Docs Menu
Docs Home
/ /
Atlas 아키텍처 센터
/ / /

실시간 카드 사기 탐지 솔루션 가속기

사용 사례: 생성형 AI, 사기 방지

산업: 금융 서비스, 보험, 소매

제품 및 도구: MongoDB Atlas, MongoDB Atlas 클러스터, MongoDB Change Streams, MongoDB Atlas 트리거, MongoDB Spark Streaming Connector

파트너: Databricks

이 솔루션은 MongoDB 및 Databricks를 사용하여 ML기반 사기 솔루션을 빌드 방법을 보여줍니다. 이 솔루션의 주요 기능에는 외부 소스와의 통합을 통한 데이터 완전성, 실시간 처리 , 잠재적 사기 패턴을 식별하는 AI/ML 모델링, 즉각적인 분석을 위한 실시간 모니터링 , 강력한 보안 조치 등이 있습니다.

이 시스템은 운영을 용이하게 하고 애플리케이션 개발 과 데이터 과학 팀 간의 협업을 촉진합니다. 또한 엔드 투 엔드 CI/CD 파이프라인을 지원하여 최신의 안전한 시스템을 보장합니다.

부정 행위 솔루션은 다음과 같은 과제에 직면해 있습니다.

  • 레거시 시스템의 불완전한 데이터 가시성: 관련 데이터 소스에 대한 접근 부족이 사기 패턴 탐지를 방해합니다.

  • 사기 방지 시스템의 지연 시간 문제: 레거시 시스템은 실시간 처리가 부족하여 사기 탐지에 지연을 초래합니다.

  • 레거시 시스템 적응의 어려움: 기존 시스템의 유연성이 부족하여 고급 사기 방지 기술의 채택이 저해됩니다.

  • 레거시 시스템의 취약한 보안 프로토콜: 구식 보안은 사이버 공격에 대한 취약성을 드러냅니다.

  • 기술 확산으로 인한 운영상의 과제: 다양한 기술이 유지 관리 및 업데이트를 복잡하게 만듭니다.

  • 레거시 시스템의 높은 운영 비용: 유지보수 비용이 높아 사기 방지 예산이 제한됩니다.

  • 팀 간 협업 부족: 사일로형 접근 방식은 해결에 오랜 시간이 걸리며 오버헤드가 증가합니다.

다음 동영상에서는 솔루션의 기존 과제와 레퍼런스 아키텍처에 대한 개요를 확인할 수 있습니다.

ML 기반 사기 솔루션은 실시간 처리, AI/ML 모델링, 유연성 및 팀 간 협업이 필수적인 산업에 적합합니다. 이 시스템은 엔드투엔드 CI/CD 파이프라인을 통해 최신의 안전한 운영을 보장합니다. 이 시스템은 다음을 포함한 여러 산업에 적용될 수 있습니다.

  • 금융 서비스: 트랜잭션 내 사기 감지

  • 전자상거래: 주문 내 사기 감지

  • 의료 및 보험: 클레임 내 사기 감지

다음 다이어그램은 MongoDB, Amazon Web Services 및 Databricks가 상호 작용 카드 사기 솔루션 아키텍처를 빌드 방법을 보여줍니다.

카드 사기 솔루션 아키텍처
클릭하여 확대

그림 1. 카드 사기 솔루션 아키텍처

카드 사기 방지 솔루션 데이터 모델
클릭하여 확대

그림 2. 카드 사기 방지 솔루션 데이터 모델

이 다이어그램은 크레딧 카드 거래를 위한 세 가지 엔터티를 보여줍니다.

  • 트랜잭션

  • 판매자

  • 지불인

세 엔터티는 자주 액세스하는 관련 데이터 필드를 함께 포함하는 확장 참조 패턴 사용합니다. 사기 탐지 애플리케이션 이러한 엔터티의 필드를 단일 문서 에 포함합니다.

이 솔루션은 이러한 구성 요소를 사용합니다.

  1. 데이터 소스 확보

    • 프로듀서 앱: 프로듀서 모바일 앱 실시간 트랜잭션 생성을 시뮬레이션합니다.

    • 레거시 데이터 소스: SQL 외부 데이터 소스 고객 인구 통계에 사용됩니다.

    • 교육 데이터: 모델 교육에 필요한 트랜잭션 트랜잭션 데이터는 cloud 객체 저장 ( Amazon S3 또는 Microsoft Azure Blob Storage)에서 가져옵니다.

  2. MongoDB Atlas: 카드 거래를 위한 ODS(Operational Data Store) 역할을 하고 실시간 으로 트랜잭션을 처리합니다. 이 솔루션은 MongoDB 집계 프레임워크 활용하여 인앱 분석 수행하고 사전 구성된 규칙에 따라 트랜잭션을 프로세스 . 또한 네이티브 Spark Connector 통해 고급 AI /ML 기반 사기 탐지를 위해 Databricks와 통신합니다.

  3. Databricks: MongoDB Atlas 인앱 분석 보완하는 AI /ML 플랫폼을 호스팅합니다. 사기 감지 알고리즘 Databricks의 사기 프레임워크 MLFlow에서 영감을 받은 노트북을 사용하며, 이 모델을 관리하기 위해 MLOps를 관리합니다. 학습된 모델은 REST 엔드포인트입니다.

먼저 위의 아키텍처 다이어그램에 표시된 대로 모든 관련 소스의 데이터를 집계합니다. 이 다이어그램은 이벤트 기반 아키텍처를 사용하여 프로듀서 앱, SQL 데이터베이스, 기록 교육 데이터 세트와 같은 실시간 소스의 데이터를 프로세스 .

이 접근 방식을 사용하면 트랜잭션 요약, 고객 인구 통계, 판매자 정보와 같은 패싯에서 데이터를 소싱할 수 있습니다.

또한 이 제안된 이벤트 기반 아키텍처는 다음과 같은 이점을 제공합니다.

  • 통합 실시간 트랜잭션을 통해 금액, 위치 , 결제 기기 등의 카드 데이터 이벤트를 실시간 수집할 수 있습니다.

  • 실시간 사기를 근절하기 위해 모니터링 모델을 다시 훈련하는 데 도움이 됩니다.

프로듀서 애플리케이션 은 사전 정의된 속도로 실시간 트랜잭션 정보를 생성하는 Python 스크립트 입니다.

MongoDB Atlas 카드 사기 트랜잭션 분류를 위한 효과적인 멀티 클라우드 데이터베이스 플랫폼입니다. 다음과 같은 몇 가지 유용한 기능을 제공합니다.

MongoDB Spark Streaming Connector 는 Apache Spark 와 MongoDB 통합합니다. Databricks에서 호스팅하는 Apache Spark 사용하면 대량의 데이터를 실시간 처리 하고 분석할 수 있습니다.

Change Streams 및 Atlas Triggers 실시간 데이터 처리 기능도 제공합니다. Atlas 트리거하다 사용하여 Databricks MLFlow 프레임워크 에서 호스팅되는 AI /ML 모델에 대한 REST 서비스 호출을 호출할 수 있습니다.

예시 솔루션은 사용자가 정의한 결제 한도 및 사용자 설정 데이터를 저장하여 규칙 기반 사기 방지를 관리합니다. AI/ML 모델을 호출하기 전에 이러한 규칙으로 트랜잭션을 필터링하면 사기 방지 비용 줄일 수 있습니다.

Databricks는 사기 거래를 식별하는 모델을 개발하는 AI/ML 플랫폼입니다. Databricks의 주요 기능 중 하나는 최신 사기 감지 시스템을 위한 실시간 분석 지원 것입니다.

Databricks에는 엔드 투 엔드 머신 러닝 수명 주기를 관리하기 위한 도구인 MLFlow가 포함되어 있습니다. MLFlow를 사용하면 사용자가 실험을 추적 , 결과를 재현하고, 모델을 확장하다 로 배포 복잡한 머신 러닝 워크플로를 더 쉽게 관리 할 수 있습니다.

MLFlow는 성능 및 디버깅을 위한 모델 관찰 기능도 제공합니다. 여기에는 시간이 지남에 따라 모델 정확도를 개선하기 위한 모델 지표 및 로그에 대한 액세스 포함됩니다. 이러한 기능은 최신 AI /ML 기반 사기 탐지 시스템의 설계도 지원 .

MongoDB 및 Databricks를 사용한 ML 기반 사기 솔루션은 다음과 같은 기능을 제공합니다.

  • 데이터 완전성: 외부 소스와 통합하여 정확한 데이터 분석을 수행합니다.

  • 실시간 처리: 사기 행위를 적시에 탐지할 수 있습니다.

  • AI/머신 러닝 모델링: 잠재적 사기 패턴과 행동을 식별합니다.

  • 실시간 모니터링: 즉각적인 데이터 처리 및 분석을 허용합니다.

  • 모델 가시성: 사기 패턴에 대한 완전한 가시성을 보장합니다.

  • 유연성 및 확장성: 변화하는 비즈니스 요구에 대응할 수 있습니다.

  • 강력한 보안 조치: 잠재적인 보안 침해로부터 조직을 보호합니다.

  • 작업 용이성: 운영 복잡성을 줄여줍니다.

  • 애플리케이션 및 데이터 과학 팀 협업: 목표와 협력을 일치시킵니다.

  • 종단간 CI/CD 파이프라인 지원: 시스템을 항상 최신 상태로 유지하고 보안을 보장합니다.

  • Shiv Pullepu, MongoDB

  • Luca Napoli, MongoDB

  • Ashwin Gangadhar, MongoDB

  • Rajesh Vinayagam, MongoDB

  • 스마트 제조를 위한 IoT Data Hub 구축

  • AWS SageMaker를 사용한 사기 탐지 가속기

  • 결제 현대화 솔루션 가속기

돌아가기

오픈 금융 데이터 저장

이 페이지의 내용