사기 방지에서 분류기 교정을 통한 비즈니스 로직 액션의 의사결정 분리

기계 학습 모델은 일반적으로 비즈니스 환경에서 알려진 인구 집단 특성 분포를 기반으로 하는 분류기 생성과 같은 특정 목표에 초점을 맞춥니다. 그러나 개별 특성을 계산하는 모델들은 시간이 지남에 따라 정밀도를 향상시키기 위해 적응하며, 이는 점수 평가에서 데이터 분포로의 전환, 즉 '분리(decoupling)' 개념을 도입합니다. 우리는 비즈니스 논리 프레임워크 내에서 점수 기반 행동으로부터 기계 학습(ML) 분류기를 분리하기 위한 전략으로 교정(calibration) 전략을 사용합니다. 이러한 전략들을 평가하기 위해, 실제 비즈니스 시나리오와 여러 ML 모델을 사용하여 비교 분석을 수행했습니다. 우리의 연구 결과는 이 접근 방식의 장단점과 성능 영향을 강조하며, 분리를 최적화하려는 실무자들에게 유용한 통찰력을 제공합니다. 특히, 훈련 데이터와 테스트 데이터 사이에 차이가 있는 시나리오에서는 이소토닉(Isotonic) 및 베타(Beta) 교정 방법이 두드러집니다.