서로 다른 평가 방식은 같은 표본으로 비교
규칙 기반
- 정의한 조건운영자가 조건을 정함
- 조건 검사설명 가능한 적중 이유
모델 기반
- 학습 데이터대표성과 품질 확인
- 학습한 관계별도 검증과 변경 관리
비교 검증
- 같은 검증 표본정밀도·미탐·업무량 비교
- 제공 범위 확인실제 상품 계약에서 확인
일반적인 방식 비교입니다. 이 도표는 모든 가디언 상품의 모델 제공이나 정확도를 보장하지 않습니다.
규칙은 기준을 명시한다
규칙 기반 평가는 일정 시간 내 횟수나 금액처럼 사람이 정한 조건을 검사합니다. 어떤 조건이 충족되었는지 설명하기 쉽고 초기 이력이 적어도 시작할 수 있습니다. 대신 업종이나 계절 변화에 맞춰 기준을 관리해야 합니다.
모델은 데이터로 관계를 학습한다
머신러닝 방식은 학습 데이터의 관계를 이용해 새로운 입력을 평가합니다. 여러 특성의 조합을 활용할 수 있지만, 학습 표본이 운영 환경을 대표하는지 확인해야 합니다. 과거에 검토된 거래만 정답으로 사용하면 당시 검토 정책의 편향까지 학습할 수 있습니다.
같은 표본으로 비교하기
가령 금액 규칙이 대형 가맹점 거래를 계속 탐지한다면 가맹점별 기준을 보완할 수 있습니다. 모델을 도입한다고 이 문제가 자동으로 해결되지는 않습니다. 동일한 기간과 가맹점 표본에서 정상 거래 오탐, 놓친 사례, 평가 지연을 비교해야 합니다.
선택 기준
설명 가능성, 데이터 확보, 변경 검증 비용, 장애 시 대체 경로를 함께 고려하세요. 규칙과 모델을 함께 사용한다면 점수 결합 방식과 각 결과의 근거도 남겨야 합니다. 이 문서는 평가 방식의 일반적인 비교이며 특정 모델의 정확도나 모든 GUARDIAN 상품의 모델 제공을 의미하지 않습니다. 현재 제공 범위는 제품 소개에서 확인하세요.
가상 검증 사례
가상 비교에서는 동일한 정상·위험 표본에 두 방식을 적용하고 검토량과 놓친 사례를 함께 기록합니다. 학습에 사용한 표본만으로 모델 성능을 평가하면 실제 신규 거래의 성능을 확인했다고 볼 수 없습니다.
이 사례는 실측 성능이나 실제 고객 자료가 아닙니다. 제품의 적용 범위는 GUARDIAN 제공 범위를 기준으로 확인합니다.
| 항목 | 규칙 | 머신러닝 |
|---|---|---|
| 기준 | 사람이 정의한 조건 | 학습 데이터에서 얻은 관계 |
| 검증 | 예외·경계값·업무 변경 | 대표성·분리된 검증 표본 |
| 공통 | 동일 표본의 오류와 지연 확인 | 정확도 보장으로 해석하지 않음 |
주장과 근거
- 규칙은 사람이 정한 조건을 검사하고 머신러닝은 학습 데이터의 관계를 이용합니다. 데이터 대표성과 변경 검증 비용을 비교해야 하며, 일반적인 모델 설명이 모든 GUARDIAN 상품의 모델 제공이나 정확도 보장을 뜻하지는 않습니다. [GUARDIAN 제공 범위]
- 가상 비교에서는 동일한 정상·위험 표본에 두 방식을 적용하고 검토량과 놓친 사례를 함께 기록합니다. 학습에 사용한 표본만으로 모델 성능을 평가하면 실제 신규 거래의 성능을 확인했다고 볼 수 없습니다. (가상 예시) [이 문서의 가상 검증 사례]
출처 목록
- GUARDIAN 제공 범위 · GUARDIAN FDS · 확인
- 이 문서의 가상 검증 사례 · GUARDIAN FDS · 설명용 사례 · 확인