Pepperstone, AWS 기반 기계 학습을 사용하여 원활한 글로벌 거래 경험을 제공하다

온라인 브로커를 선택할 때 신뢰와 고객 서비스는 중요한 기준입니다. 오랜 역사와 여러 규제 라이선스를 보유한 거래 플랫폼을 선택하는 것이 안전합니다. 2021 Broker Awards에서 DayTrading.com은 Pepperstone을 최우수 외환 브로커로 선정했습니다. 이는 Pepperstone의 국제적인 입지와 '매우 신뢰할 수 있는 플랫폼' 덕분입니다. Pepperstone은 멜버른에 본사를 둔 외환 및 증권 온라인 거래 플랫폼으로, 한 달에 40,000명 이상의 순 방문자가 방문합니다.

2010년 창립 이래 Pepperstone은 Amazon Web Services(AWS) 클라우드의 도움을 받아왔습니다. Pepperstone의 최고 마케팅 책임자인 Tony Gruebner는 “AWS는 비즈니스를 더 효율적으로 운영할 수 있도록 잦은 혁신과 유연하고 즉시 사용 가능한 솔루션을 제공합니다.”라고 말합니다. Amazon Elastic Kubernetes Service(Amazon EKS)와 같은 즉시 사용 가능한 관리 서비스의 사용과 컨테이너화는 Pepperstone이 고객 기반을 빠르게 확장하고 서비스를 안전하게 확장하는 데 매우 중요했습니다. Pepperstone은 2020년 한 해에만 20~30%의 성장률을 기록했습니다.

Amazon EKS를 사용하면 Pepperstone은 신규 국가로 확장할 때 일관된 다중 지역 배포를 위한 자동화를 활용하여 모든 환경에서 운영을 표준화할 수 있습니다. 2020년에 Pepperstone은 두바이 금융 서비스 당국(Dubai Financial Services Authority)과 같은 기관으로부터 5개의 새로운 규제 라이선스를 획득했습니다. 이는 이전에 호주와 영국에서 보유했던 두 개의 라이선스에 더해 추가적으로 획득한 것입니다. Pepperstone은 적극적인 규제 관련 노력을 통해 아프리카와 유럽을 비롯한 새로운 리전을 열 수 있었습니다.

기계 학습(ML)과 인공 지능(AI)은 Pepperstone 테크 스택의 핵심 기술입니다. Pepperstone은 4개국에 총 70명으로 구성된 IT 팀 외에도 멜버른에 ML 모델 개발을 전담하는 데이터 과학팀을 두고 있습니다. 처음에는 데이터 과학자가 AWS에서 실행할 자체 알고리즘을 개발했습니다. 그 후 2019년에 AWS Fargate와 Amazon SageMaker로 전환하여 ML 모델의 생성 및 배포를 자동화했습니다.

모델 훈련을 위해 Amazon SageMaker로 전환했을 때 Pepperstone의 데이터 과학팀은 아무런 문제 없이 도구를 워크플로에 적용할 수 있었습니다. “보통 새로운 AI 또는 ML 도구를 다루려면 시간이 걸리지만 저희는 Amazon SageMaker를 바로 사용하기 시작했습니다. AWS 환경에서 호스팅, 훈련 및 배포하여 첫날부터 많은 시간을 절약할 수 있었습니다.”라고 Pepperstone의 수석 데이터 과학자인 Samuel Ellett는 말합니다. 로컬 시스템에서 ML 모델을 훈련하는 데 필요한 시간이 180시간이었던 반면 Amazon SageMaker에서는 4.3시간으로 단축되었습니다.

새로운 규제 라이선스를 획득하기 위해 Pepperstone은 플랫폼에 들어오는 트레이더를 선별하는 엄격한 고객 정보 확인(KYC) 프로세스를 갖추고 있음을 입증해야 했습니다. Amazon SageMaker를 구현하기 전에는 문서 검토 프로세스의 대부분이 수작업으로 진행되었습니다. 직원이 여권 이미지와 같은 제출된 문서의 진위 여부를 직접 확인해야 했습니다. 클라이언트를 온보딩하는 데 몇 시간을 소비했지만 며칠 후 신원이 일치하지 않는다는 것을 발견하게 되는 사례가 많이 발생했습니다.

이제 Pepperstone은 Amazon SageMaker에 사기 탐지 모델을 배포하여 신규 고객이 문서를 업로드하는 바로 그 날, 잠재적 부정 행위를 식별할 수 있습니다. 데이터 과학자는 ML 모델이 Amazon Simple Storage Service(Amazon S3) 데이터 레이크에 저장된 전 세계 실제 ID 문서 이미지와 변조된 ID 문서 이미지를 포함한 수백만 개의 이미지와 제출된 문서를 비교하도록 모델을 훈련시켰습니다.

이후 시스템은 각 잠재 고객이 제출한 문서의 불법 변조 가능성을 점수로 매겨 백분율(%)로 표시합니다. 온보딩 팀은 그 결과를 확인하고 플래그가 지정된 제출건의 경우 추가 신원 증명을 요구하는 등의 후속 조치를 취합니다. 이를 통해 팀의 의사 결정 절차가 개선되어 수작업으로 진행하던 신원 확인 작업에 소요되는 시간을 줄일 수 있습니다.

시간을 절약할 수 있도록 도와주는 것 이외에도 Amazon SageMaker는 사람보다 훨씬 뛰어난 수준의 꼼꼼함과 정확성을 제공합니다. Ellett은 “사람이 3백만 개의 문서를 비교하는 것은 불가능했을 것입니다. 그리고 부정 요소가 너무 작아 사람의 눈으로는 감지하기가 매우 어려운 경우가 많습니다.”라고 말합니다. 

온보딩 프로세스의 속도가 개선되면 신규 고객에게도 도움이 됩니다. 온라인 거래 플랫폼 간의 경쟁은 치열하며 트레이더는 특정 한 플랫폼만 고집하여 이용하지 않습니다. 따라서 원활한 온보딩 프로세스는 Pepperstone과 신뢰를 구축하는 데 있어 매우 중요한 역할을 합니다. “ML을 통한 온보딩 자동화는 운영 측면뿐만 아니라 보다 원활한 프로세스를 만들어 고객 경험을 크게 개선하는 데 도움이 되었습니다. 저희의 목표는 사용자가 즐거운 거래 경험을 누릴 수 있도록 하는 것입니다. 이를 위한 노력에는 불필요한 지연이나 높은 진입 장벽이 발생하지 않도록 하는 것이 포함됩니다.”라고 Gruebner는 설명합니다.

또한 Pepperstone은 Amazon SageMaker에서 생성된 ML 모델을 사용하여 영업팀의 리드 평가 및 전환을 지원하고 있습니다. 플랫폼 온보딩 시 각 고객에게 점수를 부여하면 영업팀은 타겟팅을 기반으로 고객 서비스를 전개할 수 있습니다. Pepperstone 사이트를 방문하는 동안 고객 데이터가 누적되면 점수가 실시간으로 업데이트됩니다. 이를 통해 영업팀은 워크로드를 더 잘 관리하고 온라인 브로커 시장에서 회사를 차별화하는 맞춤형 서비스를 제공할 수 있습니다. Gruebner는 “Amazon SageMaker는 전체 데이터 과학 파이프라인을 최대한 통합하고 자동화하여 필요한 시간과 장소에 데이터를 푸시할 수 있는 환상적인 도구입니다.”라고 덧붙입니다.

Amazon SageMaker를 사용하며 얻게 된 즉시 사용 가능한 기능 덕분에 Pepperstone의 데이터 과학 팀은 더 이상 바쁜 DevOps 엔지니어에게 신세를 지지 않아도 됩니다. 데이터 엔지니어는 여전히 DevOps 팀에 의존하여 Amazon SageMaker에서 샌드박스 환경을 설정하지만, 일단 설정이 완료되면 독립적으로 개념 증명을 실행할 수 있습니다. “저희는 데이터 팀과 DevOps 팀 간의 리소스 충돌을 효과적으로 해결했습니다. Amazon SageMaker 덕분에 저희는 크지 않은 비용으로 쉽게 무언가를 빠르게 구축하고 가설을 테스트한 다음 마무리까지 바로 진행할 수 있게 되었습니다. 결과적으로 저희는 더 많은 실험을 진행하고 있습니다.”라고 Ellett은 결론을 내립니다.

 자세한 내용은 aws.amazon.com/machine-learning 및 aws.amazon.com/startups에서 확인하세요.