[Feat] 자체 모델 stacking 및 Gemini 조건부 재검증 파이프라인 구현

[pearseona]

🏷️ 이슈 유형

• feat : 새로운 기능 추가
• fix : 버그 수정
• refactor : 동작 변경 없는 구조 개선
• docs : README 등 문서 추가/수정
• chore : 설정, 빌드, 의존성 패키지 변경
• 기타 : 설명 추가 작성

💡기능

Naive Bayes, 형태소, Logistic Regression, 문자 n-gram Linear SVM 및 구조 특징 점수를 stacking 방식으로 결합하여 자체 피싱 위험 점수를 생성합니다.

자체 모델의 예측이 불확실한 메시지만 Gemini로 재검증하여 정확도를 유지하면서 LLM 호출 비용과 평균 처리 시간을 줄입니다.

🛠️할 일 목록

• URL, 계좌번호, 전화번호, 금액, 긴급성, 송금 및 개인정보 요구 표현 등의 구조 특징을 추출한다.
• 개별 모델의 예측 점수와 구조 특징 점수를 공통 형식으로 정규화한다.
• validation 또는 out-of-fold 예측값을 사용해 stacking meta-classifier를 학습한다.
• 자체 모델의 최종 위험 점수와 신뢰도를 계산한다.
• 확신 구간과 불확실 구간을 정의하고 불확실한 메시지만 Gemini를 호출하도록 구현한다.
• Gemini 호출 실패 시 자체 모델 결과를 사용하는 fallback 정책을 구현한다.
• 자체 모델 단독, Gemini 단독, 전체 하이브리드 모델의 성능을 비교한다.
• LLM 호출률, 평균 응답 시간, 메시지당 비용 감소율을 측정한다.
• 단계별 점수와 최종 판정 근거가 기존 분석 응답 및 로그에 반영되도록 한다.
• 각 모델 실패, Gemini 실패 및 전체 fallback 경로에 대한 테스트를 작성한다.

📌 참고 사항 / 제약 조건

• 이 이슈는 형태소 Logistic Regression과 문자 n-gram Linear SVM 모델이 준비된 이후 진행합니다.
• stacking 학습에 최종 테스트셋을 사용하지 않습니다.
• 자체 모델이 확실한 정상 또는 위험 메시지는 Gemini를 호출하지 않습니다.
• Gemini 호출 기준값은 임의로 결정하지 않고 validation 데이터의 Recall, F2 및 호출률을 기준으로 선택합니다.
• Gemini 장애가 메시지를 안전으로 오판하는 fail-open 동작으로 이어지면 안 됩니다.
• 기존 RabbitMQ 이벤트 스키마 및 Spring 연동과의 하위 호환성을 유지합니다.
• API Key, 원문 메시지 및 개인정보가 학습 산출물이나 로그에 포함되지 않도록 합니다.
• 최종 결과로 단계별 성능 비교표와 전체 하이브리드 구조의 성능 개선 수치를 남깁니다.