모델 생성기

comfozi가 주는 것은 완성된 모델이 아니라 모델 생성기입니다. 고객이 바뀌면 데이터만 갈아 넣습니다.

파이프라인 (로컬에서 한 번에)

입력(승인/반려 이력 CSV)
  → 피처 생성(~47개)
  → 학습: GBM(LightGBM) 또는 이상탐지, 자동 전환
  → 마스킹 캘리브레이션
  → export: 모델 JSON (+ infer.js, 서버리스)
  → 플러그인(gbm-score)이 브라우저에서 소비
  → 재학습 플라이휠

재현성 · 검증

• 지도학습 GBM은 실제로 학습됩니다: 브라우저 export는 60 트리 · 47 피처를 JSON으로 내보내고, infer.js로 브라우저에서 추론합니다.
• 패리티 검증: export된 브라우저 추론과 파이썬 추론의 확률 차이 parity_proba = 0.0(정확히 일치).
• 개념 실증 기준 라이브 학습 AUC는 대략 0.78–0.79(LightGBM) 범위입니다.

노트

실제 승인 라벨이 없다는 것을 먼저 밝히고, 도메인 근거로 라벨을 합성해 파이프라인·스케일 거동을 보여줍니다. 이는 개념 실증이지 운영 정확도 주장이 아닙니다.

왜 GBM인가

기존 승인/반려 데이터에서 사람이 감으로 하던 판단을 학습하되, 어떤 요소가 결정에 주요했는지까지 트리 구조로 그대로 보여줍니다(설명 가능·검증 가능). 딥러닝은 결과는 잘 내지만 이유는 사후 추정이라 검수 업무에서 의미 전달이 약합니다. 그리고 GBM은 사람을 대신 결정하지 않고, 더 잘 판단하도록 돕습니다.