AI 사기 탐지와 결제 보안의 미래

결제 보안 시스템은 거의 완벽해 보일 수 있지만 가장 중요한 역할을 수행하지 못할 수도 있습니다. 사기가 전체 거래의 아주 작은 비율에 불과하다면 모든 거래를 승인하는 알고리즘은 대부분의 경우 정확할 것입니다. 고객은 중단이 적어질 수 있지만, 범죄자는 전혀 저항을 받지 못하게 됩니다.

그 긴장은 Herlina Manurung과 Dyah Rizki Arinengsih가 수행한 새로운 체계적 리뷰의 중심에 놓여 있으며, Social Sciences & Humanities Open에 게재되었습니다.¹ 금융 보고, 결제 및 네트워크 기반 사기 탐지에 관한 38개의 연구를 종합한 이 연구자들은 신뢰할 수 있는 보호를 위해서는 인상적인 벤치마크 점수만으로는 충분하지 않다고 주장합니다.

은행, 결제 네트워크 및 투자자에게 이 의미는 실질적입니다. 더 나은 사기 탐지는 수익을 보호하고 운영 비용을 감소시킬 수 있습니다. 그러나 이러한 이점은 의심스러운 행동을 정당한 활동과 구별하고, 범죄자들이 적응함에 따라 유용성을 유지하며, 조사관이 조치를 취할 수 있는 증거를 제공하는 시스템에 달려 있습니다.

높은 정확도가 약한 사기 탐지를 가릴 수 있는 이유

가상의 결제 플랫폼이 100,000건의 거래를 처리하고 그 중 100건이 사기라고 가정해 보십시오. 모든 거래를 정상으로 라벨링하는 모델은 사기를 전혀 탐지하지 못하면서도 99.9%의 정확도를 달성합니다.

이제 80건의 사기 거래를 포착하지만 99,900건의 정상 거래 중 1%를 잘못 표시하는 시스템을 상상해 보세요. 이 시스템은 1,079개의 경보를 생성하며, 그 중 999건은 오경보입니다. 경보의 약 7.4%만이 실제 사기를 식별합니다. 이러한 수치는 문제를 보여주는 예시이며, 리뷰 결과가 아닙니다.

이러한 시스템도 거래 금액과 경보 처리 방식에 따라 상당한 손실을 방지할 수 있습니다. 그러나 그 유용성은 정확도만으로 판단할 수 없습니다. 조사관은 경보를 처리해야 하고, 고객은 불필요한 어려움을 겪을 수 있으며, 상점은 정상적인 판매를 잃을 수 있습니다.

따라서 이 리뷰는 정밀도, 재현율 및 비용 민감도 평가의 중요성을 강조합니다. 정밀도는 표시된 사례 중 실제 사기인 비율을 측정합니다. 재현율은 시스템이 포착하는 사기의 비율을 측정합니다. 어느 하나의 지표도 실수의 재정적 영향을 이해하는 필요성을 대체하지 못합니다.

상업적 목표는 총 피해를 줄이는 것입니다: 사기 손실, 조사 비용, 고객 마찰, 그리고 잘못된 거절로 인한 매출 손실.

사기 탐지 리뷰에서 발견된 내용

저자들은 네 가지 차원—희귀 사건 및 불균형 오류 비용 처리, 신뢰할 수 있는 평가 유지, 변화하는 조건 및 의도적 조작에 대한 저항, 관계와 해석 가능한 증거 활용—을 중심으로 결과를 정리합니다.

그들의 기술적 분석은 정교한 모델링과 문서화된 복원력 테스트 사이에 격차가 있음을 보여줍니다.

이 범주들은 겹칩니다. 카운트는 저자들의 원본 요약에 의해 지원되는 최소 빈도를 나타내며, 보고되지 않은 방법이 자동으로 부재로 간주되어서는 안 됩니다.

이 리뷰에는 한계도 있습니다. 근거는 주로 Scopus에 색인된 영어 연구에 의존하고, 불완전한 과거 스크리닝 기록이 감사 추적을 제한합니다. 데이터셋, 사기 정의 및 평가 방법 간 차이로 인해 정량적 통합이 불가능했습니다. 이는 모든 대안을 지속적으로 능가하는 단일 알고리즘을 증명한다기보다 유용한 설계 프레임워크를 제공합니다.

왜 사기 모델은 미래에 대비해 테스트되어야 하는가

어제의 거래로 학습된 모델은 두 가지 변화에 직면합니다. 고객이 여행을 가거나, 상점이 프로모션을 시작하고, 결제 습관이 변함에 따라 정상적인 행동이 이동합니다. 범죄자도 탐지를 피하기 위해 전략을 수정합니다. 이 리뷰는 분포 변화와 의도적 적대적 행동을 구분하면서, 두 가지 모두가 왜 중요한지 보여줍니다.

테스트는 이러한 과제를 우연히 가릴 수 있습니다. 과거 거래를 무작위로 분할하면 훈련 및 평가 세트에 서로 밀접하게 관련된 기록이 모두 포함될 수 있습니다. 이 경우 모델은 실제 새로운 활동을 마주했을 때 반드시 이용할 수 없는 친숙한 고객이나 패턴으로부터 이점을 얻습니다.

후속 기간에 테스트하거나, 훈련과 평가 사이에 엔터티를 분리하는 것은 더 까다로운 평가를 제공합니다. 그럼에도 배포 후 성능을 지속적으로 모니터링해야 합니다.

이는 사기 기술을 평가하는 다른 방식을 제시한다: 악화가 언제 눈에 띄게 되는지, 시스템이 얼마나 안전하게 복구될 수 있는지를 묻는 것이다. 새로운 공격이 몇 주 동안 탐지되지 않은 채로 남아 있다면, 초기 점수가 높더라도 그 가치는 제한적이다.

유용한 운영 질문에는 다음이 포함된다:

• 관리 가능한 알림량에서 얼마나 많은 사기가 적발되는가?
• 정상 거래가 얼마나 자주 중단되는가?
• 행동이 변하거나 공격자가 적응할 때는 어떻게 되는가?
• 조사관이 증거를 이해하고 검증할 수 있는가?

그래프 AI가 사기 네트워크를 드러낼 수 있다

개별 거래만으로는 전체 상황을 파악하기 어렵다. 여러 건의 겉보기 평범한 결제가 동일한 기기를 사용하거나 같은 목적지 계좌에 연결되거나 상점 간에 비정상적인 순서를 형성할 경우 의심스러워질 수 있다.

그래프 기반 학습은 엔터티를 연결된 노드로 표현하여 모델이 거래 속성뿐 아니라 관계도 검토할 수 있게 한다. 이는 개별 거래 점수만으로는 놓칠 수 있는 협조적 행동을 식별하는 데 도움이 된다.

관계 분석의 더 넓은 중요성은 암호화폐 세탁 거래 및 시장 조작에도 적용되며, 겉보기에 독립적인 활동이 실제로는 협조를 숨길 수 있다. 탐지 과제는 다르지만, 두 경우 모두 맥락 없이 집계된 활동이 오해를 불러일으킬 수 있음을 보여준다.

그래프 자체에도 취약점이 존재한다. 범죄자는 의심스러운 계정을 위장하기 위해 겉보기에 합법적인 연결을 만들 수 있으며, 오래되었거나 불완전한 관계는 위험 평가를 왜곡할 수 있다. 따라서 이 검토는 구조적 정보를 자동적인 결과 보증이 아닌, 검증하고 보호해야 할 대상으로 간주한다.

여기서도 설명이 중요하다. 경보 뒤에 있는 계정이나 거래 경로를 조사관에게 보여주면 증거를 검토하기가 쉬워진다. 그러나 이것만으로 사기가 발생했음을 입증하는 것은 아니다.

향상된 사기 탐지는 결제 수익을 보호할 수 있다

경제적 기회는 도난 방지에만 국한되지 않는다. 정당한 거래가 잘못 거부되면 고객은 다른 카드나 상점으로 이동할 수 있다. 과도한 경보는 더 심각한 위협을 조사하는 데 사용할 수 있는 직원 시간을 소모한다.

Securities.io가 설명한 카드 네트워크, 발행사, 인수사 및 프로세서와 같이 결제는 다양한 역할을 가진 여러 기업이 관여한다. 인가 결정의 개선은 거래 체인 전반에 걸쳐 이점을 창출할 수 있지만, 그 이점이 모든 참여자에게 동일하게 돌아가지는 않는다.

Mastercard가 2026년에 논의한 AI 결제 사기 방지는 수동 검토 감소와 오탐 감소를 비즈니스 목표로 강조한다. 이는 상업적 맥락을 제공하지만, 학술 검토의 독립적인 검증은 아니다.

유용한 시사점은 탐지와 개입을 함께 평가해야 한다는 것이다. 위험 점수는 일시적 보류, 추가 인증, 수동 검토 또는 거부를 촉발할 수 있다. 적절한 대응을 선택하는 것이 점수를 산출하는 것만큼 중요할 수 있다.

Mastercard, AI 결제 보안에 대한 노출 제공

이러한 인센티브는 AI 기반 금융 인프라에 관심 있는 투자자에게 Mastercard를 관련 기업으로 만든다.

그의 Decision Intelligence Pro는 그래프 기법과 생성 AI 모델을 결합해 행동 및 관계적 맥락을 활용해 거래 위험을 평가한다. Mastercard는 이 서비스를 사기 탐지를 개선하고 오거절을 줄이는 데 중점을 두고 포지셔닝한다.

검토와의 연관성은 개념적이다. 논문은 Mastercard 제품을 테스트하거나 상업적 주장을 검증하지 않는다. 그러나 회사의 접근 방식은 네트워크 정보와 맥락 분석이 금융 기관에 판매되는 서비스가 될 수 있음을 보여준다.

투자자에게 잠재적 이점은 거래 인텔리전스, 기존 고객 관계, 인가 워크플로에의 통합을 결합하는 데 있다. 이것이 지속 가능한 경쟁 장벽이 될지는 실행력, 데이터 거버넌스, 경쟁 서비스, 고객의 실측 결과에 달려 있다.

Mastercard는 사기 탐지에만 국한되지 않고 보다 넓은 결제 노출을 제공한다. 따라서 기업 가치와 전반적인 사업 실적은 기회를 평가할 때 여전히 중요한 요소이다.

최신 Mastercard (MA) 뉴스 및 개발 사항

신뢰할 수 있는 AI 사기 탐지는 측정 가능한 결과를 필요로 한다

이 검토는 금융 보안 향상에 대한 낙관을 뒷받침하면서, 진전이 의미하는 바를 명확히 한다. 성공은 더 큰 해로운 활동을 포착하면서 과도한 방해를 일으키지 않고, 상황 변화에 따라 성능을 유지하며, 조사관에게 유용한 증거를 제공하는 데 달려 있다.

다음 경쟁 우위는 이러한 역량을 신뢰할 수 있는 운영에 연결하는 데서 올 수 있다. 결제 기업에게 의미 있는 벤치마크는 사기 손실, 운영 비용, 고객 마찰을 고려한 후 남는 보호 가치가 얼마나 되는가이다.

References:

¹ Manurung, H., & Arinengsih, D. R. (2026). 불균형, 희소성 및 적대적 행동 하에서 사기 탐지를 위한 강인한 머신러닝: 재무 보고, 결제 및 그래프 생태계 전반에 걸친 증거. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697