보이스피싱·계정 탈취처럼 계속 바뀌는 fraud pattern에 대응하기 위해 카카오페이 FDS를 static ML에서 adaptive ML로 발전시킨 사례다. 학습 시점에 없던 공격이 만드는 사각지대를 재학습·자동 배포와 feature 적응으로 어떻게 메우는지를 두 축으로 나눠 설명한다.
핵심 포인트- 결제 요청을 수 밀리초 안에 판단해 인증·거절을 고르는 FDS에서, static model은 새 사고 pattern 등장 시 다음 수동 재학습까지 취약 구간이 생기므로 스스로 적응하는 구조가 필요
- 결제 시 online feature와 요청 정보로 판단·저장하고, 고객 신고로 확정된 사고·정상 label이 data lake에 쌓여 다음 학습 feedback이 되며, 저지연 탐지 path와 재현성 있는 학습 path가 동일 feature 정의를 공유
- 분석가 수작업을 Airflow schedule pipeline으로 바꾸고 MLflow registry에서 version별 metric·artifact를 관리, 기준 통과 model만 분석가 확인 후 배포하는 성능 비교·승인 gate 유지
- 최근 window의 user·item별 사고 비율·행동 분포를 Feature Store에 갱신하는 self-adaptive feature cycle로, model을 즉시 바꾸지 않아도 현재 공격 강도가 반영돼 정기 재학습과 결합해 탐지율 회복
왜 읽나변화하는 사기·이상 거래에 맞서 ML 탐지를 운영하는 팀에게, model 재학습 자동화와 feature 적응을 분리·결합해 지속 성장 구조를 만드는 실전 설계.