Fingerprint, Fraud Score 출시… 고객 테스트에서 사기 탐지 건수 약 50% 증가

Fingerprint가 Fraud Score를 출시했다. Fraud Score는 디바이스 인텔리전스와 고객별 실제 사기 결과를 학습한 머신러닝 모델을 결합한 예측형 사기 신호다. Fingerprint는 일대일 비교 평가에서 기존에 한 고객이 자체 개발해 사용하던 모델보다 사기를 약 50% 더 많이 탐지했으며, 정상 사용자를 차단한 수는 늘지 않았다고 밝혔다.

이번 출시는 위험 관리팀이 흔히 겪는 문제를 해결하기 위한 것이다. 신호를 수집하는 것보다 이를 신뢰할 수 있는 판단으로 바꾸는 일이 더 어렵다. 여러 계정과 연관된 디바이스는 프로모션 악용을 시사할 수 있는 반면, 기존 계정에 접속하려는 낯선 디바이스는 다른 방식으로 조사할 필요가 있을 수 있다. Fraud Score는 조직의 실제 사용자와 트래픽, 확인된 결과를 바탕으로 이러한 차이를 학습하도록 설계됐다.

보고된 탐지율 향상이 보여 주는 것

Fingerprint가 주요 성과로 내세운 것은 한 고객의 내부 모델과 비교한 결과다. Fingerprint는 정상 사용자 차단 수준을 동일하게 유지하면서 Fraud Score가 사기를 약 50% 더 많이 탐지했다고 밝혔다. 두 번째 조건도 중요하다. 시스템은 더 많은 트래픽을 거부하는 것만으로 의심스러운 활동을 더 많이 잡아낼 수 있지만, 그 과정에서 실제 고객까지 차단할 수 있기 때문이다.

이 결과는 한 고객이 자체 개발한 모델과 일대일로 비교해 얻었다. 정상 사용자 차단 수준은 그대로 유지하면서 해당 기업의 사기 패턴을 학습하는 것이 어떤 가치를 제공하는지 보여 준다.

이 향상 수치는 추가로 탐지한 사기 건수를 나타낸다. 금전적 가치는 관련된 거래와 기업이 각 예측 결과를 활용하는 방식에 따라 달라진다.

사기 유형별로 구분된 모델

Fraud Score의 핵심 설계는 사기 유형별로 예측 모델을 특화하는 것이다. Fingerprint는 지원 대상에 결제 사기, 계정 탈취, 다중 계정 생성, 가짜 계정 생성, 프로모션 악용, 플랫폼 악용, 콘텐츠 악용을 포함한다고 밝혔다.

이러한 유형은 서로 다른 행동과 사업상 비용을 나타낸다. 결제 사기 모델은 판매자가 주문을 평가하는 데 도움을 줄 수 있고, 프로모션 악용 모델은 여러 계정을 이용해 혜택을 반복해서 받으려는 시도를 찾을 수 있다. 계정 탈취 대응 절차의 목적은 또 다르다. 정당한 계정 사용자를 불필요하게 방해하지 않으면서 무단 접근을 탐지하는 것이다.

고객의 실제 결과가 모델 학습에 필요한 피드백을 제공한다. 모든 조직에 자체 예측 계층을 구축하고 운영하도록 요구하는 대신, Fingerprint가 모델 학습과 유지 관리를 맡고 자사의 디바이스 신호와 기업이 제공한 레이블을 결합한다. 고객의 트래픽과 사기 패턴이 달라지면 새로운 결과가 후속 재학습에 반영된다.

따라서 피드백의 품질이 중요하다. 확인된 결과를 학습한 모델은 의심스러운 사건을 구분 없이 나열한 목록으로 학습한 모델보다 더 유용한 감독 정보를 얻는다. 조직의 레이블이 불완전하거나 일관성이 없다면, 그에 따른 예측에도 이러한 한계가 반영될 수 있다.

계정 정보만으로는 알 수 없는 맥락을 제공하는 디바이스 인텔리전스

Fingerprint의 디바이스 인텔리전스 플랫폼은 지속적인 식별 기능과 웹 및 모바일 활동에 관한 맥락 정보를 결합한다. 이를 통해 기업은 여러 세션에 걸친 활동을 연결하고 계정 정보만으로는 드러나지 않을 수 있는 패턴을 살펴볼 수 있다.

Fingerprint의 Smart Signals 신호 카탈로그에는 자동화, 브라우저 변조, 가상 머신, 프록시, VPN, 비정상적으로 높은 디바이스 활동을 나타내는 지표가 포함된다. 이러한 신호는 분석에 필요한 맥락을 제공한다. 개인정보 보호 도구를 사용하거나 낯선 환경에서 접속했다는 사실만으로 사기 의도가 입증되는 것은 아니다.

Fraud Score는 이러한 증거에 고객별 학습을 거친 예측 계층을 더한다. 환경을 식별하는 것과 그 환경의 패턴이 특정 기업의 사기 결과와 어떤 관련이 있는지 평가하는 것은 다르다. 팀은 예측 결과를 직접 활용하거나 다른 정보와 함께 기존 의사결정 시스템에 입력할 수 있다.

이 접근 방식은 이미 악용과 연관된 식별자를 차단하는 데 그치지 않는다. 학습된 모델은 이전 사례와 관련된 신호 조합을 찾아 다음 거래가 완료되기 전에 유사한 행동을 알아차릴 수 있도록 기업을 지원할 수 있다.

대시보드, API, S3를 통한 피드백 순환

Fingerprint의 출시 자료에 따르면 고객은 대시보드, API 또는 S3를 통해 사기 결과를 제공할 수 있다. 고객은 레이블을 관리하고 모델 성능을 분석할 수 있으며, 예측 결과는 Fingerprint API 응답으로 전달된다.

이 구조는 기존 위험 관리 절차에 적합하다. 의사결정 엔진은 다른 검사 결과와 함께 예측 결과를 활용해 상호작용을 승인하거나 추가 인증을 요청하거나 검토 대상으로 보낼 수 있다.

지속적인 재학습은 변화하는 악용 행위에 서비스가 대응할 수 있도록 하기 위한 것이다. 피드백 순환은 사건 이후 조직이 무엇을 파악하는지에 따라 달라지며, 여기에는 나중에야 결과가 분명해질 수 있는 사례도 포함된다. 따라서 시스템을 운영할 때는 시간에 따른 모델 성능을 계속 모니터링해야 한다.

Flink가 방문자 ID 차단만으로는 부족하다고 본 이유

이번 발표에는 Flink의 사례도 포함됐다. Flink의 수석 소프트웨어 엔지니어 David Fennessey는 방문자 ID만 차단하는 것으로는 한층 정교한 악용 행위에 대응하기에 충분하지 않았다고 말했다. 그는 주문이 접수되기 전에 향후 악용 행위를 막기 위해 Flink의 내부 사기 분석을 반영한 모델을 Fingerprint와 함께 개발했다고 설명했다.

Flink의 경험은 이 서비스의 기반이 된 협업을 잘 보여준다. Flink는 내부 사기 분석 자료를 제공하고, Fingerprint는 이러한 피드백을 활용해 해당 기업의 악용 행위 패턴에 맞춘 모델을 구축하고 유지 관리한다.

Fraud Score는 개별 신호와 규칙을 관리하는 데서 벗어나 기업 자체의 결과를 바탕으로 학습하는 데 초점을 둔다. Fingerprint가 모델의 학습과 재학습을 담당하며, 사기 대응팀은 예측 결과를 의사결정에 반영하는 방식을 계속 통제한다. 이 제품은 Fingerprint의 Fraud Score 페이지에서 이용할 수 있다.