금융 사기 탐지를 위한 Amazon Bedrock Knowledge Bases와 GraphRAG 실전 가이드

금융 사기를 막는 새로운 전략: Amazon Bedrock Knowledge Bases와 GraphRAG 활용 가이드

금융 사기는 전 세계적으로 연간 400억 달러 이상의 손실을 야기하는 심각한 문제입니다. 특히 최근에는 사기 조직이 고도로 정교한 방식으로 다수의 계정과 채널을 동시에 활용하기 때문에, 기존의 단순한 규칙 기반 시스템만으로는 탐지하기 어려운 상황입니다. 이러한 복잡한 관계를 분석하고 실시간으로 사기를 감지하기 위한 기술로 떠오른 것이 바로 Amazon Bedrock Knowledge Bases와 GraphRAG입니다. 이번 블로그에서는 이 기술들이 어떻게 금융 사기를 방지하는 데 사용될 수 있는지, 그리고 실질적인 구축 및 활용 방법을 상세히 살펴보겠습니다.

기존 RAG 시스템의 한계

기존의 Retrieval-Augmented Generation(RAG) 시스템은 개별 문서 조각을 검색하고 질문과 유사한 내용을 가진 텍스트를 찾는 데에는 효과적입니다. 하지만 아래와 같은 금융 사기 탐지 시나리오에서는 한계를 드러냅니다.

• 증거가 여러 문서나 시스템에 흩어져 있는 경우
• 관계성 추론이 중요한 경우
• 다단계 추론과 맥락 연결이 필요한 경우
• 동일 인물을 여러 지표에서 정확하게 연결해야 하는 경우

이처럼 기존 RAG는 문맥과 관계성을 해석하는 데 필요한 기능이 부족하여, 고도화된 사기 수법을 감지하는 데 어려움을 겪습니다.

GraphRAG으로 해결하는 금융 사기 탐지 문제

Amazon Bedrock Knowledge Bases에서 제공하는 GraphRAG는 이런 한계를 극복하며 강력한 관계 기반 분석 역량을 제공합니다. 사용자는 복잡한 그래프 인프라를 직접 구축할 필요 없이, 관계형 데이터를 시각적 그래프로 자동 생성해 사기 탐지의 정확도를 높일 수 있습니다. 특히 Amazon Neptune Analytics를 백엔드로 활용함으로써, 방대한 계정 거래, 디바이스 정보, 사용자 관계 등을 분석하는 구조를 자동화할 수 있습니다.

이 시스템은 기본적으로 다음과 같은 정보들로 그래프를 구성합니다.

• accounts (계좌)
• individuals (개인)
• devices (기기)
• transactions (거래)
• merchants (가맹점)
• relationships (관계)

AnyCompany Bank의 활용 사례

호주의 가상 은행인 AnyCompany Bank는 GraphRAG를 사용하여 이상 거래 감지, 사용자와 디바이스 간 관계 분석, 시간적 패턴 분석 등을 수행하며 사기 가능성을 빠르게 파악합니다. 예를 들어, 다음과 같은 자연어 쿼리를 통해 관계 기반 탐지를 진행합니다.

• “ABC Electronics에서 처리된 모든 거래를 보여줘”
• “계정 A003에 접근한 디바이스는?”
• “동일 날짜에 거래와 기기 접근이 있었던 계정은?”

사용자는 Claude 3.5 Haiku 모델을 사용하여 자연어로 인사이트를 확보하게 되며, 수 시간 또는 수일 걸리던 조사 과정을 분 단위 처리로 단축시킬 수 있습니다.

자동화된 구축 절차와 활용 방법

1. Amazon S3에 데이터 업로드

   • Excel 파일 형식으로 위의 6개 테이블 업로드

2. Knowledge Base 생성 및 구성

   • Amazon Bedrock의 Knowledge Bases 메뉴에서 생성 시작
   • Claude 3.5 Haiku 및 Titan Text Embeddings V2 사용
   • 벡터 저장소는 Amazon Neptune Analytics로 설정

3. 동기화 진행 및 엔티티 추출

   • Amazon Bedrock이 자동으로 엔티티와 관계를 추출하고 그래프를 구성

4. 질의 실행

   • 간단한 거래 확인부터 고난이도의 패턴 탐지까지 자연어로 실행 가능

활용을 위한 권장 구성 요소

• Amazon S3: 데이터 저장소
• Amazon Bedrock: 지식베이스 생성 플랫폼
• Claude 3.5 Haiku: 생성형 AI 모델
• Titan Embeddings V2: 텍스트 임베딩 모델
• Amazon Neptune Analytics: 그래프 저장소 및 분석 엔진

결론

GraphRAG는 기존의 규칙 및 패턴 기반 시스템으로는 감지하기 어려운 금융 사기를 탐지하는 데 최적화된 인텔리전트 문서 처리 기술입니다. 조직 전체의 관계성 데이터를 모델링하고 이를 자연어 질의로 분석할 수 있는 역량은, 금융권 보안팀이 빠르게 진화하는 사기 행태에 선제적으로 대응할 수 있도록 도와줍니다. 자동화된 그래프 구축, 생성형 AI의 자연어 이해력, 그리고 관계 기반 추론이라는 세 요소가 융합되어 지금까지와는 차원이 다른 사기 방지 체계를 가능하게 합니다.

https://aws.amazon.com/blogs/machine-learning/combat-financial-fraud-with-graphrag-on-amazon-bedrock-knowledge-bases/