1. 서론

1-1. 오프닝

"취업도 안 했고, 연봉도 없는데 카드 발급이 될까?"

대학생이라면 한 번쯤 겪어봤을 그 막막함. 금융 이력이 부족한 청년층은 실제 상환 능력과 무관하게 거절되는 경우가 많습니다.

오늘 이 세션에서는 단순한 문제 제기를 넘어, 클라우드 AI 기술(Azure AutoML)을 활용해 이 문제를 어떻게 기술적으로 해결할 수 있는지 그 과정을 공유합니다.

1-2. 기술도입의 필요성: 문제 제기

• 기존 심사의 한계: 직장과 연봉 중심의 획일화된 기준.
• 담당자 따른 편차: 불명확한 심사 기준과 일관성 부족.
• 해결 방향: 단순 소득을 넘어 고용 안정성 등의 복합적 데이터를 분석하는 머신러닝 기반 대안 심사 모델 구축.
• 단순 소득 유무를 넘어, 고용 안정성 + 인구통계 특성을 결합한 데이터 기반 심사 모델 구축
• Azure AutoML을 활용해 최적의 분류 모델을 자동으로 탐색

1-3. 왜 Azure AutoML 인가?

• 복잡한 코딩 없이 데이터만 넣으면 가장 똑똑한 AI 모델을 자동으로 찾아주는 인공지능 공장
• 프로젝트를 위해 우리가 직접 알고리즘을 밑바닥부터 짤 수도 있었지만, Azure AutoML을 선택한 데에는 명확한 기술적 이유가 있습니다.

2. 본론 (Data & Azure ML Workflow)

2-1. 데이터 파이프라인 준비

• 출처: Kaggle — Credit Card Approval Prediction https://www.kaggle.com/datasets/sakshigoyal7/credit-card-customers
• 데이터 규모: 36,457행, 19개 컬럼 (신청 데이터 + 결제 이력 데이터 병합)