AI
FDS에 지속 성장하는 ML 모델 적용 이야기
두줄요약
카카오페이 FDS에 지속 성장하는 ML을 적용해 급변하는 사고 패턴에 대응한 사례를 소개했습니다. 지속적 학습과 자가 적응 피처로 신규 유형 사고 탐지 성능을 높였습니다.
핵심 내용
- 카카오페이 FDS에 지속 성장하는 ML 모델을 도입한 사례
- 규칙 기반 탐지만으로는 어려운 급변하는 사고 패턴 대응 필요성
- 지속적 학습과 자가 적응 피처로 신규 사고 탐지 성능 개선
구조와 흐름
- Airflow 기반 주기적 재학습과 최신 데이터 반영
- 하둡, HBase, Redis, 피처 스토어, Mlflow, Triton Inference Server 연계
- 사고 데이터 등록부터 피처 생성, 학습, 배포까지의 운영 흐름
선택 이유
- 새로운 유형의 사고가 계속 등장하는 FDS 특성
- 정적 ML보다 변화하는 데이터 환경에 유연하게 대응 가능
- 최근 사고 비율을 반영하는 동적 피처로 Data Drift 보완
성능/운영 포인트
- 신규 사고 발생 시 적응형 ML이 정적 ML보다 빠른 대응
- 신규 유형 사고 탐지율 약 30% 개선
- 최신 데이터 축적 후 성능 개선 모델을 즉시 배포하는 구조