Sun Finance, AWS 생성형 AI로 ID 추출 및 부정 행위 탐지 자동화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

핀테크 기업 Sun Finance는 기존 OCR 시스템의 한계로 인해 발생하는 높은 수동 검토율을 해결하고자 AWS 생성형 AI 서비스를 도입했습니다. Amazon Textract로 텍스트를 추출하고 Amazon Bedrock(Claude 3 Sonnet)으로 구조화하는 멀티 티어 아키텍처를 통해 ID 추출 정확도를 기존 79.7%에서 90.8%로 개선했습니다. 또한 Amazon Rekognition과 Titan Multimodal Embeddings를 활용한 서버less 부정 행위 탐지 시스템을 구축하여 배경 유사성 분석과 시각적 패턴 감지를 자동화했습니다. 결과적으로 문서당 처리 비용을 91% 절감하고 처리 시간을 최대 20시간에서 5초 미만으로 단축하는 성과를 거두었습니다.

배경

AWS 서버리스 아키텍처(Lambda, Step Functions)에 대한 이해, Amazon Bedrock 및 Anthropic Claude 모델 사용 경험, Terraform을 이용한 인프라 프로비저닝 지식

대상 독자

금융 서비스의 ID 검증 및 부정 행위 탐지 시스템을 구축하려는 AI 아키텍트 및 개발자

의미 / 영향

이 사례는 LLM이 모든 것을 처리하기보다 기존의 특화된 AI 서비스(OCR, 안면 인식)와 협력할 때 최상의 프로덕션 성능을 낸다는 점을 시사합니다. 특히 규제가 엄격하고 PII 처리가 민감한 금융권에서 생성형 AI를 안전하고 효율적으로 도입할 수 있는 실질적인 아키텍처 가이드를 제공합니다.

섹션별 상세

기존 단일 LLM 기반 추출 방식은 개인정보 보호 프로토콜로 인해 PII 데이터 처리에 한계가 있어 정확도가 61.8%에 그쳤습니다. 이를 해결하기 위해 전문 OCR 서비스인 Amazon Textract가 원천 텍스트를 추출하고 Claude가 이를 JSON 구조로 변환하는 역할 분리 방식을 채택했습니다. 이 구조적 개선을 통해 ID 번호 추출 정확도가 43%에서 비약적으로 상승하며 전체 정확도 85%를 달성했습니다. 결과적으로 모델의 안전 가드레일을 우회하면서도 정밀한 데이터 구조화가 가능해졌습니다.

최종 파이프라인은 Amazon Textract를 주력으로 사용하고 신뢰도가 낮을 경우 Amazon Rekognition을 폴백으로 사용하는 멀티 티어 OCR 구조를 구현했습니다. 추출된 텍스트는 Claude를 통해 현지 언어의 특수 문자를 처리하고 문서 유형별 검증 규칙을 적용하여 최종 정확도를 90.8%까지 끌어올렸습니다. 테스트 결과 ID 번호 추출은 15%p, 문서 유형 분류는 96.4%의 높은 성과를 기록했습니다. 이는 단일 도구보다 전문 도구와 LLM의 조합이 실무 환경에서 더 높은 회복탄력성을 가짐을 입증합니다.

AWS Step Functions를 중심으로 한 ID 추출 및 부정 행위 탐지 전체 시스템 아키텍처 다이어그램 — DiagramAPI Gateway를 통해 들어온 요청이 ID 추출 경로와 부정 행위 탐지 경로로 나뉘어 처리되는 과정을 보여줍니다. Step Functions가 Lambda, Rekognition, Bedrock을 오케스트레이션하여 병렬로 사기 점수를 계산하는 구조를 확인할 수 있습니다.

4주간의 개발 과정에 따른 ID 추출 정확도 향상 추이 그래프 — ChartClaude Vision 단독 사용 시 69.8%에서 시작하여 프롬프트 튜닝, Textract 도입, Rekognition 폴백 추가를 거치며 최종 90.8%에 도달하는 과정을 수치로 증명합니다. 특히 Textract 추가 시점에서 11.6%의 급격한 성능 향상이 발생했음을 보여줍니다.

부정 행위 탐지를 위해 AWS Step Functions를 활용하여 시각적 패턴 감지와 배경 유사성 분석을 병렬로 수행하는 시스템을 구축했습니다. Amazon Rekognition으로 얼굴을 마스킹한 후 Amazon Titan Multimodal Embeddings를 통해 배경의 1024차원 벡터를 생성하여 기존 사기 패턴과 비교합니다. 시각적 임베딩 방식은 텍스트 기반 비교보다 높은 96%의 정확도와 80%의 정밀도를 기록하며 사기 조직의 동일 장소 촬영 패턴을 효과적으로 식별합니다. 이 시스템은 보수적인 임계값을 설정하여 오탐을 최소화하면서도 사기 사례의 약 60%를 자동으로 잡아냅니다.

부정 행위 탐지를 위한 텍스트 임베딩과 시각적 임베딩의 성능 비교 차트 — Chart시각적 임베딩(Visual Embeddings)이 정밀도(Precision) 80%, 재현율(Recall) 52.2%를 기록하여 텍스트 기반 방식보다 압도적으로 우수한 성능을 보임을 나타냅니다. 이는 사기 방지 시스템에서 멀티모달 임베딩 도입의 정당성을 부여합니다.

실무 Takeaway

LLM 단독 사용보다 Amazon Textract와 같은 전문 OCR로 텍스트를 먼저 추출한 뒤 LLM으로 구조화하는 방식이 PII 보호 가드레일 문제를 해결하고 정확도를 20% 이상 높인다.
Amazon Titan Multimodal Embeddings를 활용한 배경 유사성 분석은 텍스트 설명 기반 검색보다 정밀도가 약 3배 높아 사기 조직의 패턴 식별에 훨씬 효과적이다.
서버리스 아키텍처와 AWS Step Functions를 통한 병렬 처리는 복잡한 부정 행위 탐지 로직의 지연 시간을 40% 단축하여 실시간 승인 프로세스를 가능하게 한다.

언급된 리소스

문서Amazon Bedrock Product Page

API DocsAmazon Textract Developer Guide