PayGuard AI: An Explainable Hybrid Framework for Corporate Payment-Anomaly Detection and Working-Capital Decision Support

기술 요약: PayGuard AI: 기업 결제 이상 탐지 및 운전자본 의사결정 지원을 위한 설명 가능한 하이브리드 프레임워크

문제 정의
기업의 매입채무(AP) 프로세스는 높은 거래량, 다양한 공급업체, 복잡한 결제 조건으로 인해 결제 사기 및 처리 오류를 탐지하는 데 상당한 어려움을 겪고 있습니다. 전통적인 규칙 기반 탐지 시스템은 해석력은 높지만 새로운 사기 패턴에 대한 적응력이 부족하고 종종 오탐(false positives)을 생성합니다. 반면, 머신러닝(ML) 모델, 특히 비지도 학습 기반의 이상 탐지 모델은 새로운 패턴을 식별할 수 있지만, 재무 전문가에게 필요한 해석력, 불확실성 정량화 및 재무적 의사결정 맥락이 결여된 "블랙박스"로 작동하는 경우가 많습니다. 또한, 기존의 탐지 시스템은 일반적으로 분류 단계에서 멈추며, 플래그가 지정된 거래의 금전적 노출액을 정량화하거나 결제 지연이 운전자본에 미치는 영향을 모델링하는 데 실패합니다. 본 연구는 효과적인 이상 탐지와 설명 가능성, 불확식성 추정, 그리고 실행 가능한 재무 의사결정 지원을 결합한 통합 프레임워크의 필요성을 다룹니다.

방법론
본 연구는 5,600개의 공급업체-결제 거래(5%의 통제된 이상 발생률)가 포함된 합성 데이터셋을 통해 평가된 다단계 하이브리드 프레임워크인 PayGuard AI를 소개합니다. 방법론은 네 가지 별도의 레이어로 구성됩니다:

1. 하이브리드 탐지 레이어:

   • 규칙 기반 스크리닝: 결정론적 엔진이 사전 정의된 비즈니스 규칙(예: 중복 송장, 송장 금액 초과 결제, 최근 은행 정보 변경 등)을 위반하는 거래를 식별합니다. 규칙은 심각도에 따라 가중치(0–80점)를 부여받습니다.
   • 비지도 이상 탐지: 엔지니어링된 피처(예: 송장 대비 지급 비율, 결제 조건 편차)를 바탕으로 학습된 Isolation Forest 모델(200개의 estimator, 5% contamination)이 통계적 이상치 백분위수를 할당합니다.
   • 하이브리드 스코어링: 규칙 기반 점수($R_i$)와 Isolation Forest 백분위수($A_i$)를 결합한 가중치 점수($H_i = 0.72 R_i + 0.28 A_i$)를 산출합니다. 알람은 $H_i \geq 45$일 때 트리거됩니다. 이 프레임워크는 규칙 기반 증거를 우선시하되, 통계적 특이성을 사용하여 순위를 정교화합니다.

2. 해석 가능한 통계 모델링:

   • 로지스틱 회귀: 해석 가능한 계수를 제공하기 위해, 피처 간의 연관성에 대한 오즈비(odds ratios)를 추정하고자 합성 데이터의 실제 라벨(ground-truth labels)에 L2 규제가 적용된 로지스틱 회귀 모델을 적합시킵니다.
   • 베이지안 로지스틱 회귀: **자동 미분 변분 추론(ADVI)**을 사용하는 베이지안 변형 모델은 파라미터의 사후 분포를 추정합니다. 이 레이어는 예측 불확실성을 정량화하여 피처 연관성 및 거래 수준의 이상 확률에 대한 신뢰 구간을 생성합니다.

3. 재무 리스크 분석:

   • 검토 노출액 추정: 플래그가 지정된 거래에 대해 금전적 "검토 노출액(review exposure)"을 계산합니다. 직접적인 불일치(예: 과다 지급)가 존재하는 경우 노출액은 그 차액이며, 그렇지 않은 경우 하이브리드 점수와 프로토타입 손실 계수를 사용하여 예시 시나리오 노출액을 도출합니다.
   • 부트스트랩 리샘플링: 플래그가 지정된 거래에 대해 20,000회의 리샘플링을 수행하여 총 잠재적 손실의 불확실성을 정량화하는 총 검토 노출액 분포를 생성합니다.
   • 몬테카를로 시뮬레이션: 매입채무 회전기일(DPO)을 10일, 20일, 30일 연장할 때의 순 재무적 이익을 평가합니다. 이는 자본 비용, 조기 결제 할인 소멸, 공급업체 마찰 비용의 불확실성을 모델링하여 순 재무 결과의 분포를 생성합니다.

주요 결과

• 탐지 성능: 홀드아웃 테스트 데이터에서 하이브리드 프레임워크는 ROC-AUC 0.982 및 평균 정밀도(Average Precision) 0.770을 달려했습니다. 규칙 기반 시스템은 약간 더 높은 ROC-AUC(0.989)를 기록했으나, 하이브리드 방식은 더 우수한 평균 정밀도(0规则 단독 0.680 대비 0.770)를 보였습니다.
• 운영 지표: 선택된 임계값에서 시스템은 정밀도(precision) 0.848, 재현율(recall) 0.667, 특이도(specificity) 0.994를 달성하였으며, 약 3.93%의 거래를 탐지했습니다.
• 이상 민감도: 탐지는 이상 유형에 따라 크게 달랐습니다. 은행 정보 변경, 통화 불일치, 과다 지급에 대해서는 100% 탐지율을 보였습니다. 그러나 급속 결제(30.8%) 및 유사 중복 결제(15.4%)에 대한 민감도는 낮았으며, 선택된 임계값에서 정확한 중복 결제는 전혀 탐지하지 못했습니다.
• 통계적 해석력: 로지스로지스틱 회귀는 통화 불일치와 최근 은행 정보 변경이 이상치와 가장 강력한 연관성(합성 데이터 구조에 의해 유도된 오즈비 >300)을 가짐을 식별했습니다. 베이지안 분석은 95% 신뢰 구간을 제공하여 지급 비율에 대한 양(+)의 연관성과 결제 조건 편차에 대한 음(-)의 연관성을 확인했습니다.
• 재무 분석:
  • 노출액: 66개의 플래그 지정 거래에 대한 부트스트랩 분석 결과, 평균 총 검토 노출액은 약 302,564 SMU(Synthetic Monetary Units), 95 백분위수는 약 514,441 SMU로 추정되었습니다.
  • 운전자본: 몬테카를로 시뮬레이션 결과, 30일 DPO 연장은 시뮬레이션된 가정하에서 97.8%의 확률로 양(+)의 순 재무적 이익을 창출하는 반면, 10일 연장은 37.2%의 확률만을 보였습니다.

의의 및 주장
본 논문은 PayGuard AI를 거래 스크리닝, 해석 가능성, 불확실성 표현, 그리고 재무 의사결정 지원을 단일 워크플로우로 통합하는 것을 보여주는 **개념 증명(proof-of-concept)**으로 포지셔닝합니다. 저자는 본 프레임워크가 다음과 같은 성과를 거두었다고 주장합니다:

1. 간극 해소: 규칙 기반 시스템의 투명성과 데이터 기반 이상 탐지의 적응성을 성공적으로 결합했습니다.
2. 투명성 강화: (로지스틱 회귀를 통한) 해석 가능한 피처 연관성과 (베이지안 추론을 통한) 명시적인 불확실성 추정을 제공함으로써 단순 이진 분류를 넘어 인간 중심의 인더루프(human-in-the-loop) 의사결정을 지원합니다.
3. 재무적 맥락으로 확장: 사기 탐지 출력을 어떻게 금전적 노출액 추정 및 운전자본 시나리오로 전환할 수 있는지 입증함으로써, 사기 분류와 재무 관리 의사결정 사이의 간극을 메웁니다.

한계 및 겸허한 태도
저자는 결과가 합성 데이터셋에서 도출되었으며, 실제 기업 환경의 성능을 나타내지 않는다는 점을 명시적으로 밝히고 있습니다. 주요 한계점은 다음과 같습니다:

• 합성 데이터의 특성: 5%의 이상 발생률과 특정 이상 범주는 실제 사기 빈도를 반영하는 것이 아니라 통제된 실험적 선택입니다.
• 캘리브레이션(조정): 규칙 가중치, 하이브리드 가중치(0.72/0.28), 알람 임계값(45)은 경험적으로 최적화된 파라미터가 아닌 프로토타입 설계상의 선택입니다.
• 결정론적 연결: 특정 지표(은행 변경, 통화 불일치)가 합성 데이터 내에서 이상치와 결정론적으로 연결되어 있어, 통계적 유의성이 과장되었을 수 있습니다.
• 운영 준비성: 본 프레임워크를 실제 운영에 배치하기 전에는 실제 데이터에 대한 검증, 조직적 캘리브레이션, 그리고 기존 거버넌스 프로토콜과의 통합이 필요합니다. 저자는 재무 시뮬레이션이 특정 조직을 위한 확정적 예측이 아닌 예시적 모델임을 강조합니다.

결론적으로, PayGuard AI는 인간 중심의 재무 정보 기반 의사결정 지원 시스템을 위한 방법론적 토대를 제공하지만, 그 실질적인 효용성은 실제 운영 데이터에 의한 검증이 남아 있습니다.