핀테크 플랫폼을 위한 사기 탐지 모델 평가
한 핀테크 플랫폼은 정상 거래에 대한 오탐을 늘리지 않으면서 사기 탐지 모델의 정밀도를 높이기 위해, 정확하게 어노테이션된 금융 문서와 사람이 검토한 거래 샘플이 필요했습니다.
Client snapshot
| Industry | 금융 기술 및 결제 |
|---|---|
| Region | 북미와 라틴 아메리카 |
| Engagement type | 금융 문서 어노테이션 및 거래 검토 평가 |
The challenge
고객사의 사기 모델은 정상 거래의 상당 부분을 의심스러운 것으로 표시하고 있었고, 사내 팀에는 더 잘 라벨링된 경계 사례로 모델을 재학습시키는 데 필요한 물량의 거래 샘플을 검토하고 다시 어노테이션할 역량이 없었습니다.
The approach
Jwuma는 훈련된 검토자를 배정하여 고객사의 사기 분류 체계에 따라 금융 문서에 어노테이션을 달고 표시된 거래 샘플을 검토했습니다. 이때 실제 사기 패턴과 정상이지만 특이한 활동을 구분하는 전용 채점 기준을 사용했으며, 모호한 사례는 납품 전에 QA 단계를 통해 상향했습니다.
Results
고객사는 다시 어노테이션된 거래 데이터셋으로 모델을 재학습시켰고, 다음 평가 주기에서 정상이지만 특이한 활동과 실제 사기 패턴을 구분하는 능력이 향상되었습니다.
Frequently asked questions
사기 탐지 모델에 사람이 검토한 학습 데이터가 필요한 이유는 무엇인가요?
실제 사기와 특이하지만 정상적인 활동을 구분하려면 맥락에 대한 판단이 필요한 경우가 많은데, 자동 라벨링만으로는 이를 안정적으로 포착하지 못하기 때문입니다.
금융 문서 어노테이션이 일반적인 데이터 라벨링과 다른 점은 무엇인가요?
금융 경계 사례는 모호한 경우가 많고 검토자 한 명의 판단보다 상향 절차가 도움이 되므로, 특정 사기 분류 체계와 채점 기준에 대해 훈련받은 검토자가 필요합니다.
이런 유형의 프로그램은 민감한 금융 데이터를 안전하게 처리할 수 있나요?
예. 공급업체가 신원이 보호되고 접근이 통제되는 검토 워크플로를 적용하고, 기여자의 신원을 고객사에 노출하지 않으며 그 반대도 마찬가지인 경우 가능합니다.
Related case studies
글로벌 모빌리티 플랫폼을 위한 안면 및 신원 인증 데이터
한 글로벌 모빌리티 및 차량 호출 플랫폼은 엄격한 동의 및 생체 정보 처리 요건 아래에서 운전자와 승객의 안전 인증 시스템을 강화하기 위해, 여러 지역에 걸쳐 검증된 안면 및 신원 데이터가 필요했습니다.
로보틱스 AI 프로그램을 위한 에고센트릭 비디오 데이터 수집
한 로보틱스 AI 기업은 임바디드 AI 모델이 단일 실험실 환경을 넘어 일반화되도록 학습시키기 위해, 다양한 환경과 체형에 걸쳐 일관되게 촬영된, 사람이 일상적인 신체 작업을 수행하는 1인칭 비디오가 필요했습니다.
대화형 AI 모델을 위한 RLHF 평가
한 대화형 AI 기업은 기존의 임시 평가자 풀이 일관되지 않은 채점을 낳은 후, RLHF 미세 조정 과정에서 챗봇 응답 품질을 평가할 구조화되고 확장 가능한 사람 평가 파이프라인이 필요했습니다.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.