16. AWS-금융-피플펀드-신용평가 MLOps 플랫폼
독자?
데이터 처리하는 엔지니어 - 데이터 처리 법이 잘 설명된다.
데이터 처리 자동화 하고자 하는 엔지니어 - 단계별 자동화법이 설명된다.
금융 보안 요구사항 확인하고자 하는 엔지니어 - AWS에서 설명된다.
<1> 머신러닝을 기반으로 한 신용 평가 피플펀드 RISE 시스템
<2> MLops 자동화
<3> 규제 대응
<1> 머신러닝을 기반으로 한 신용 평가 피플펀드 RISE 시스템
1
대출 심사 시스템
2
현재 사용자에게 알맞은 대출 요건을 제공
부실 예측성 강화 -> 리스크 감소 -> 금리 인하
3
모델 개발 2가지?
CSS - 신용 평가 시스템
FDS - 사기 감지 시스템
4
초기 모델?
데이터 원천 소스로 가져온다.
원하는 학습과 분석을 세이즈 메이크 스튜디오에서 진행
결과 나오면 바로 모델에 엔드포인트를 등록하고 운영에 적용
결과를 확인
5
문제점?
데이터 사이언 테스트 - 학습과 테스트 한 내용이 반영되지 않음
데이터 전처리도 수동으로 처리
학습결과인 모델들도 관리가 힘들어짐
모델 운영 결과도 raw데이터로만 남아 있어 수동수집함.
6
목표?
빠른 변화- 높은 모델 정확도 유지
규제 대응 - 보안, 규정준수, 관리
<2> MLops 자동화
데이터 전처리 자동화
모델 개발 및 재훈련 워크 플로우 자동화
모델 배포 자동화
모델 추론
모델 모니터링
<3> 규제 대응
1
AWS Control Tower 도입
2
네트워크 망분리?
AWS Direct Connect 및 VPN연결.
3
AWS PrivateLink 사용.
게이트웨이 엔드포인트 사용 - 내부 사용으로 트래픽 비용 발생 하지 않음.
4
TGW 사용
5
보안?
AWS Lake Formation
KMS 암호화
6
결과?
낮은 연체율.
더 저렴해져 금리인하.
226만 원 이자 절감 효과.
다음자료
https://brunch.co.kr/@topasvga/3375
감사합니다.
