사플리 값 활용: 사기 방지 전략

온라인 사기가 끊임없이 진화하는 환경에서, 기존 규칙 기반 시스템은 정교한 공격에 종종 한계를 드러냅니다. 머신러닝(ML)은 강력한 대안을 제시하지만, ML 모델이 특정 예측을 내린 이유를 이해하는 것이 중요합니다. 특히 금융 거래 및 신원 확인과 같은 중요한 시나리오에서는 더욱 그렇습니다. 바로 이 지점에서 사플리 값이 등장하며, 사기 방지를 위한 강력하고 해석 가능한 접근 방식을 제공합니다. 사플리 값은 모델이 사용하는 다양한 피처에 대한 예측 기여도를 공정하게 분배하는 방법입니다.

핵심 내용 사플리 값은 모델 예측에 대한 명확하고 설명 가능한 통찰력을 제공하여 사기 방지에 상당한 이점을 제공합니다.

핵심 내용 사기 탐지를 주도하는 가장 영향력 있는 피처를 식별하여 모델 정확도를 높이고 오탐을 줄입니다.

핵심 내용 사플리 값은 신뢰와 투명성을 높여 규정 준수 및 사용자 수용에 특히 중요합니다.

핵심 내용 이 접근 방식은 그레이디언트 부스팅 머신 및 신경망과 같이 일반적으로 '블랙 박스'로 간주되는 복잡한 머신러닝 모델에 특히 효과적입니다.

사플리 값 이해하기

사플리 값은 원래 게임 이론에서 개발되었으며, 각 피처가 모델의 예측에 기여하는 평균 한계 기여도를 결정합니다. 사기 탐지라는 목표를 달성하기 위해 협력하는 선수(피처) 팀을 상상해 보세요. 사플리 값은 모든 가능한 팀 조합을 고려하여 각 선수가 전체 성공에 얼마나 기여했는지 계산합니다. 수학적으로 피처 i에 대한 사플리 값은 다음과 같이 계산됩니다.

Φ_i = Σ_S⊆F{i} (|S|!(|F|-|S|-1)! / |F|!) * [f(S∪{i}) - f(S)]

여기서:

• Φ_i는 피처 i에 대한 사플리 값입니다.
• F는 모든 피처 집합입니다.
• S는 i를 포함하지 않는 피처의 부분집합입니다.
• |S|는 부분집합 S의 피처 수입니다.
• f(S)는 부분집합 S의 피처만 사용하여 모델 예측을 수행한 결과입니다.

쉽게 말해, 피처를 다른 피처의 모든 가능한 조합에 추가하는 영향을 평가한 다음, 해당 영향을 평균합니다. 이를 통해 각 피처의 중요성에 대한 공정하고 일관된 측정이 제공됩니다.

사기 탐지에 사플리 값 적용하기

사기 탐지에서 피처에는 거래 금액, IP 주소 위치, 장치 정보, 사용자 행동 패턴 및 Didit과 같은 서비스의 신원 확인 점수가 포함될 수 있습니다. 과거 데이터를 기반으로 학습된 머신러닝 모델은 사기 발생 가능성을 예측할 수 있습니다. 그러나 거래가 사기로 표시되었다는 사실만으로는 충분하지 않습니다. 왜 그런지 이해해야 합니다.

사플리 값은 그 “왜”에 대한 답을 제공합니다. 예를 들어, 모델이 90%의 확률로 거래를 사기로 표시할 수 있습니다. 사플리 값을 적용하면 해당 확률의 60%는 고위험 IP 주소에, 20%는 배송 주소의 최근 변경에, 10%는 낮은 신원 확인 점수에 기인한다는 것을 알 수 있습니다. 이러한 세분화된 통찰력은 매우 중요합니다.

이 통찰력은 과거 예측을 이해하는 것뿐만 아니라 미래 예측을 개선하는 데 도움이 됩니다. 가장 영향력 있는 피처를 식별함으로써 해당 피처의 품질을 향상시키거나 새로운 피처를 개발하는 데 집중하여 보다 정확하고 강력한 사기 탐지 시스템을 구축할 수 있습니다. 예를 들어, 낮은 신원 확인 점수가 사기에 지속적으로 기여하는 경우 신원 확인 프로세스를 강화하는 데 투자할 수 있습니다.

사기 방지에 사플리 값을 사용하면 얻을 수 있는 이점

해석 가능성을 높이는 것 외에도 사플리 값을 사용하면 다음과 같은 몇 가지 주요 이점을 얻을 수 있습니다.

• 모델 정확도 향상: 피처 중요도를 이해하면 대상 모델 개선이 가능합니다.
• 오탐 감소: 사기 예측의 이유를 파악하면 사기로 잘못 표시된 정상 거래 수를 줄일 수 있습니다.
• 신뢰 및 투명성 강화: 설명 가능한 AI는 이해 관계자와의 신뢰를 구축하고 규정 준수를 용이하게 합니다. 사기 판정의 이유를 고객에게 설명하는 것은 단순히 “귀하의 거래가 차단되었습니다.”라고 말하는 것보다 훨씬 효과적입니다.
• 편향 감지: 사플리 값은 모델의 의도치 않은 편향을 발견하여 공정하고 형평성 있는 결과를 보장하는 데 도움이 될 수 있습니다.

실질적인 고려 사항 및 구현

사플리 값을 계산하는 것은 특히 피처 수가 많은 모델의 경우 계산 비용이 많이 들 수 있습니다. 그러나 TreeSHAP과 같은 여러 효율적인 알고리즘이 이 문제를 해결하기 위해 개발되었습니다. 이러한 알고리즘은 의사 결정 트리의 구조를 활용하여 사플리 값을 훨씬 빠르게 근사합니다.

SHAP(SHapley Additive exPlanations)과 같은 인기 있는 Python 라이브러리는 이러한 알고리즘의 편리한 구현을 제공합니다. SHAP을 기존 머신러닝 파이프라인에 통합하는 것은 비교적 간단합니다. 일반적으로 모델을 학습한 다음 SHAP을 사용하여 학습된 모델의 예측을 설명합니다.

예를 들어, 사용자가 전자 상거래 플랫폼에서 계정을 만들려고 시도하는 시나리오를 생각해 보세요. Didit의 신원 확인 프로세스는 계정의 합법성을 나타내는 점수를 제공합니다. SHAP을 사용하면 해당 Didit 점수가 계정 승인 또는 거부에 대한 모델의 결정에 얼마나 기여했는지 정량화할 수 있습니다. 낮은 Didit 점수와 다른 위험 요소가 결합되면 거부의 주요 원인이 되어 명확한 근거를 제공할 수 있습니다.

Didit이 제공하는 도움

Didit의 강력한 신원 확인 플랫폼은 효과적인 사기 방지 시스템을 위한 중요한 구성 요소를 제공합니다. Didit의 신원 점수 및 위험 신호를 머신러닝 모델에 통합하면 정확도를 크게 향상시키는 강력한 피처를 확보할 수 있습니다. 사플리 값과 결합하면 Didit 데이터가 사기 탐지에 어떻게 기여하는지 이해하고 전체 사기 방지 전략을 최적화할 수 있습니다.

Didit은 다음을 제공합니다.

• 종합적인 신원 확인: 신분증을 확인하고, 활성 감지를 수행하고, 생체 인증을 수행합니다.
• 실시간 위험 평가: 장치 정보, IP 주소 및 행동 생체 인식 데이터를 포함한 다양한 신호를 기반으로 사용자 위험을 평가합니다.
• 원활한 통합: Didit API를 기존 머신러닝 파이프라인에 쉽게 통합합니다.

시작할 준비가 되셨나요?

사플리 값의 힘을 발휘하고 사기 방지 기능을 향상시킬 준비가 되셨나요? 오늘 Didit 플랫폼을 살펴보고 데모를 요청하세요. API 및 통합 옵션에 대한 자세한 내용은 기술 문서를 참조하세요. 데이터 기반 통찰력을 통해 사기가 비즈니스를 훼손하도록 내버려 두지 마세요 – 통제권을 잡으세요!