상위 10가지 사기 탐지 및 거래 모니터링 에이전트

상위 10가지 사기 탐지 및 거래 모니터링 에이전트

2026년 8월 17일 업데이트됨

사기 방지는 개별적인 위험 점수에서 종단 간 위험 운영으로 변화하고 있습니다. 최신 시스템은 거래를 실시간으로 평가하고, 관련 계정 및 장치에 연결하고, 주변 활동을 조사하고, 결정 사항을 설명하며, 다음에 무엇을 해야 할지 권고할 수 있을 것으로 기대됩니다.

이러한 워크플로우는 거래 모델과 조사 에이전트가 서로 다른 문제를 해결하기 때문에 중요합니다. 규칙 및 머신러닝 모델은 위험을 탐지하고 점수를 매깁니다. 에이전트는 증거를 수집하고, 이벤트를 연결하며, 사례를 요약하고, 조치를 권고하며, 때로는 낮은 위험의 처리를 자동화합니다. Unit21은 이러한 차이점을 직접적으로 설명합니다: 사기 에이전트는 단순히 점수를 표시하거나 분석가에게 이미 보이는 정보를 요약하는 대신 조사 작업을 실행해야 합니다. (unit21.ai)

따라서 가장 강력한 플랫폼은 다음을 결합합니다:

• 실시간 규칙 및 머신러닝
• 행동 및 장치 인텔리전스
• 그래프 기반 엔티티 및 거래 분석
• 사례 조사 및 증거 수집
• 설명 가능한 결정 및 불변의 감사 추적
• 교정 권고
• 모델 드리프트 및 결과 모니터링

이 글은 이러한 요구사항에 따라 10가지 주요 플랫폼을 비교하며, 특히 정밀도, 재현율, 사기 적발 향상, 차지백 결과, 분석가 생산성, 개인 정보 보호, 지연 시간, 설명 가능성, 그리고 모델 드리프트에 중점을 둡니다.

종합 평가

보편적으로 가장 우수한 사기 탐지 에이전트라는 것은 없습니다. 올바른 선택은 주요 문제가 카드 사기, 즉시 결제, 계정 탈취, 승인된 푸시 결제 사기, 자금 세탁, 제재 심사 또는 조사 역량인지 여부에 따라 달라집니다.

가장 중요한 결론은 에이전트의 성숙도와 탐지 품질은 별개의 차원이라는 것입니다. 어떤 플랫폼은 인상적인 조사 코파일럿을 가지고 있지만 거래 수준의 재현율이 약할 수 있습니다. 또 다른 플랫폼은 탁월한 사기 점수 매기기 기능을 가지고 있지만 자율적인 사례 작업이 제한적일 수 있습니다. 구매자는 이 두 가지 계층을 별도로 평가해야 합니다.

사기 탐지 에이전트의 작동 방식

실용적인 사기 및 거래 모니터링 아키텍처는 네 가지 계층을 가집니다.

1. 실시간 의사 결정

이 계층은 결제가 완료되기 전에 지불을 평가합니다. 일반적으로 다음을 결합합니다:

• 결정론적 규칙
• 속도 확인
• 행동 프로필
• 장치 및 세션 신호
• 고객 및 거래 상대방 위험
• 과거 거래 패턴
• 네트워크 또는 컨소시엄 인텔리전스
• 지도 및 비지도 머신러닝

출력은 일반적으로 위험 점수 및 이유 코드와 함께 승인, 거부, 보류 또는 검토 결정입니다.

2. 그래프 및 관계 분석

그래프 기반 시스템은 다음을 연결합니다:

• 고객
• 계정
• 카드
• 장치
• 인터넷 주소
• 전화번호
• 이메일 주소
• 판매자
• 수혜자
• 거래 상대방
• 거래

이는 사기 조직, 자금 세탁용 계정 네트워크, 가상 신분, 공모, 계정 탈취 및 여러 계정을 통한 자금 이동에 특히 유용합니다.

그러나 그래프 분석이 자동으로 “그래프 추론”이 되는 것은 아닙니다. 연결된 엔티티를 보여주는 시각화는 다중 홉 관계, 거래 시퀀스 및 네트워크 동작을 평가하는 모델과 다릅니다. 최고의 시스템은 다음과 같은 증거 경로를 생성합니다:

“이 수혜자는 최근 개설된 7개 계정으로부터 자금을 받았는데, 이 모든 계정은 이전에 확인된 사기와 연결된 2개의 장치와 1개의 전화번호와 관련되어 있습니다.”

3. 조사 에이전트

조사 에이전트는 다음을 수행할 수 있습니다:

• 거래 내역 검색
• 연결된 엔티티 검색
• 이전 경고 및 처리 검토
• 장치 및 행동 정보 검토
• 외부 인텔리전스 질의
• 관련 사례 식별
• 타임라인 구축
• 증거 요약
• 처리 권고
• 내부 사례 설명 초안 작성
• 의심스러운 활동 보고서 준비

에이전트는 각 결론을 뒷받침하는 증거를 제시해야 합니다. 출처 기록이 없는 유창한 설명만으로는 규제 기관이나 숙련된 조사관에게 충분하지 않습니다.

4. 교정 및 피드백

마지막 계층은 다음과 같은 조치를 권고하거나 실행합니다:

• 거래 승인
• 더 강력한 고객 인증 요청
• 일시적 보류
• 거래 거부
• 계정 정지
• 장치 또는 수혜자 차단
• 자금 회수 또는 반환
• 고객에게 연락
• 선임 조사관에게 에스컬레이션
• 의심스러운 활동 보고서 제출
• 강화된 실사 개시
• 규칙 생성 또는 수정
• 연결된 엔티티를 주시 목록에 추가
• 고객을 더 면밀히 모니터링

고위험 조치는 정책 통제 및 사람의 승인에 따라야 합니다. 에이전트는 거버넌스 없이 규칙을 변경하거나, 계정을 영구적으로 폐쇄하거나, 규제 보고서를 제출할 무제한적인 권한을 가져서는 안 됩니다.

공개 벤치마크의 중요한 한계점

사기 방지 공급업체는 종종 인상적인 수치를 발표하지만, 이러한 수치는 직접적으로 비교하기 어려운 경우가 많습니다. 공개된 사례 연구는 다음을 보고할 수 있습니다:

• 공개되지 않은 기준선 대비 백분율 변화
• 거래 수준의 재현율이 아닌 적발된 사기 금액
• 오탐 감소는 있었으나 미탐 데이터는 없는 경우
• 특정 결제 방식의 결과
• 짧은 테스트 기간
• 고객 맞춤형 구현
• 특정 사기 유형
• 다른 통제와 함께 작동하는 모델

대부분의 공급업체는 거래 건수, 사기 발생률, 정밀도, 재현율, 오탐률, 오거부율, 차지백 결과 및 신뢰 구간을 포함하는 표준화된 혼동 행렬을 게시하지 않습니다.

이는 아래 순위가 특정 공급업체가 실제 최고 정밀도 또는 재현율을 달성했다는 주장이 아닌, 기능 적합성 및 공개 증거를 기반으로 한다는 것을 의미합니다.

정밀도 및 재현율

사기 탐지기의 경우:

• 정밀도는 다음을 묻습니다: 사기로 플래그 지정된 거래 중 실제로 사기였던 거래는 몇 건입니까?
• 재현율은 다음을 묻습니다: 모든 사기 거래 중 시스템이 적발한 거래는 몇 건입니까?
• 오탐률은 잘못 플래그 지정되거나 차단된 합법적인 활동을 측정합니다.
• 미탐률은 탐지되지 않고 통과한 사기를 측정합니다.

사기는 합법적인 활동에 비해 일반적으로 드물기 때문에 정확도는 오해를 불러일으킬 수 있습니다. 공개 유럽 신용 카드 데이터셋을 사용한 최근 연구는 284,807건의 거래와 0.173%에 불과한 사기 발생률을 다루면서 시간적 드리프트를 모델링하기 위해 연대순 데이터 분할을 적용했습니다. (pubmed.ncbi.nlm.nih.gov)

모델은 상업적으로 중요한 양의 사기를 놓치면서도 매우 정확해 보일 수 있습니다. 구매자는 다음을 우선시해야 합니다:

1. 실제 검토율에서의 정밀도
2. 실제 거부 또는 개입률에서의 재현율
3. 사기 금액 적발
4. 오거부
5. 차지백 및 분쟁률
6. 승인 및 전환율
7. 분석가 작업량
8. 레이블이 충분히 축적된 후의 성능

공개 증거 스냅샷

다음 수치는 특별히 언급되지 않는 한 공급업체 보고 또는 고객 사례 연구 결과입니다. “공개되지 않음”은 공급업체가 전체 플랫폼에 대해 비교 가능한 정밀도 및 재현율 결과를 게시하지 않음을 의미합니다.

상위 10가지 사기 탐지 및 거래 모니터링 에이전트

1. Unit21: 사기 및 금융 범죄를 위한 최고의 올라운드 에이전트 플랫폼

Unit21은 완전한 탐지-조사 워크플로우를 중심으로 설계된 플랫폼의 가장 명확한 예시 중 하나입니다. 이 시스템은 규칙, 행동 신호, 장치 인텔리전스, 그래프 분석, 사기 컨소시엄 정보, 사례 관리 및 인공지능 에이전트를 결합합니다.

탐지 에이전트는 거래 및 경고를 실시간으로 분석합니다. 조사 에이전트는 증거를 수집하고, 연결된 엔티티를 식별하며, 위험을 요약하고, 조치를 권고하며, 사례 설명을 생성합니다. 이 플랫폼은 또한 문서화된 조사 단계와 함께 경고-사례-의심스러운 활동 보고서 워크플로우를 지원합니다. (unit21.ai)

Unit21의 강점

• 핀테크, 결제 회사 및 금융 기관에 적합
• 250밀리초 미만의 실시간 의사 결정 주장
• 규칙, 설명 가능한 머신러닝, 그래프 기반 규칙 및 조사 에이전트를 하나의 환경에서 제공
• 섀도우 테스트, 과거 검증 및 샌드박스 배포
• 자동화된 어음 교환소, 송금, 카드, 즉시 결제, 암호화폐 및 계좌 간 결제를 포함한 교차 채널 모니터링
• 내러티브 요약뿐만 아니라 에이전트가 생성한 증거 추적

Unit21은 또한 위험 팀이 어떤 변수가 머신러닝 점수에 기여했는지 확인할 수 있으며, 그래프 기반 규칙을 사용하여 숨겨진 관계를 드러낼 수 있다고 강조합니다. (unit21.ai)

벤치마크 평가

공개 자료에 따르면 한 고객용 제품 사례에서 오탐이 50% 감소하고 사기 손실이 70% 감소했다고 보고하지만, 이 회사는 고객 전반에 걸쳐 표준화된 정밀도, 재현율 또는 차지백 벤치마크를 공개하지 않습니다. (unit21.ai)

최적의 선택: 실시간 점수 매기기, 조사, 그래프 분석 및 교정 워크플로우를 위한 단일 플랫폼을 원하는 성장하는 금융 기술 회사 또는 결제 기관.

주요 위험: 구매자는 조사 에이전트가 경고를 자동으로 닫거나, 처리만 권고하거나, 위험 등급에 따라 다른 조치를 수행하도록 허용되는지 확인해야 합니다.

2. Sardine: 장치 인텔리전스, 사기 그래프 및 디지털 상거래에 최적

Sardine은 장치 인텔리전스, 행동 분석, 머신러닝, 규칙, 네트워크 인텔리전스, 그래프 분석 및 에이전트 기반 사기 운영을 결합합니다. 온보딩, 로그인, 계정 탈취, 봇, 가상 신분, 결제 사기 및 사기 행위를 포함하여 거래 전 고객 여정에서 사기가 발생하는 경우에 특히 강력합니다.

이 플랫폼의 그래프 기능은 사용자, 장치, 인터넷 주소, 전화번호, 이메일 주소 및 거래를 연결합니다. 에이전트는 거래 모니터링, 그래프 분석, 규칙 지원, 데이터 분석, 오픈 소스 인텔리전스 조사, 제재 심사 및 의심스러운 활동 보고서 생성을 포함합니다. (sardine.ai)

Sardine의 강점

• 장치 및 행동 인텔리전스
• 계정 탈취 및 봇 탐지
• 교차 채널 신원 및 거래 분석
• 판매자 및 디지털 상거래 사기
• 그래프 기반 사기 조직 조사
• 자연어 설명으로 생성된 규칙
• 자동화된 분쟁 및 차지백 워크플로우
• 제출 및 결제 전 은행 결제 위험

Sardine은 한 온보딩 결정 사용 사례에서 95%의 정밀도, 한 은행 배포에서 카드 관련 차지백 손실 70% 감소, 그리고 동일한 사례에서 0.0003%의 차지백율을 포함하여 여러 고객별 결과를 보고합니다. 또한 한 배포에서 약 30초 만에 경고의 55%를 해결했다고 보고합니다. (sardine.ai)

벤치마크 평가

Sardine의 차지백 수치는 상업적으로 유용하지만, 차지백율이 재현율과 동일하지는 않습니다. 낮은 차지백율은 더 나은 탐지, 더 많은 고객 인증, 더 엄격한 승인 정책, 다른 판매자 구성 또는 책임의 변화에서 비롯될 수 있습니다.

최적의 선택: 신원, 장치, 그래프 및 거래 인텔리전스를 함께 필요로 하는 디지털 은행, 결제 회사, 마켓플레이스, 암호화폐 플랫폼 및 판매자.

주요 위험: 결제 방식별 벤치마크를 요구해야 합니다. 온보딩 또는 카드 사기 결과가 자동화된 어음 교환소 결제, 승인된 푸시 결제 사기 또는 자금 세탁 방지 모니터링에 적용된다고 가정해서는 안 됩니다.

3. Feedzai: 대규모 결제 사기 의사 결정에 최적

Feedzai는 대규모 실시간 결제 결정에 중점을 둔 성숙한 기업 사기 플랫폼입니다. RiskOps 플랫폼은 신원, 사기 및 자금 세탁 방지 통제를 결합하며, 네트워크 제품은 기관이 원시 개인 식별 정보를 공유할 필요 없이 집단 인텔리전스를 추가합니다.

Feedzai IQ는 익명화된 위험 신호와 집계된 패턴이 네트워크를 통해 교환되는 동안 원시 데이터는 기관 환경에 남아 있다고 명시합니다. Feedzai는 네트워크 인텔리전스 제품 사용자의 경우 4배 더 많은 사기를 탐지하고, 규칙 기반 접근 방식보다 50% 적은 경고를 생성하며, 결제 수락률이 27% 향상되었다고 보고합니다. (feedzai.com)

Feedzai의 강점

• 대형 은행, 결제 처리업체 및 카드 네트워크
• 실시간 옴니채널 결제 점수 매기기
• 규칙과 머신러닝을 함께 사용
• 네트워크 인텔리전스 및 그래프 시각화
• 설명 가능한 이유 코드
• 자연어 규칙 생성
• 사례 조사 및 분석가 워크플로우
• 개인 정보 보호를 고려한 컨소시엄 인텔리전스
• 대규모 모델 배포

Feedzai는 한 대형 북미 은행이 0.1%의 개입률에서 75%의 평균 가치 탐지율과 12대 1의 오탐 탐지율을 달성했다고 보고합니다. 또한 다른 기업 사례에서 이전 솔루션보다 73%의 오탐 감소와 62% 더 많은 사기를 탐지했다고 보고합니다. (feedzai.com)

Feedzai의 Genome 조사 기능은 고객, 카드, 거래 및 기타 엔티티 간의 시각적 관계를 사용합니다. 한 고객 사례 연구에서는 이전에 반나절이 걸리던 조사가 약 10분 만에 완료될 수 있었고, 특정 경고에 대한 사기 탐지가 15% 증가했다고 보고했습니다. (feedzai.com)

드리프트 모니터링

Feedzai는 또한 스트리밍 사기 데이터에 대한 자동 모델 모니터링에 대한 연구를 발표했습니다. 이 모니터링 접근 방식은 레이블을 사용할 수 있게 되기 전에 변경 사항을 식별하고 드리프트의 예상 원인에 대한 설명을 생성하도록 설계되었습니다. 이 연구는 2,200만 건 이상의 온라인 거래를 합한 5개의 실제 사기 데이터셋에 걸쳐 평가되었습니다. (research.feedzai.com)

최적의 선택: 성숙한 실시간 의사 결정, 광범위한 결제 적용 범위 및 정교한 모델 운영이 필요한 대형 은행, 처리업체 및 결제 네트워크.

주요 위험: Feedzai는 다양한 제품 포트폴리오를 가지고 있습니다. 구매자는 구매하는 사기 점수 매기기, 조사 자동화, 네트워크 인텔리전스 및 자금 세탁 방지 기능의 정확한 조합을 테스트해야 합니다.

4. ComplyAdvantage Mesh: 자동화된 거래 모니터링 교정에 최적

ComplyAdvantage Mesh는 자금 세탁 방지, 거래 모니터링, 고객 심사, 제재 심사 및 위험 인텔리전스 분야에서 가장 강력합니다. 최근 플랫폼 전략은 통합 사례 관리 시스템 내에 에이전트 기반 워크플로우를 배치합니다.

이 플랫폼은 위험 점수 매기기, 인공지능 에이전트 및 분석가의 조합을 통해 의사 결정 체인이 오탐 경고의 65~85%를 해결할 수 있다고 명시합니다. 또한 초당 100건 이상의 거래를 1초 미만의 응답 시간으로 처리하며, 플랫폼 전체에서 매일 35억 개 이상의 메시지를 처리한다고 보고합니다. (complyadvantage.com)

ComplyAdvantage의 강점

• 규칙과 고급 머신러닝의 협력
• 거래 모니터링 및 결제 심사
• 자연어 규칙 생성
• 그래프 및 클러스터링 패턴
• 자동화된 경고 교정
• 사례 관리 및 감사 추적
• 의심스러운 활동 보고서 준비
• 제재, 고위험 인물, 부정적 언론 및 행동 신호를 기반으로 한 위험 인텔리전스
• 지역 데이터 분리 및 엔터프라이즈 보안 제어

ComplyAdvantage는 PayNearMe가 거래 모니터링에 소요되는 분석가 시간을 약 50% 단축했다고 보고합니다. Paytron은 오탐 20% 감소와 거래 후 질의 75% 감소를 보고했습니다. (complyadvantage.com)

공개 플랫폼 자료에서는 최대 82%의 오탐 감소를 주장하지만, 이러한 수치는 독립적인 벤치마크라기보다는 공급업체 보고 결과로 간주되어야 합니다. (complyadvantage.com)

개인 정보 보호 및 거버넌스

ComplyAdvantage는 Mesh가 저장 및 전송 중 암호화, 지리적 데이터 분리, 역할 기반 권한, 단일 로그인, 국제 표준화 기구 27001, 서비스 조직 통제 2 및 일반 데이터 보호 규정(GDPR)을 준수하는 데이터 처리를 지원한다고 명시합니다. 이는 유용한 통제 사항이지만, 구매자는 여전히 계약, 하위 처리자, 보존 기간 및 모델 학습 조건을 검토해야 합니다. (complyadvantage.com)

최적의 선택: 카드 승인 지연 시간보다는 자금 세탁 방지 경고량 및 교정이 주요 병목 현상인 결제 회사 및 금융 기관.

주요 위험: 자금 세탁 방지 경고 해결 성능과 별도로 사기별 재현율을 검증합니다.

5. NICE Actimize: 대형 은행 조사 및 규제 보고에 최적

NICE Actimize는 사기 방지, 자금 세탁 방지, 제재, 의심스러운 활동 보고, 사례 관리 및 조사 워크플로우를 포괄하는 기업 금융 범죄 플랫폼입니다.

이 플랫폼은 매일 50억 건 이상의 거래를 모니터링하고 밀리초 수준의 사기 탐지를 사용한다고 보고합니다. 또한 네트워크 분석, 유형 기반 위험 점수 매기기, 통합 조사, 그리고 사례 요약 및 의심스러운 활동 보고서 설명을 위한 생성형 인공지능을 제공합니다. (info.niceactimize.com)

NICE Actimize의 강점

• 대규모 및 복잡한 금융 기관
• 다중 채널 사기 및 금융 범죄 프로그램
• 사례 관리 및 조사 오케스트레이션
• 의심스러운 활동 보고서 준비
• 네트워크 시각화
• 거버넌스 및 규제 보고
• 인간 참여형 조사 워크플로우
• 레거시 시스템 통합

NICE는 자사의 조사 기능이 조사 시간을 최대 50% 단축하고 의심스러운 활동 보고서 준비 시간을 최대 70% 단축할 수 있다고 보고합니다. Xceed FraudDesk CoPilot은 경고 분류 및 검토 80% 단축, 사례-보고서 처리 시간 60% 감소, 오탐 40% 감소를 보고합니다. (resources.niceactimize.com)

벤치마크 평가

NICE는 강력한 운영 및 규모 주장을 발표하지만, 거래 수준의 정밀도 및 재현율 데이터는 덜 공개합니다. 구매자는 다음을 요청해야 합니다:

• 사기 유형별 정밀도 및 재현율
• 머신러닝 오버레이 전후 결과
• 가치 가중 재현율
• 오거부율
• 사례 복잡성별 조사 시간
• 자동 처리 정밀도
• 최대 부하 시 성능

최적의 선택: 광범위한 금융 범죄 범위, 확립된 거버넌스 및 심층적인 규제 보고 기능이 필요한 대형 은행.

주요 위험: 구현 복잡성과 가장 고급 기능이 여러 모듈과 광범위한 통합 작업을 필요로 할 가능성.

6. Hawk: 설명 가능하고 낮은 지연 시간의 사기 및 금융 범죄 모니터링에 최적

Hawk는 설명 가능한 인공지능, 실시간 거래 모니터링, 사기 방지, 자금 세탁 방지, 제재 심사, 그리고 사기 및 금융 범죄 운영의 융합에 중점을 둡니다.

이 플랫폼의 거래 사기 플랫폼은 평균 의사 결정 시간이 150밀리초이며, 자동화된 어음 교환소, 카드, 수표, P2P, 송금 및 기타 결제 방식을 지원합니다. Hawk는 또한 전통적인 규칙이 예외를 생성하고 머신러닝이 경고가 실제 또는 오탐일 가능성을 평가하는 하이브리드 접근 방식을 제안합니다. (hawk.ai)

Hawk의 강점

• 설명 가능한 머신러닝
• 실시간 결제 금지
• 하나의 워크플로우에서 규칙 및 머신러닝
• 사기 및 자금 세탁 방지 융합
• 셀프 서비스 규칙 관리
• 모델 거버넌스
• SaaS, 프라이빗 클라우드 또는 온프레미스 기술로 배포
• 조사 자동화

Hawk는 게시된 영향 자료 전반에서 3~5배 더 높은 정밀도, 70% 적은 오경보, 30% 더 많은 사기 고객 식별, 그리고 자금 세탁 방지 조사 시간 62% 감소를 보고합니다. (hawk.ai)

2026년의 조사 에이전트는 Hawk를 탐지 및 경고 우선순위 지정 이상으로 증거 수집 및 조사 지원으로 확장합니다. (hawk.ai)

벤치마크 평가

Hawk의 설명 가능성과 지연 시간 위치는 설득력이 있지만, 원래의 정밀도, 모집단, 테스트 기간 및 개입률 없이는 정밀도 승수(multiplier)를 평가하기 어렵습니다. 구매자는 주장된 백분율 개선뿐만 아니라 전체 정밀도-재현율 곡선을 요청해야 합니다.

최적의 선택: 설명 가능성, 신속한 배포, 실시간 금지 및 유연한 배포를 우선시하는 은행, 결제 회사 및 금융 기관.

주요 위험: 조사 에이전트가 충분한 사기 관련 기능을 가지고 있는지, 또는 주로 자금 세탁 방지 조사를 위해 최적화되었는지 확인합니다.

7. Featurespace: 적응형 행동 사기 탐지에 최적

Featurespace는 적응형 행동 분석 및 자동화된 심층 행동 네트워크로 차별화됩니다. 알려진 악성 지표에 주로 의존하기보다, 플랫폼은 정상적인 행동을 모델링하고 의미 있는 편차를 식별합니다.

이 접근 방식은 사기범이 합법적인 활동을 모방하거나 기관에 확인된 사기 레이블이 제한적인 경우에 유용합니다. Featurespace는 모델이 변화하는 행동에 적응하고 수동 재훈련이 덜 필요하며, 분석가 결정이 향후 모니터링에 피드백된다고 명시합니다. (staging.www.featurespace.com)

Featurespace의 강점

• 카드 사기
• 계좌 간 결제
• 승인된 푸시 결제 사기
• 신청 사기
• 가상 신분
• 적응형 고객 프로파일링
• 모델 저하 감소
• 대규모 실시간 거래 점수 매기기

공개 고객 증거는 사기 적발에 있어 가장 강력한 것 중 하나입니다. Central 1은 79%의 사기 적발량을 보고했으며, 이는 업계 벤치마크 대비 51%의 향상으로 설명되고, 2대1 오탐 비율을 유지하면서 67%의 사기 적발 가치를 보고했습니다. (featurespace.com)

NatWest는 이후 한 사례 연구 요약에서 탐지된 사기 가치가 135% 개선되고 오탐이 75% 감소했다고 보고했습니다. 초기 자료에서는 배포 24시간 이내에 탐지된 사기 및 사기 가치가 50% 증가했다고 보고했습니다. (featurespace.com)

Featurespace는 또한 TSYS가 매월 10억 건의 거래를 평가하며, 2025년 한 사례 연구에서 이의가 제기된 거래의 77.8%가 사기였다고 보고합니다. (featurespace.com)

벤치마크 평가

Featurespace는 사기 가치 적발 및 적응형 행동 모델링에 대한 강력한 공개 증거를 가지고 있지만, 자율 조사 에이전트 및 교정 권고에 대한 공개 증거는 적습니다.

최적의 선택: 변화하는 고객 행동과 모델 저하가 주요 관심사인 발급사, 은행, 처리업체 및 결제 제공업체.

주요 위험: 플랫폼의 사례 관리 및 조사 기능이 거래 점수 매기기 기능과 동일한 표준을 충족하는지 확인하십시오.

8. Quantexa: 그래프 기반 엔티티 해결 및 상황별 조사에 최적

Quantexa는 사기 또는 금융 범죄 신호가 단일 거래에서 보이는 것이 아니라 관계 전반에 걸쳐 분산되어 있을 때 가장 강력합니다.

이 플랫폼은 엔티티 해결 및 그래프 생성을 통해 고객 및 거래 상대방에 대한 연결된 뷰를 생성합니다. 상황별 모니터링은 관계, 소유 구조, 과거 활동 및 외부 정보와 함께 거래를 평가합니다. Q Assist는 조사 및 보고서 생성 워크플로우를 지원합니다. (quantexa.com)

Quantexa의 강점

• 엔티티 해결
• 거래 상대방 및 실제 소유자 분석
• 자금 세탁용 계정 및 자금 세탁 네트워크
• 복잡한 조사
• 상황별 자금 세탁 방지 모니터링
• 그래프 기반 위험 우선순위 지정
• 규제 보고
• 파편화된 시스템 전반의 데이터 통합

Quantexa는 오탐 최대 75% 감소, 조사 노력 50% 이상 감소, 레거시 시스템에서 놓쳤던 Quantexa가 식별한 위험의 최대 40%를 보고합니다. 또 다른 공개 영향 페이지에서는 대규모 조사 시간 최대 80% 감소를 보고합니다. (quantexa.com)

벤치마크 평가

Quantexa는 일반적으로 100밀리초 미만의 카드 승인 결정에 대한 첫 번째 선택지가 아닙니다. 그 가치는 종종 상황별 위험 분석, 네트워크 발견 및 조사 가속화에서 더 큽니다.

그래프 기반 방법은 매우 효과적일 수 있지만, 구매자는 다음을 테스트해야 합니다:

• 엔티티 해결 정밀도
• 관련 없는 고객 간의 잘못된 연결
• 그래프 새로 고침 빈도
• 다중 홉 검색 지연 시간
• 그래프 기능의 설명 가능성
• 관계 데이터가 불완전할 때의 성능

최적의 선택: 숨겨진 관계, 거래 상대방, 자금 세탁용 계정 네트워크 또는 파편화된 데이터와 관련된 가장 어려운 사례를 다루는 대형 은행 및 규제 기관.

주요 위험: 그래프 기반 추론이 신뢰할 수 있는 결과를 생성하기 전에 통합 및 데이터 기반 작업이 상당할 수 있습니다.

9. Nasdaq Verafin: 컨소시엄 기반 지역 은행 사기 운영에 최적

Nasdaq Verafin은 사기 탐지, 자금 세탁 방지, 제재 심사, 고위험 고객 관리, 정보 공유 및 조사 도구를 은행 및 신용 협동조합에 제공합니다. Nasdaq은 Verafin이 2,750개 이상의 북미 금융 기관에 서비스를 제공하며 수천 개 기관의 데이터를 기반으로 한 컨소시엄 정보를 사용한다고 보고합니다. (ir.nasdaq.com)

2025년과 2026년에 Nasdaq은 디지털 제재 분석가, 강화된 실사 분석가, 에이전트 기반 자금 세탁 방지 분석가 및 에이전트 기반 사기 분석가를 포함하는 에이전트 기반 인공지능 인력을 도입했습니다. 발표된 사기 분석가는 초기에는 비정상적인 자동화된 어음 교환소 활동에 중점을 둡니다. 이 플랫폼은 권고 모드, 품질 보증, 구성 가능한 인간 검토 및 오탐 경고의 계획된 자동 처리를 지원합니다. (nasdaq.com)

Verafin의 강점

• 지역 및 지방 금융 기관
• 컨소시엄 인텔리전스
• 자동화된 어음 교환소, 수표, 송금 및 예금 사기
• 금융 범죄 탐지 및 보고
• 엔티티 조사
• 금융 기관 간 정보 공유
• 인간이 통제하는 에이전트 기반 워크플로우

벤치마크 평가

Verafin의 컨소시엄 모델은 범죄자가 여러 기관에 걸쳐 활동을 분산시킬 수 있기 때문에 전략적으로 중요합니다. 그러나 공개 자료는 새로운 에이전트 기반 작업자에 대한 표준화된 정밀도, 재현율, 차지백 또는 분석가 시간 벤치마크를 제공하지 않습니다.

일부 기능은 2026년 하반기에 단계적으로 출시될 예정입니다. 구매자는 계약일에 어떤 작업자, 유형, 자동 처리 제어 및 배포 옵션이 일반적으로 사용 가능한지 정확히 확인해야 합니다. (nasdaq.com)

최적의 선택: 컨소시엄 인텔리전스와 점진적으로 확장되는 에이전트 기반 자동화를 갖춘 특정 부문 플랫폼을 찾는 북미 은행 및 신용 협동조합.

주요 위험: 최신 에이전트 기반 기능은 기본 Verafin 사기 및 자금 세탁 방지 플랫폼보다 덜 성숙합니다.

10. FICO Platform: 관리되는 기업 의사 결정에 최적

FICO는 단일 자율 조사 에이전트라기보다는 심층적인 사기 기능을 갖춘 기업 의사 결정 및 모델 거버넌스 플랫폼으로 보는 것이 가장 좋습니다.

FICO의 사기 포트폴리오는 실시간 거래 점수 매기기, 사기 컨소시엄 모델, 적응형 행동 분석, 전략 관리, 모델 개발, 최적화 및 설명 가능성을 포함합니다. FICO는 또한 결정에 기여한 관련 과거 거래를 식별하는 시간적 설명을 강조했습니다. (investors.fico.com)

2026년 투자자 자료는 FICO 플랫폼을 “설계상 에이전트 기반”으로 설명하며, 설명 가능하고 감사 가능한 인공지능, 수십억 건의 거래로 훈련된 사기 컨소시엄 모델, 그리고 의사 결정을 구축, 테스트, 최적화 및 모니터링하는 도구를 갖추고 있다고 합니다. (investors.fico.com)

FICO의 강점

• 내부 데이터 과학 팀을 갖춘 대형 금융 기관
• 통제된 의사 결정 전략 개발
• 모델 거버넌스 및 라이프사이클 관리
• 실시간 사기 점수 매기기
• 사기 컨소시엄 인텔리전스
• 전사적 의사 결정 오케스트레이션
• 설명 가능한 모델 배포
• 기존 의사 결정 시스템과의 통합

FICO는 집중 금융 서비스 모델이 사기 탐지를 포함한 일부 거래 분석 모델에서 35% 이상의 향상을 가져올 수 있다고 보고합니다. Velera는 FICO 플랫폼 기능 배포 후 사기 경고 시간 85% 감소 및 카드 소지자 셀프 서비스 효율성 76% 증가를 보고했습니다. (investors.fico.com)

최적의 선택: 데이터, 모델, 전략, 테스트 및 거버넌스에 대한 광범위한 통제를 원하는 대형 기관.

주요 위험: 조직은 플랫폼의 모든 가치를 얻기 위해 상당한 내부 전문 지식이 필요할 수 있습니다.

그래프 기반 추론과 규칙 및 머신러닝 비교

규칙 전용 시스템

강점:

• 높은 설명 가능성
• 빠르고 결정론적
• 정책에 매핑하기 용이
• 알려진 유형에 유용
• 테스트 및 재현 단순

약점:

• 대량의 오탐 생성
• 작은 행동 변화로 우회될 수 있음
• 지속적인 규칙 유지 보수 필요
• 새로운 사기 패턴 식별에 종종 실패
• 교차 계정 관계 처리 어려움

규칙은 안전 장치와 명확한 통제를 제공하기 때문에 아키텍처의 일부로 남아 있어야 합니다. 규칙이 전체 탐지 전략이 되어서는 안 됩니다.

규칙 및 머신러닝 하이브리드

하이브리드 시스템은 일반적으로 최상의 운영상의 절충안을 제공합니다. 규칙은 엄격한 제약과 알려진 위험을 처리하는 반면, 머신러닝은 다음을 처리합니다:

• 행동 편차
• 고객별 패턴
• 동료 그룹 이상 징후
• 위험 순위 지정
• 오탐 감소
• 동적 우선순위 지정
• 새로운 행동

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO 및 기타 여러 플랫폼은 이 하이브리드 패턴의 변형을 사용합니다. Hawk는 규칙이 예외를 생성하고 머신러닝이 해당 예외가 실제 또는 오탐일 가능성을 평가하는 2단계 프로세스를 명시적으로 설명합니다. (insights.hawk.ai)

그래프 기반 추론

그래프 방법은 증거가 엔티티와 시간 전반에 걸쳐 분산되어 있을 때 가장 강력합니다. 다음을 식별할 수 있습니다:

• 계정 간 공유 장치
• 재사용된 전화번호
• 공통 수혜자
• 팬인 및 팬아웃 자금 이동
• 빠른 통과 행동
• 조정된 판매자 활동
• 가상 신원 클러스터
• 자금 세탁용 계정 네트워크
• 공모

그래프 모델은 조직적인 사기에 대한 재현율을 향상시키면서 개별 경고를 조사할 필요성을 줄일 수 있습니다. 그러나 그래프 시스템은 추가 요구 사항을 도입합니다:

• 고품질 엔티티 해결
• 빈번한 그래프 업데이트
• 관계 개인 정보 보호 제어
• 다중 홉 지연 시간 관리
• 잘못된 연결 방지
• 위험 신호를 생성한 경로에 대한 명확한 설명

2024년 그래프 기반 신용 카드 사기 연구는 0.82의 정밀도와 0.92의 재현율을 보고했지만, 이 수치들은 특정 연구 데이터셋 및 실험 설정에서 나온 것입니다. 이를 공급업체 사례 연구 또는 생산 차지백율과 직접 비교해서는 안 됩니다. (sciencedirect.com)

에이전트 기반 조사

에이전트는 신호가 생성된 후에 가장 가치가 있습니다. 이들은 증거 수집 및 설명 준비에 소요되는 시간을 줄일 수 있지만, 보정된 사기 모델을 대체하는 것으로 간주되어서는 안 됩니다.

권장되는 아키텍처는 다음과 같습니다:

1. 거래 결정을 위한 동기식 규칙 및 머신러닝
2. 즉각적인 관계 위험을 위한 빠른 그래프 기능
3. 심층 조사를 위한 비동기식 그래프 탐색
4. 증거 수집 및 사례 준비를 위한 조사 에이전트
5. 정책 통제 교정
6. 되돌릴 수 없거나 고가치 조치에 대한 인간 승인

규제 기관 검토를 위한 설명 가능성

“설명 가능한 인공지능”은 여러 가지 다른 의미를 가질 수 있습니다. 구매자는 다음을 구별해야 합니다:

1. 이유 코드
   예시로는 비정상적인 금액, 새 장치, 높은 속도 또는 위험한 거래 상대방 등이 있습니다.

2. 피처 기여도
   시스템은 어떤 변수가 점수에 가장 많이 기여했는지 보여줍니다.

3. 증거 연결 추론
   시스템은 결정을 실제 거래, 장치, 계정 및 외부 기록에 연결합니다.

4. 정책 추론
   시스템은 어떤 규칙, 정책, 임계값 또는 위험 감수성 설정이 적용되었는지 설명합니다.

5. 에이전트 추론 및 도구 기록
   감사 추적은 에이전트가 어떤 출처를 참조했는지, 무엇을 검색했는지, 무엇을 결론 내렸는지, 그리고 어떤 조치를 권고했는지 기록합니다.

규제 기관에게는 자연어 요약만으로는 충분하지 않습니다. 감사 패키지에는 다음이 포함되어야 합니다:

• 의사 결정 시 사용된 거래 및 고객 데이터
• 모델 버전
• 규칙 및 정책 버전
• 피처 값
• 점수 및 임계값
• 이유 코드
• 사용된 그래프 관계
• 외부 데이터 소스
• 에이전트 프롬프트 또는 작업 지침
• 검색된 증거
• 도구 호출
• 인간 개입
• 최종 조치
• 타임스탬프
• 데이터 계보
• 원래 결정 후 변경 사항
• 재현 가능한 재생 절차

연방준비제도(Federal Reserve)의 개정된 2026년 모델 위험 지침은 공급업체 제품의 결과 분석, 지속적인 모니터링, 문서화 및 검증을 강조합니다. 또한 기관은 공급업체 모델, 그 한계, 개발 데이터 및 성능을 이해할 책임이 여전히 있다고 명시합니다. 이 지침은 생성형 및 에이전트 모델을 공식 범위에서 제외하지만, 지침에 포함되지 않는 도구에 대해서도 조직이 적절한 거버넌스 및 통제를 확립해야 한다고 말합니다. (federalreserve.gov)

결제 카드 산업 보안 표준 위원회(PCI Security Standards Council)도 마찬가지로 인공지능 활동을 로깅하고 모니터링하며, 책임 있는 인간을 식별하고, 가능한 경우 프롬프트 및 추론 프로세스를 감사할 수 있는 충분한 정보를 보존할 것을 권고합니다. (blog.pcisecuritystandards.org)

유용한 원칙은 다음과 같습니다:

그럴듯한 설명이 결정이 옳았다는 증거는 아닙니다.

2026년에 발표된 연구는 조사 에이전트의 추론 품질이 기본 사기 결정의 품질과 별도로 평가되어야 한다고 주장합니다. (arxiv.org)

차지백 대비 사기 적발 향상 측정

사기 적발 향상과 차지백 감소는 관련이 있지만 다릅니다.

사기 적발 향상

유용한 측정치는 다음과 같습니다:

사기 적발 향상 = 배포 후 적발된 사기 - 배포 전 적발된 사기 / 배포 전 적발된 사기

이는 다음 각각에 대해 별도로 계산되어야 합니다:

• 거래 건수
• 사기 금액
• 확인된 무단 사기
• 승인된 푸시 결제 사기
• 계정 탈취
• 카드 미제시 사기
• 1차 사기 (first-party fraud)
• 가상 신원
• 판매자 사기
• 자금 세탁용 계정 활동

차지백율

차지백율은 다음으로 계산되어야 합니다:

차지백 건수 / 정산된 거래 건수

또한 다음을 측정하십시오:

• 차지백 금액
• 차지백 베이시스 포인트
• 재청구 성공률
• 고객 분쟁률
• 사기 관련 차지백 대 서비스 관련 분쟁
• 거래에서 차지백까지의 시간
• 차지백 회수 비용
• 고객 불만 사항
• 오거부
• 승인율

플랫폼은 더 많은 거래를 거부함으로써 차지백을 줄일 수 있지만, 이는 수익에 손해를 줄 수 있습니다. 반대로, 플랫폼은 더 나은 타겟팅을 통해 사기 가치를 낮추면서 승인을 늘릴 수 있습니다.

따라서 올바른 비즈니스 지표는 "가장 낮은 차지백율"이 아닙니다. 그것은 다음과 같습니다:

허용 가능한 오거부, 승인, 고객 불편 및 운영 비용으로 방지 및 회수된 최대 사기 금액.

피크 부하 시 지연 시간

공급업체의 지연 시간 주장은 직접 비교할 수 없습니다. 주장은 다음을 지칭할 수 있습니다:

• 평균 지연 시간
• 중앙값 지연 시간
• 95번째 백분위수 지연 시간
• 99번째 백분위수 지연 시간
• 모델 전용 지연 시간
• 종단 간 지연 시간
• 웜 캐시 성능
• 단일 결제 방식
• 생산 환경이 아닌 테스트 환경

공개된 예시로는 Unit21의 250밀리초 미만 의사 결정 주장, Hawk의 150밀리초 평균 거래 사기 결정, ComplyAdvantage의 1초 미만 및 초당 100건 이상 거래 처리 주장, 그리고 NICE Actimize의 밀리초 수준 마케팅 용어가 있습니다. (unit21.ai)

진지한 성능 테스트는 다음을 측정해야 합니다:

• 중앙값 지연 시간
• 95번째 백분위수 지연 시간
• 99번째 백분위수 지연 시간
• 최대 지속 가능한 처리량
• 피크 버스트 처리량
• 콜드 스타트 지연 시간
• 종속성 시간 초과 동작
• 큐 증가
• 페일 오픈 및 페일 클로즈 동작
• 결제 방식별 지연 시간
• 그래프 풍부화 시 지연 시간
• 컨소시엄 조회 시 지연 시간
• 모델 업데이트 중 지연 시간
• 지역 페일오버 성능

조사 에이전트는 일반적으로 핵심 결제 경로 외부에 있어야 합니다. 결제는 오픈 소스 인텔리전스 검색, 대규모 그래프 탐색 또는 생성형 설명서를 기다려서는 안 됩니다. 거래 결정은 신속하게 완료되어야 하며, 심층 조사는 비동기적으로 진행되어야 합니다.

데이터 개인 정보 보호 및 보안

사기 시스템은 금융 거래, 계정 관계, 장치 데이터, 신원 기록 및 행동 패턴을 포함하여 매우 민감한 정보를 처리합니다.

미국에서는 Gramm-Leach-Bliley Act가 적용 대상 금융 기관에 정보 공유 관행을 설명하고 민감한 고객 정보를 보호하도록 요구합니다. 연방거래위원회(Federal Trade Commission)의 Safeguards Rule 또한 적용 대상 기관에 의무를 부과하고 고객 데이터를 처리하는 서비스 제공업체에 주의를 기울이도록 요구합니다. (ftc.gov)

일반 데이터 보호 규정(GDPR)은 법적 또는 유사하게 중요한 영향을 미치는 자동화된 처리에 전적으로 기반한 결정에 추가적인 제한을 둡니다. 또한 관련 상황에서 인간 개입의 권리를 포함한 적절한 보호 조치를 요구합니다. (eur-lex.europa.eu)

결제 카드 산업 데이터 보안 표준(PCI DSS)은 카드 소지자 데이터를 저장, 처리 또는 전송하는 엔티티에 적용됩니다. 결제 카드 산업 보안 표준 위원회는 결제 환경에서 사용되는 인공지능 시스템에 대해 토큰화, 분할, 암호화, 접근 제어, 로깅 및 책임 있는 인간 감독을 권고합니다. (pcisecuritystandards.org)

모든 공급업체에 물어볼 개인 정보 보호 질문

1. 고객 데이터가 공유 모델을 훈련하는 데 사용됩니까?
2. 고객은 모델 훈련에서 제외될 수 있습니까?
3. 개인 식별 정보는 제거되거나 토큰화됩니까?
4. 결제 카드 번호는 토큰으로 대체됩니까?
5. 데이터는 어디에 저장되고 처리됩니까?
6. 데이터는 선택된 지리적 지역 내에 유지될 수 있습니까?
7. 컨소시엄 신호는 익명화됩니까?
8. 원시 고객 기록이 다른 기관과 공유됩니까?
9. 보존 기간은 얼마입니까?
10. 계약 종료 시 데이터를 삭제할 수 있습니까?
11. 어떤 하위 처리자가 데이터를 받습니까?
12. 대규모 언어 모델 프롬프트가 보존됩니까?
13. 조사 에이전트가 외부 웹사이트에 액세스할 수 있습니까?
14. 에이전트 도구는 역할 및 정책에 의해 제한됩니까?
15. 사례 기록은 저장 중 및 전송 중 암호화됩니까?
16. 기관은 모든 데이터 액세스를 감사할 수 있습니까?
17. 프라이빗 클라우드 또는 온프레미스 배포가 가능합니까?

Feedzai는 원시 고객 데이터는 로컬에 유지하고 익명화된 신호만 교환되는 연합 학습 접근 방식을 설명합니다. ComplyAdvantage는 지리적 분리 및 기업 보안 제어를 설명합니다. Hawk는 서비스형 소프트웨어, 프라이빗 클라우드 및 온프레미스 배포 옵션을 광고합니다. Unit21의 구매자 안내서는 데이터 격리, 암호화, 지역 호스팅, 모델 훈련 제한, 피드백 제어 및 품질 보증을 강조합니다. (feedzai.com)

이는 유용한 설계 선택이지만, 어떤 것도 자동으로 법적 준수를 증명하지는 않습니다. 기관은 데이터 처리 계약, 개인 정보 보호 고지, 위험 평가 및 제3자 감독에 대한 책임이 계속 있습니다.

모델 드리프트 모니터링

사기는 적대적입니다. 통제가 효과적이게 되면 범죄자들은 장치, 금액, 판매자, 수혜자, 결제 시간, 신원 정보 또는 거래 경로를 변경합니다.

모델 모니터링 프로그램은 다음을 추적해야 합니다:

데이터 드리프트

• 거래 금액 변화
• 새로운 판매자 카테고리
• 새로운 국가 또는 지역
• 장치 및 브라우저 변화
• 누락되거나 지연된 필드
• 새로운 결제 방식
• 고객 구성 변화
• 거래 상대방 구성 변화

예측 드리프트

• 점수 분포
• 경고량
• 거부량
• 검토량
• 자동 처리율
• 임계값 안정성
• 보정

결과 드리프트

• 레이블이 충분히 축적된 후의 정밀도
• 재현율
• 사기 금액 적발
• 차지백율
• 오거부
• 고객 불만 사항
• 분쟁 결과
• 분석가 재정의
• 의심스러운 활동 보고서 전환

운영 드리프트

• 조사 시간
• 큐 대기 시간
• 사례당 분석가 접촉 횟수
• 증거 검색 실패
• 에이전트 도구 오류
• 환각 또는 근거 없는 주장
• 규칙 변경
• 모델 버전 변경
• 데이터 소스 중단

연방준비제도의 2026년 지침은 제품, 고객, 노출 및 시장 상황이 변화함에 따라 모델이 정확하고 목적에 적합하며 신뢰할 수 있는지 판단하기 위해 지속적인 모니터링 및 결과 분석을 권고합니다. (federalreserve.gov)

Featurespace는 수동 재훈련을 줄이기 위한 적응형 행동 모델을 강조합니다. Feedzai는 레이블을 사용할 수 있게 되기 전에 스트리밍 드리프트를 탐지하는 연구를 발표했습니다. Unit21은 새로운 사기 로직 테스트를 위한 섀도우, 검증 및 샌드박스 모드를 제공합니다. ComplyAdvantage는 적중률 및 오탐 추세와 같은 규칙 성능 지표를 제공합니다. Hawk는 모델 라이프사이클 관리 및 자동 모델 거버넌스를 추진합니다. (staging.www.featurespace.com)

특히 중요한 통제는 지연 레이블 모니터링입니다. 차지백 및 확인된 사기 레이블은 원래 결정 후 몇 주 또는 몇 달 후에 도착할 수 있습니다. 조직은 최종 사기 레이블을 기다리지 않고 입력 분포, 경고 패턴 또는 고객 행동의 갑작스러운 변화를 모니터링해야 합니다.

권장 구매자 평가표

실용적인 평가는 다음과 같이 가중치를 할당할 수 있습니다:

각 공급업체에 동일한 평가를 실행하도록 요구하십시오:

1. 확인된 결과를 포함하는 과거 거래 샘플을 제공합니다.
2. 무작위 분할 대신 연대순 테스트 분할을 사용합니다.
3. 조용한(silent) 생산 재현을 실행합니다.
4. 현재 규칙 및 모델과 비교합니다.
5. 실제 검토율에서 정밀도를 측정합니다.
6. 실제 거부율에서 재현율을 측정합니다.
7. 적발된 사기 가치를 보고합니다.
8. 차지백 및 오거부 효과를 보고합니다.
9. 중앙값, 95번째 백분위수 및 99번째 백분위수 지연 시간을 측정합니다.
10. 경고당 및 사례당 분석가 소요 시간을 측정합니다.
11. 피크 트래픽 및 종속성 실패를 테스트합니다.
12. 사기 분석가 및 준법 감시인과 함께 설명을 검토합니다.
13. 국가, 제품, 판매자 및 결제 방식에 걸쳐 모델 드리프트를 테스트합니다.
14. 에이전트 권고 사항을 원본 증거와 비교하여 감사합니다.
15. 파일럿 기간 동안 고가치 조치를 인간 검토 모드로 유지합니다.

시장 격차와 구축해야 할 더 나은 솔루션

가장 큰 시장 격차는 또 다른 사기 점수가 아닙니다. 그것은 공급업체 주장을 측정 가능하게 하고 규제 검토를 재현 가능하게 하는 표준화된, 증거 기반 사기 운영 플랫폼입니다.

더 강력한 솔루션은 다음을 포함할 것입니다.

1. 두 가지 속도의 아키텍처

• 100밀리초 미만의 동기식 거래 의사 결정
• 비동기식 그래프 확장 및 조사
• 연구 및 교정을 위한 별도 에이전트 환경
• 결제 승인 경로에 대규모 언어 모델 종속성 없음

2. 범용 평가 하네스

플랫폼은 다음을 자동으로 계산해야 합니다:

• 정밀도
• 재현율
• 고정 검토율에서의 정밀도
• 고정 거부율에서의 재현율
• 사기 금액 적발
• 차지백율
• 오거부율
• 승인율
• 절약된 분석가 시간
• 사례 해결 시간
• 95번째 및 99번째 백분위수 지연 시간
• 세그먼트 및 유형별 드리프트

이는 기관이 동일한 정의를 사용하여 공급업체를 비교할 수 있도록 할 것입니다.

3. 규제 기관 재생 패키지

모든 중요한 결정에 대해 시스템은 다음을 보존해야 합니다:

• 입력 데이터
• 모델 버전
• 규칙 버전
• 그래프 버전
• 점수
• 임계값
• 이유 코드
• 증거
• 에이전트 조치
• 인간 개입
• 최종 결정
• 재현 가능한 재생 지침

4. 개인 정보 보호 네트워크 인텔리전스

미래의 컨소시엄은 다음을 지원해야 합니다:

• 연합 학습
• 보안 다자간 계산
• 토큰화된 식별자
• 적절한 경우 차등 개인 정보 보호
• 지역 처리
• 기관이 통제하는 데이터 보존
• 투명한 컨소시엄 거버넌스

5. 안전한 교정 오케스트레이션

에이전트는 구성 가능한 위험 등급에 따라 조치를 권고하고 실행해야 합니다:

• 낮은 위험의 오탐은 자동으로 종료될 수 있음
• 중간 위험 사례는 분석가 승인이 필요할 수 있음
• 고가치 결제는 이중 승인이 필요할 수 있음
• 계정 폐쇄는 인간의 결정이 필요할 수 있음
• 규칙 변경은 테스트 및 버전 관리가 필요함
• 규제 서류는 책임 있는 인간 서명이 필요함

6. 증거 품질 점수 매기기

시스템은 사기 결정뿐만 아니라 이를 뒷받침하는 증거의 품질도 점수를 매겨야 합니다:

• 모든 주장이 원본 기록과 연결되어 있습니까?
• 에이전트가 오래된 정보를 사용했습니까?
• 모순되는 증거를 누락했습니까?
• 관련 엔티티를 주체와 혼동했습니까?
• 정책 외의 조치를 권고했습니까?
• 다른 조사관이 결론을 재현할 수 있습니까?

이는 세련되었지만 근거 없는 조사 설명을 방지하는 데 도움이 될 것입니다.

결론

최고의 사기 탐지 및 거래 모니터링 에이전트는 단순히 경고 큐에 연결된 챗봇이 아닙니다. 이들은 실시간 규칙, 머신러닝, 행동 분석, 그래프 인텔리전스, 조사 자동화, 설명 가능성 및 통제된 교정을 결합한 계층화된 위험 시스템입니다.

대부분의 기관에 있어 가장 강력한 목표 아키텍처는 다음과 같습니다:

1. 명확한 정책 통제를 위한 규칙
2. 행동 위험 점수 매기기를 위한 머신러닝
3. 연결된 사기 및 금융 범죄를 위한 그래프 분석
4. 증거 수집을 위한 조사 에이전트
5. 중요 조치에 대한 인간 승인
6. 드리프트, 지연 시간, 개인 정보 보호 및 결과 품질에 대한 지속적인 모니터링

Unit21과 Sardine은 에이전트 기반 사기 운영 및 디지털 금융 서비스에 특히 강력합니다. Feedzai와 Featurespace는 대규모 결제 사기 탐지에서 강력한 증거를 가지고 있습니다. ComplyAdvantage와 NICE Actimize는 거래 모니터링, 조사 및 규제 보고에 있어 좋은 선택입니다. Hawk는 설명 가능한 실시간 의사 결정에서 두각을 나타냅니다. Quantexa는 그래프 기반 상황별 조사에 특히 강력합니다. Nasdaq Verafin은 컨소시엄 기반 북미 금융 범죄 운영에 적합하며, FICO는 의사 결정 및 모델 거버넌스에 대한 심층적인 통제를 원하는 기관에 강력한 옵션입니다.

결정적인 구매 기준은 가장 인상적인 인공지능 시연이 되어서는 안 됩니다. 대신 플랫폼이 기관 자체 데이터 및 생산 규모에서 다음을 입증할 수 있는지 여부여야 합니다:

• 더 높은 사기 재현율
• 더 나은 정밀도
• 더 많은 사기 가치 적발
• 과도한 거부 없는 낮은 차지백
• 적은 분석가 시간
• 신뢰할 수 있는 피크 부하 지연 시간
• 방어 가능한 설명
• 강력한 개인 정보 보호 제어
• 측정 가능한 모델 드리프트 저항성