사기 감지 및 자금 세탁 방지

원활한 고객 서비스 제공 및 위험 최소화

금융 사기는 금융 서비스 업계의 큰 도전 과제입니다. 그 형태가 다양할 뿐만 아니라, 엔티티 및 숨겨진 패턴 간의 관계 복잡성으로 인해 탐지하기 어려운 경우가 많습니다. 금융 기관은 사기 행위를 감지하는 즉시 고객에게 실시간으로 통보하고, 고객의 신용 카드 차단 및 기타 사기 행위 방지를 위한 즉각적 조치를 취해야만 합니다.

또한 금융 서비스 산업은 관련 규제를 적용받아야 하고, 자금세탁방지(AML) 활동을 보고해야 하고, 고객알기제도(KYC) 프로세스를 통해 고객에 대한 실사를 완료해야 합니다. 그와 관련하여 제품, 시장, 지역 전반에 대한 데이터 분석을 통해 AML용 관계 및 패턴 파악을 수행해야 하는 경우가 많습니다.

자금 세탁의 개념은 간단합니다. 불법 자금을 융통하고, 합법적인 자금과 혼합하고, 실물 자산으로 전환하는 것입니다. 실제로 이루어지는 자금 세탁은 훨씬 더 복잡합니다. (종종 도용된) 합성 신원, 마찬가지로 불법적 출처를 통해 취득한 이메일 및 주소 등의 정보를 사용하여 생성된 계정 간의 길고 복잡한 합법적 이체 작업을 거칩니다. 즉, 자금 세탁에는 방대한 양의 데이터가 필요합니다. 따라서 그래프 분석과 같은 고급 분석 기법을 지원하는 통합 데이터 플랫폼은 AML 프로그램의 필수 요소입니다.

머신 러닝을 활용한 고객 및 금융 기관 보호

금융 서비스 산업에는 지속적으로 강력한 모니터링 및 규제가 적용되고 있으며 자금 세탁 방지 및 테러 방지 관련 금융 활동은 개중에서도 가장 강력한 규제의 초점이 되고 있습니다. 방대한 범죄 네트워크를 바탕으로 행해지는 금융 사기는 그 복잡성 및 발생 건수가 갈수록 증가 중인 도전 과제로서, 기업 전반 및 전 세계적 단위의 인사이트를 제공하는 자금 세탁 방지 솔루션을 필요로 합니다.

다음 아키텍처는 고급 분석 및 머신 러닝을 포함한 Oracle의 각종 서비스 및 기능을 결합하여 전체 데이터 분석 수명 주기를 포괄하고, AML 팀에게 사기 행위의 가능성이 있는 비정상적 행동 패턴을 식별하는 데 필요한 인사이트를 제공하는 데이터 플랫폼을 구축하는 방법을 보여줍니다.

본 이미지는 금융 서비스용 Oracle Data Platform을 사용하여 사기 방지 및 AML 활동을 지원하는 방법을 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

• 데이터 소스, 검색
• 연결, 수집, 변환
• 유지, 선별, 생성
• 분석, 학습, 예측
• 측정 실행

데이터 소스, 검색 제품군에는 2가지 범주의 데이터가 포함됩니다.

비즈니스 레코드(자사) 데이터는 신용 카드 거래, 계정 정보, ATM 이벤트 스트림으로 구성됩니다.

타사 데이터로는 소셜 피드가 활용됩니다.

연결, 수집, 변환 제품군은 4가지 기능으로 구성됩니다.

대량 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.

일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.

변경 데이터 수집은 OCI GoldenGate 및 Oracle Data Integrator를 사용합니다.

스트리밍 수집은 OCI Streaming 및 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 클라우드 스토리지/데이터 레이크 기능에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 4가지 기능으로 구성됩니다.

서빙 데이터 저장소는 Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.

클라우드 스토리지/데이터 레이크는 OCI Object Storage를 사용합니다.

일괄 처리는 OCI Data Flow를 사용합니다.

거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지/데이터 레이크는 서비스 데이터 저장소에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

분석, 학습, 예측 제품군에 연결되는 한 가지 기능인 서비스 데이터 저장소는 분석 및 시각화, AI 서비스, 머신러닝 기능에 단방향으로, 스트리밍 분석 기능과는 양방향으로 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

분석 및 시각화는 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.

AI 서비스는 OCI Anomaly Detection, OCI Forecasting, OCI Language를 사용합니다.

머신 러닝은 OCI Data Science 및 Oracle Machine Learning Notebooks을 사용합니다.

스트리밍 분석은 OCI GoldenGate Stream Analytics를 사용합니다.

측정, 실행 제품군은 대시보드 및 보고서, 애플리케이션, 머신 러닝 모델이라는 3가지 제품으로 구성됩니다.

직원 및 파트너는 지리적 히트맵, 의무 보고, 고위험 엔티티 예측 분석, 사기 동향으로 구성됩니다.

애플리케이션은 트랜잭션 이상 감지, 텍스트 마이닝 및 자연어 처리(NLP)로 구성됩니다.

머신 러닝 모델은 네트워크 분석, 행동분석, 감시목록 스크리닝으로 구성됩니다.

3가지 주요 제품군(수집 및 변환, 유지 및 선별, 생성 및 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

금융 서비스 기관이 잠재적 사기 활동 식별을 위해 아키텍처에 데이터를 삽입하는 3가지 주요한 방법이 있습니다.

• 우선 트랜잭션 시스템 및 코어 뱅킹 애플리케이션의 데이터를 가져와야 합니다. 소셜 미디어의 비정형 데이터와 같은 타사의 고객 데이터로 해당 데이터들을 보강할 수 있습니다. 변경 데이터 캡처를 필요로 하는 실시간, 또는 실시간에 가까운 데이터 추출이 빈번하게 이루어집니다. Oracle Cloud Infrastructure(OCI) GoldenGate를 사용하여 트랜잭션, 위험, 고객 관리 시스템으로부터 정기적으로 데이터를 수집합니다. 또한 OCI GoldenGate는 모놀리식 아키텍처에서 사용되는 일괄 수집 및 추출, 변환, 로드 프로세스 대신 지속적 변환 및 로드 프로세스를 수행하는 엔터프라이즈 데이터 원장 및 다국어 데이터 스트림을 활용하여 '데이터 제품'들을 관리하는, 진화하는 데이터 메시 아키텍처의 핵심 구성요소이기도 합니다.
• 이제 스트리밍 수집을 사용하여 OCI Streaming/Kafka를 통한 IoT 센서, 웹 파이프라인, 로그 파일, POS 기기, ATM, 소셜 미디어 및 기타 데이터 소스로부터의 실시간 데이터 수집이 가능해졌습니다. 스트리밍된 데이터(이벤트)를 수집하고, 수집한 데이터를 클라우드 스토리지에 저장하기 전 몇 가지 기본적인 변환/집계 작업을 수행합니다. 데이터 수집과 동시에 스트리밍 분석을 수행하여 여러 소스로부터 대용량의 데이터들을 실시간으로 필터링, 집계, 상관관계 파악, 분석할 수 있습니다. 이를 통해 금융 기관은 여러 번에 걸친 반복적 거래와 같은 의심스러운 ATM 거래를 비롯한 비즈니스 위협 및 위험을 감지할 수 있을 뿐만 아니라, 전반적 사기 방지 효율성 향상을 위한 인사이트를 얻을 수 있습니다. 원시 데이터에 대한 데이터 과학적 조사를 위해 상관관계가 파악된 이벤트들 및 식별된 패턴들을 수동으로 피드백할 수 있습니다. 또한 이메일 또는 SMS를 통해 고객에게 잠재적 사기 가능성을 안내하거나, 손상된 직불 카드를 차단하는 등의 조치를 트리거하기 위한 이벤트를 직접 생성할 수도 있습니다. Oracle GoldenGate Stream Analytics는 스트리밍 데이터에 대한 실시간 분석 연산을 수행하는 인메모리 기술입니다.
• 실시간 데이터 처리에 대한 수요가 증가 중이기는 하지만, 코어 뱅킹, 고객, 금융 시스템으로부터 데이터를 추출하는 가장 일반적인 방식은 추출, 변환, 로드 프로세스를 통한 일괄 수집입니다. 일괄 수집은 스트리밍 방식의 수집을 지원하지 않는 시스템으로부터의 데이터 임포트에 사용됩니다(예: 구형 메인프레임 시스템). 자금 세탁 방지 및 고객알기제도 프로세스의 경우 당좌 및 신용 계정 거래 처리 시스템, 고객 인텔리전스를 제공하는 타사 데이터 피드와 같은 다양한 운영 시스템으로부터 데이터를 가져옵니다. 이와 같은 데이터는 여러 제품 및 지역에 걸쳐 수집됩니다. 일괄 수집은 10분 또는 15분 간격으로 자주 이루어질 수 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 대량 수집에 해당하는 방식입니다. OCI는 전용 OCI Data Integration 및 OCI Compute 인스턴스에서 구동되는 Oracle Data Integrator와 같이 다양한 일괄 수집 서비스를 제공합니다. 볼륨 및 유형에 따라 데이터를 객체 스토리지로 로드하거나, 영구적 저장을 위해 정형 관계형 데이터베이스로 직접 로드할 수 있습니다.

데이터 지속성 및 처리는 3개의 구성 요소(선택적으로 4개)에 기반합니다.

• 수집된 원시 데이터는 알고리즘을 위해 클라우드 스토리지에 저장되며, OCI Object Storage는 기본 데이터 지속성 계층으로 사용됩니다. OCI Data Flow의 Spark는 트랜잭션, 위치, 애플리케이션, 지리적 매핑 데이터 등의 데이터들에 대한 기본 일괄 처리 엔진입니다. 일괄 처리는 기본 노이즈 처리, 누락된 데이터 관리, 사전 정의된 아웃바운드 데이터 세트에 기반한 필터링을 비롯한 여러 작업으로 구성된 과정입니다. 처리된 데이터는 요구되는 처리 방식 및 사용된 데이터 유형에 따라 객체 스토리지의 다양한 계층 또는 영구 관계형 저장소에 다시 작성됩니다.
• 처리된 데이터 세트는 데이터 지속성, 선별, 분석 관련 작업 및 최종적으로는 Oracle Autonomous Database를 통해 제공되는 서빙 데이터 저장소에 최적화된 형태로 로드될 수 있도록 클라우드 스토리지로 반환됩니다. 이제 데이터는 선별 및 쿼리 성능을 보장하는 최적화된 관계형 형식으로 저장됩니다. 또는 아키텍처별 환경설정에 따라 Oracle Big Data Service를 관리형 Hadoop 클러스터로 사용하여 같은 결과를 얻을 수도 있습니다. 본 사용 사례에서는 머신러닝 모델의 학습에 필요한 모든 데이터가 객체 스토리지에 원시 형태로 저장됩니다. 모델 학습을 위해 과거 패턴들을 트랜잭션 레벨 기록과 결합함으로써 잠재적 위험을 식별하고 레이블을 지정할 수 있습니다. 이러한 데이터 세트를 기기 데이터 및 지리 공간 데이터 등의 다른 데이터와 결합한 뒤 데이터 과학 기술을 적용함으로써 기존 모델을 개선하고, 잠재적 사기를 보다 잘 예측할 수 있는 신규 모델을 개발할 수 있습니다. 이러한 유형의 지속성은 외부 테이블 및 하이브리드 파티션을 통해 액세스되는 데이터 저장소의 일부인 스키마에 대한 데이터 저장에도 활용할 수 있습니다.

분석, 예측, 조치 기능은 3가지 기술적 접근법을 기반으로 구축됩니다.

• Oracle Analytics Cloud 등의 분석 및 시각화 서비스는 서빙 데이터 저장소의 큐레이션된 데이터에 기반한 분석을 제공합니다. 기술적 분석(히스토그램 및 차트를 활용하여 현재 사기 식별 추세 및 플래그가 지정된 활동을 설명), 시계열 분석을 비롯한 예측적 분석(미래 패턴 예측, 추세 파악, 불확실한 결과의 확률 예측), 처방적 분석(최적의 의사 결정으로 이어지는 적절한 조치를 제안)등이 이에 포함됩니다. 해당 분석 기법들을 통해 다음과 같은 질문에 대한 답을 구할 수 있습니다. '이번 기간에 실제로 파악된 사기 사례들에는 이전 기간 대비 어떠한 변화가 있었는가?'
• 고급 분석 외에도 여러 머신러닝 모델이 개발, 훈련, 배포됩니다. 학습된 모델들을 현재 및 과거 거래 데이터 양쪽 모두에 적용하여 일치하는 거래 패턴 및 행동 패턴을 파악함으로써 자금 세탁 시도를 탐지할 수 있고, 탐지 결과는 서빙 계층에 저장한 뒤 Oracle Analytics Cloud 등의 분석 도구를 통해 보고할 수 있습니다. 모델 학습 최적화를 위해 모델 및 데이터를 OCI Data Science와 같은 머신러닝 시스템에 입력하여 추가 학습을 진행함으로써 더욱 효과적인 자금세탁 방지 패턴 탐지 기능을 갖춘 모델을 활용할 수도 있습니다. 해당 모델들은 API를 통해 액세스하거나, 서비스 데이터 저장소에 배포하거나, OCI GoldenGate 스트리밍 분석 파이프라인의 일부로 포함시킬 수 있습니다.
• 또한 클라우드 전용 인공지능 서비스가 제공하는 고급 기능을 활용할 수 있습니다.
  • OCI Anomaly Detection은 주요 인시던트에 플래그를 지정함으로써 탐지 및 해결 속도를 향상시킬 수 있는 비즈니스별 고급 이상 징후 탐지 모델을 간단히 구축할 수 있도록 지원하는 인공지능 서비스입니다. 본 사용 사례에서 Oracle은 해당 모델들을 배포하여 트랜잭션 수명 주기 동안, 감사 기간 동안, 또는 공급업체, 판매자, 거래 유형 등에 기반한 특정한 상황 등의 다양한 시나리오 하에서 사기를 감지합니다. OCI Anomaly Detection은 기록 데이터를 활용하고 적절한 변형 감지 모델을 구축함으로써 모든 유형별 사기를 식별할 수 있습니다. 예를 들어 데이터세트에 거래 유형, 금액, 위치(위도 및 경도), 벤더명 및 기타 세부 정보가 포함되어 있다면 OCI Anomaly Detection은 해당 정보들을 활용하여 거래 금액, 거래 계좌, 거래 발생 위치, 또는 거래를 접수한 벤더와 관련된 사기 여부를 식별할 수 있습니다.
  • OCI Forecasting을 활용하여 다음 날, 다음 주 또는 다음 달의 거래 건수, 거래 금액 및 기타 거래 지표들을 예측하고, 현재의 지표들과 그에 영향을 미치는 시장 상황의 상관 관계를 파악할 수 있습니다. 이러한 예측은 자금 세탁 및 기타 사기로부터의 보호 체계 구축을 위한 계획 수립 및 기본적 기대치 설정 등에 사용 가능합니다.
  • OCI Language 및 OCI Vision을 통해 사기 감지 및 AML 활동을 위한 데이터 보강에 기여하는 문서 및 텍스트를 수집할 수 있습니다.
• 데이터 거버넌스 역시 또 하나의 주요 구성요소입니다. 데이터 거버넌스는 데이터 레이크하우스 생태계의 모든 데이터 소스에 대한 데이터 거버넌스 및 메타데이터 관리(기술 및 비즈니스 관련 모든 메타데이터)를 제공하는 무료 서비스인 OCI Data Catalog를 통해 구현됩니다. 또한 OCI Data Catalog는 저장 방식에 관계없이 모든 데이터를 빠르게 검색할 수 있는 방법을 제공하기 때문에 Autonomous Data Warehouse에서 OCI Object Storage로의 쿼리를 위한 중요한 구성 요소이기도 합니다. 이를 통해 최종 사용자, 개발자, 데이터 과학자는 아키텍처 내의 모든 영구 데이터 저장소에서 공통의 액세스 언어(SQL)를 사용할 수 있습니다.
• 마지막으로 큐레이팅되고 테스트를 거친 고품질의 관리형 데이터 및 모델을 데이터 메시 아키텍처 내에서 데이터 제품(API) 형태로 노출시킴으로써 금융 서비스 기업 전반에 배포할 수 있습니다.

적절한 데이터 플랫폼을 활용한 사기 방지 및 AML 활동 개선

금융 기관은 Oracle Data Platform을 활용하여 보다 효과적으로 자금 세탁을 감지하고, 금융 범죄 조사의 정확성 및 효율성을 높이고, 보고 프로세스를 간소화함으로써 금융 관련 규제 준수 비용을 줄일 수 있습니다.