Appier는 자사의 네트워크에서 실시한 실제 연구 분석 결과를 공유하며 인공 지능 기반 모델의 부정 인스톨(Ad fraud) 방지 능력을 입증했다.

자사는 지난 2017년 5월부터 8월까지, 4개월 간 광고 클릭 및 앱 설치 정보 등 40억개 이상의 캠페인 데이터 포인트를 활용하여 연구를 진행했다. 이 연구를 통해 인공 지능을 기반으로 하는 모형이 기존 규칙 기반 모형에 비해 두 배 가량 빠른 속도로 부정 인스톨 패턴을 분석하는 것으로 나타났다.

인공 지능 기반 모형의 장점은 기존 모형이 감지하기 어려운 부정 인스톨 패턴을 찾아 낼 수 있다는 것이다. 예를 들어, Appier가 발견한 하나의 사기 패턴은 “카멜레온”인데, 이는 처음에 합법적인 광고물 퍼블리셔로 위장한 뒤 추후 부정 인스톨을 발생시키는 게시자를 의미한다. 또 다른 사기 패턴은 “재고 버스트”이다. 이 패턴을 통해 인스톨 광고주의 애플리케이션 상에서 적절한 수준의 인앱 활동이 이루어지지 않을 경우, 비정상적으로 높은 재고량을 집계하게 된다.

Appier의 최고 기술 책임자(CTO) 조 수(Joe Su)는 "부정 인스톨을 온라인 광고 업계에 큰 위협이 되었으며, 광고주들은 향후 수십억 달러의 비용을 발생할 것으로 예상됩니다"고 말했으며, "부정 인스톨을 찾아내고 그 영향을 최소화하는 기존의 규칙 기반 방법에는 한계가 있습니다. Appier는 인공 지능 기반 모형이 훨씬 더 효과적이라 믿으며, 실제로 네트워크를 분석 한 지 불과 4개월 만에 AI 접근 방식의 이점이 확인되고 있음을 알 수 있습니다.”라고 덧붙였다.

기존의 규칙 기반 모형은 통상 1~3개정도 차원만 보고, 인간이 프로그래밍한 규칙에 따라 이미 알려진 부정 인스톨 패턴으로 작동한다. 반면, 인공 지능 기반 모형은 80개가 넘는 차원에서 데이터를 검사 할 뿐만 아니라, 자체 학습 기능을 제공하기 때문에 과거에는 볼 수 없었던 새로운 의심 패턴을 감지할 수 있다.

또한 CTO조수는 "사이버 사기 또는 금융 사기와 마찬가지로 부정 인스톨이 더욱 정교해지고 끊임없이 진화하고 있기 때문에, 새로운 위협을 신속하게 식별하고 그 영향을 최소화 하는 것이 중요합니다. 기존의 규칙 기반 접근법을 사용하면 사기법들의 수법을 따라갈 수 없으며, 진화하는 부정 인스톨 패턴을 효과적으로 추적하기 위해서는 인공 지능 기반 모델이 필요합니다"고 덧붙였다.