Atlas Vector Search를 사용한 사기 방지 및 자금세탁방지(AML)

Atlas Vector Search가 도움이 되는 방법

MongoDB Atlas와 같은 벡터 데이터베이스는 다양한 데이터 유형 간의 유사성과 관계를 쉽게 찾을 수 있게 해줍니다. MongoDB의 최신 멀티클라우드 데이터베이스 플랫폼을 사용하면 독립형 또는 추가형 벡터 데이터베이스를 사용하는 대신, 사용자는 MongoDB Atlas에 운영 데이터, 메타데이터 및 벡터 임베딩을 저장하고 Atlas Vector Search를 사용하여 생성형 AI 애플리케이션에 필요한 데이터를 인덱싱하고 조회할 수 있습니다.

실시간 분석과 Atlas Vector Search의 결합은 전통적인 방법으로는 발견하기 어려운 인사이트를 발견할 수 있는 강력한 시너지를 제공합니다. MongoDB는 아래 그림 1에 설명된 대로 Atlas Vector Search를 통해 이를 용이하게 합니다.

그림 1. 사기 및 AML 탐지를 위해 실행 중인 Atlas Vector Search

사기 탐지 및 AML을 위한 벡터 임베딩은 어떻게 생성되나요?

이 솔루션에서는 사기 임베딩이 텍스트, 트랜잭션 및 거래 상대방 데이터의 조합을 기반으로 합니다. AML 임베딩은 트랜잭션, 상대방 간의 관계 및 그들의 위험 프로필을 기반으로 생성됩니다.

비정형 데이터 사용을 포함한 데이터 소스 선택 및 하나 이상의 벡터 임베딩 생성을 특정 요구 사항에 맞게 구성할 수 있습니다.Voyage AI 를 사용하여 임베딩을 수행할 수 있습니다.

과거 벡터 임베딩

데모 데이터베이스는 사기 및 AML 임베딩을 위한 합성적으로 생성된 테스트 데이터로 미리 채워져 있습니다. 실제 시나리오에서 과거 트랜잭션 데이터와 고객 프로필을 벡터로 인코딩하여 임베딩을 생성할 수 있습니다.

직관적인 접근 방식 중 하나는 MongoDB와 같은 데이터 저장소에 데이터를 통합하는 것입니다. 이는 다양한 데이터 유형을 캡처하고 관련 데이터 필드를 벡터화하는 데 필요한 유연성을 제공합니다.

이 데모에서는 벡터 임베딩을 사용하여 인간 분석가나 조사관이 해당 거래나 의심스러운 사례를 평가하는 방법을 시뮬레이션하기 위해 의미 있는 시맨틱 검색을 활성화합니다.

일반적으로 인간 분석가 또는 조사자는 먼저 관련 데이터를 수집합니다(데이터 소스: 인터넷 또는 내부). 그런 다음 관련 정형 데이터(날짜, 트랜잭션 유형, 금액)와 비정형 또는 반정형 데이터(트랜잭션 설명, 개인 또는 회사의 작업 또는 사업 설명, 수취인과의 관계 등)를 종합하여 조사 중인 트랜잭션에 대한 맥락을 제공하는 서면 보고서를 작성합니다.

Atlas Vector Search를 활용하는 사기 방지/AML 애플리케이션은 정량적 및 질적 데이터를 통합하여 텍스트 내러티브를 구성하고, LLM으로 보완하여 유사한 작업을 쉽게 수행할 수 있습니다. 그 후, 구성된 내러티브는 벡터 임베딩에 사용될 수 있으며, 이후 유사한 트랜잭션이나 사례에 대해 Atlas Vector Search를 통해 시맨틱 검색을 수행할 수 있습니다.

사기 탐지 및 AML 워크플로

그림 1에서 볼 수 있듯이, 들어오는 트랜잭션 사기 및 AML 집계 텍스트는 먼저 임베딩 모델을 사용하여 임베딩을 생성한 후, 유사한 특성을 가진 이전 트랜잭션 중 의심스러운 활동으로 표시된 트랜잭션의 비율을 기반으로 Atlas Vector Search를 통해 분석됩니다.

트랜잭션 처리 결과

• 사기/의심스러운 것으로 플래그가 지정된 경우: 트랜잭션 요청이 거부됩니다.

• 플래그가 지정되지 않은 경우: 트랜잭션이 성공적으로 완료되고 확인 메시지가 표시됩니다.

거부된 트랜잭션의 경우, 사용자는 거래 참조 번호를 통해 사례 관리 서비스에 문의하여 세부 정보를 확인할 수 있습니다. 성공적인 트랜잭션에는 조치가 필요하지 않습니다.

사기 탐지 및 AML을 위해 Atlas Vector Search를 결합하기

Atlas Vector Search와 관련 임베딩을 사용하여 조직은 다음을 수행할 수 있습니다.

1. 사기 탐지 정확도 향상: Atlas Vector Search는 규칙 기반 및 머신 러닝 모델이 자주 간과하는 복잡하고 고차원적인 패턴을 포착하여 더 정밀한 사기 탐지를 가능하게 합니다. 트랜잭션의 전체 맥락을 분석함으로써, Atlas Vector Search는 미묘한 사기 신호를 더 잘 발견할 수 있으며, 이는 단순한 모델이 놓칠 수 있는 정교한 사기 체계의 탐지를 개선합니다.

2. 새로운 사기 수법을 더 빠르게 탐지: 실시간 이상 탐지를 통해 Atlas Vector Search는 새로운 사기나 자금 세탁 수법을 더 신속하게 식별하여, 지속적인 모델 재훈련 없이도 신종 위협의 위험을 줄일 수 있습니다.

3. 손쉽게 확장하고 적응하: MongoDB의 다중 모델 운영 데이터 저장소는 조직이 단일 운영 및 AI 데이터 저장소에서 텍스트 및 이미지와 같은 정형 및 특히 비정형 데이터를 사기 탐지 및 AML에 활용하여, 여러 틈새 데이터 저장소와 벡터 저장소를 추가하지 않고도 기존 시스템에서 처리할 수 없는 숨겨진 패턴을 발견할 수 있도록 합니다. 전용 검색 노드를 배포하여 워크로드 격리를 위한 옵션과 결합된 확장 가능한 아키텍처를 통해 MongoDB는 조직이 증가하는 데이터 세트에 맞춰 손쉽게 확장하고 새로운 사기 또는 자금 세탁 패턴에 동적으로 적응할 수 있도록 지원하여 보다 유연하고 미래 지향적인 금융 범죄 방지 프레임워크를 제공합니다.

AML 및 사기 방지를 위해 MongoDB를 선택하는 이유

사기 탐지 및 AML은 지속적으로 변화하는 다양한 데이터 세트를 포함하므로 포괄적인 플랫폼 접근 방식이 필요합니다. 고객들이 MongoDB를 선택하는 이유는 전용 벡터 데이터베이스와 같은 특수 기술이 필요 없는 통합 데이터 플랫폼이기 때문입니다. MongoDB의 문서 데이터 모델은 모든 종류의 데이터(구조화, 반구조화, 비구조화), 모든 형식, 모든 출처를 통합할 수 있으며, 데이터가 얼마나 자주 변경되는지에 관계없이 이를 통해 고객에 대한 전체적인 그림을 만들어 실시간으로 트랜잭션 이상을 보다 정확하게 예측할 수 있습니다.

Atlas Vector Search를 통합함으로써 기관은 다음을 수행할 수 있습니다.

• 모든 유형의 데이터에 대해 의미 체계 검색 및 생성형 인공지능을 기반으로 하는 지능형 애플리케이션을 구축하세요.

• 벡터 임베딩을 소스 데이터 및 메타데이터 바로 옆에 저장하세요. 데이터베이스에 삽입되거나 업데이트된 벡터는 벡터 인덱스와 자동으로 동기화됩니다.

• 검색 노드를 사용하여 리소스 소비를 최적화하고, 성능을 개선하며, 가용성을 향상시킬 수 있습니다.

• 실전 테스트를 거친 완전 관리형 MongoDB Atlas 현대식 멀티 클라우드 데이터베이스 플랫폼으로 운영 부담을 제거하세요.

사기 및 자금세탁방지(AML)의 광범위하고 지속적으로 변화하는 특성으로 인해, 이 분야는 일반적으로 다양한 방법과 다중 모드 접근 방식이 필요합니다. 따라서 통합된 위험 데이터 플랫폼은 효과적인 솔루션을 구축하고자 하는 조직에 여러 가지 이점을 제공합니다.

그림 2. 사기 탐지/AML 시스템의 상위 수준 아키텍처

이 GitHub 리포지토리는 고객이 은행 웹사이트에 접속하여 거래를 수행하는 데모를 제공합니다. 이는 트랜잭션의 청산 단계에 초점을 맞추며, 은행이 사기 방지, 제재 준수 및 자금세탁방지(AML) 법규 준수를 위해 일련의 검증 절차를 수행합니다. 데모에는 제재 대상 고객을 식별할 수 있는 API가 포함되어 있으며, 정량적 및 정성적 데이터를 활용하여 텍스트 내러티브를 생성하고 AML 및 사기 트랜잭션을 모두 식별하는 혁신적인 프로세스를 적용합니다. 이 프로세스에는 AI 임베딩뿐만 아니라 MongoDB 기능인 전문 검색, Atlas Vector Search, Atlas App Services 등이 포함됩니다.

MongoDB 개발자 데이터 플랫폼

• MongoDB Atlas

• MongoDB Atlas 텍스트 검색

• MongoDB Atlas Vector Search

• MongoDB 컬렉션

• MongoDB 집계 파이프라인