금융 / 디지털 은행
Nubank: 실시간 금융 사기 탐지의 운영 비용 개선
- 기업
- Nubank
- 국가
- 브라질
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
Nubank는 수백만 고객의 거래를 지켜본다. 배치 모델은 큰 데이터를 모아 두었다가 다음 날 예측을 내놓는다. 누가 신용카드를 훔쳐 결제를 시도하면 배치 모델은 다음 날에야 잡아낸다. 피해가 이미 끝난 뒤다. 사기 탐지는 몇 초만 늦어도 막을 거래를 놓친다.
적용한 기술과 데이터
Nubank는 실시간 모델을 Model Server 위에 올렸다. 사내 시스템과 연결하는 Clojure 층과 모델을 돌리는 Python 층을 합친 구조다. Clojure 층은 인증과 보안, 로깅을 맡고 Python 층은 추론만 한다. 지난 24시간 거래 같은 단기 특징은 실시간으로 계산해 hot 데이터베이스에 두고, 지난 90일 거래 같은 장기 특징은 배치로 미리 계산해 feature store로 준다. 모든 이벤트를 모델에 넣지는 않는다. 사전 정책 규칙으로 위험이 낮은 이벤트를 먼저 걸러낸다. 새 모델은 실제 데이터를 처리하되 고객 대상 판단에는 영향을 주지 않는 shadow mode로 먼저 돌린다.
성과
Nubank는 사기 탐지에서 모델이 처리하는 거래를 초당 2,800건에서 초당 20건으로 줄였다고 밝혔다. 샤드별로 쪼개 배포하던 방식을 하나의 pod 묶음에서 전 샤드를 처리하는 전역 배포로 바꾸면서 인프라 비용을 최대 30% 낮추고 안정성도 높였다고 설명했다. shadow mode에서는 PIX 거래 700ms 같은 SLA를 맞추는지 미리 확인한다.
한계와 남은 과제
30%는 인프라 비용 절감이지 사기 피해액 감소가 아니다. 원문은 탐지 정확도가 얼마나 달라졌는지 밝히지 않았다.
출처
- Practices to scale Machine Learning operations - Building Nubankbuilding.nubank.com, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.