비용을 바꾼다. 예전에는 단계마다 모델이 따로 돌았다. 사기 모델은 chargeback 확률이 기준을 넘으면 거래를 막았고 인증 모델은 그 사정을 모른 채 경로를 정했다.
적용한 기술과 데이터
Uplift의 AI는 성격이 다른 여러 machine learning 모델을 묶어 서로의 판단을 공유하게 했다. 모델들은 message passing으로 조건을 주고받고 Reinforcement Learning으로 사기와 비용과 전환을 함께 맞추는 하나의 목표를 향해 최적화된다. 입력값은 Feature Platform이 공급한다. 느리고 복잡한 feature는 Spark로, 빠른 feature는 Apache Flink로 계산해 여러 지역 데이터센터의 Cassandra에 저장한다. 추론 서비스 Alfred는 한 모델만 principal로 두고 새 모델은 ghost와 challenger 단계로 올린다. ghost는 결과에 영향을 주지 않고 기록만 남기며 challenger는 정해진 비율의 트래픽에서만 결과에 관여하는데, 통계적으로 principal보다 낫다고 확인되면 자리를 바꾼다.
성과
Adyen은 2024년 Black Friday와 Cyber Monday 나흘 동안 6억 7000만 건의 거래를 처리했다고 밝혔다. 이 기간 모든 거래가 AI endpoint를 2개에서 5개까지 거쳤고 각 지점에 주어진 지연 시간은 중앙값 20ms였다고 했다. Weak Supervision을 운영에 적용해 recall을 22% 올리고 승인율 손실을 46% 줄였으며 발급사 거절률에서 13% 개선을 얻었다고 밝혔다. Off-Policy Evaluation으로는 성과 없는 AB 테스트에 버리던 시간을 연간 20주 아꼈고 반년 동안 거래를 900만에서 5400만 건 더 얻은 것으로 추정했다.
한계와 남은 과제
이 글은 Adyen이 자사 기술을 직접 설명한 자료이며 개별 가맹점의 결제 승인 개선폭은 밝히지 않았다. 데이터 플랫폼 규모 수치는 2025년 초 기준이다.
출처
- The AI behind Uplift - Adyenadyen.com, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.