노년층을 대상으로 한 금융 사기는 이메일, 문자 메시지, 전화 통화 등 다양한 채널을 통해 점차 증가하고 있으며, 사기범들은 신뢰를 쌓고 긴급성을 조장하며 민감한 정보나 자금 이체를 요구하는 다단계 대화 방식을 사용합니다. 이러한 사기는 한 번의 접촉으로 끝나지 않고 여러 차례의 대화를 거치며 위험 신호가 점진적으로 나타나기 때문에, 초기 단계부터 지속적으로 위험도를 평가하는 기술이 중요해지고 있습니다.
최근 연구에서는 이러한 문제 해결을 위해 대화의 각 단계(turn)마다 위험도를 누적적으로 평가하는 프레임워크가 제안되었습니다. 연구팀은 투자, 자선, 기술 지원 사기 시나리오를 포함하는 다단계 대화 데이터셋을 구축하고, 각 대화 단계별로 질적 위험 수준, 연속적인 위험 점수, 설명 근거, 안전 권고 등을 주석(annotation) 처리했습니다. 이를 바탕으로 Phi-4, LLaMA-3.2, DeepSeek-R1, Qwen3 등 네 가지 소형 언어모델(SLM)을 미세조정(fine-tuning)하여 평가했습니다. 미세조정된 소형 모델들은 사기와 관련된 언어적 단서와 단계별 위험 고조 패턴을 효과적으로 포착하며, 모바일 및 자원 제약적인 환경에 적합한 경량 아키텍처를 유지했습니다. 특히 Phi-4와 LLaMA-3.2는 매개변수 규모 대비 뛰어난 단계별 위험 추정 성능을 보였습니다.
이 연구 결과는 구조화된 누적 모델링이 배포 환경에서 점진적인 사기 위험 평가를 지원할 수 있음을 시사합니다. 이는 개인 정보 보호에 민감하고 기기 내(on-device)에서 작동하는 사기 방지 솔루션으로서 소형 언어모델의 잠재력을 강조합니다. 노년층을 노리는 지능적인 금융 사기에 대응하기 위해 AI 기술이 실질적인 방어막을 제공할 수 있음을 보여주며, 향후 다양한 사기 유형에 대한 적용 가능성을 열어줄 것으로 기대됩니다.