voicekeeper-klue-bert

VoiceKeeper · KLUE-BERT 보이스피싱 분류기

klue/bert-base를 보이스피싱/정상 이진 분류로 파인튜닝하고 int8 ONNX(111 MB)로 내보낸 모델입니다. VoiceKeeper 서비스에서 LLM 판정과 나란히 쓰이는 독립 엔진입니다 (onnxruntime + tokenizers만으로 CPU 추론).

학습 데이터

• 시드 48건: 금융감독원 보이스피싱 지킴이 공개 사례 유형을 따라 수작업 작성 (기관 사칭·안전계좌·자녀 사칭·스미싱·대출·투자 등). 학습에 사용하지 않고 분포 밖 검증에만 사용.
• 합성 1,302건: Gemini로 14개 사기 유형 × 3 형식(통화 전사·문자·카톡)과 12개 정상 유형을 생성. 정상 OTP 문자, 은행 입금 알림, 택배 안내처럼 사기 단어가 등장하는 어려운 정상 예시 포함.
• 학습/검증 분할은 합성 데이터 안에서만 수행하고 소수 클래스는 오버샘플링.

성능

int8 양자화 전후 확률 평균 차이 0.005. 놓친 사례는 정중한 말투의 대출·환급·리딩방 유형이어서 서비스에서는 LLM 판정과 앙상블합니다.

사용

import numpy as np, onnxruntime as ort
from tokenizers import Tokenizer
tok = Tokenizer.from_file('tokenizer.json'); tok.enable_truncation(192)
sess = ort.InferenceSession('model.onnx', providers=['CPUExecutionProvider'])
e = tok.encode('검찰청입니다. 안전한 계좌로 돈을 옮기고 가족에게는 말하지 마세요.')
logits = sess.run(['logits'], {'input_ids': [e.ids], 'attention_mask': [e.attention_mask], 'token_type_ids': [e.type_ids]})[0][0]
p = np.exp(logits - logits.max()); print('phishing prob', p[1] / p.sum())

참고용 점수이며 보정된 사기 확률이 아닙니다. 실제 신고 원문 데이터가 확보되면 scripts/ml/train_klue.py로 재학습할 수 있습니다.

{
  "base_model": "klue/bert-base",
  "task": "voice-phishing vs benign (binary)",
  "max_len": 192,
  "epochs": 3,
  "batch": 16,
  "lr": 3e-05,
  "train_rows": 1232,
  "train_rows_note": "synthetic only, class-balanced by oversampling",
  "val_synthetic": {
    "n": 162,
    "accuracy": 0.988,
    "precision": 1.0,
    "recall": 0.977,
    "f1": 0.988
  },
  "seed_holdout_ood": {
    "n": 48,
    "accuracy": 0.917,
    "precision": 1.0,
    "recall": 0.833,
    "f1": 0.909,
    "note": "hand-written FSS-pattern seeds, never used in training"
  },
  "onnx_int8_mean_abs_diff_vs_fp32": 0.0054,
  "onnx_size_mb": 111.4,
  "cpu_latency_48_texts_s": 0.92,
  "data": {
    "seed": 48,
    "synthetic": 1302,
    "generator": "gemini-3.6-flash / 3.5-flash-lite",
    "hard_negatives": "real OTP, bank, parcel, government notices"
  },
  "trained_at": "2026-09-22 01:25",
  "labels": {
    "0": "benign",
    "1": "phishing"
  }
}