.svg)
AI 솔루션 문의하기
금융 산업은 사회의 가장 신뢰가 중요한 분야입니다. 금융기관이 부정행위를 저지르거나 리스크를 제어하지 못하면, 개인의 자산 손실을 넘어 국가 경제 전체에 영향을 미칩니다. 따라서 금융규제는 매년 강화됩니다. 특금법(특정금융거래정보의 보고 및 이용 등에 관한 법률), 전자금융거래법, FATF 권고사항 등 국내외 규제가 늘어나고 있습니다.
각 규제는 금융기관에게 특정 행위를 감시하고 기록하도록 요구합니다. 예를 들어 특정 규모 이상의 의심거래는 금융감시원에 보고해야 하고, 해외송금도 추적해야 합니다. 이러한 의무를 이행하려면 체계적인 내부통제 시스템이 필수적입니다. 과거에는 인력으로 모든 거래를 검토했지만, 현대의 거래량은 인력만으로 감당할 수 없습니다. 따라서 자동화된 감시 시스템이 필요합니다. 규제 환경의 복잡성이 증가할수록, 자동화되고 지능형의 내부통제 시스템의 중요성이 더욱 높아질 것으로 예상됩니다.
금융사의 내부통제 시스템은 이들 요소가 통합된 구조를 가져야 합니다. 각 요소가 협력하여 거래 현황을 실시간 감시하면, 규제 위반을 사전에 방지할 가능성이 높아집니다.
금융규제에서 "의심거래"의 정의는 매우 구체적입니다. 특금법에서는 대면 신청 시 수수료 면제, 여러 개의 계좌 간 자금이동, 실명이 아닌 계좌 거래 등을 의심거래 요건으로 제시합니다. 또한 거래액의 규모도 중요합니다. 일반적으로 일정 규모(예: 개인 송금 1천만 원, 해외송금 1만 달러) 이상의 거래는 보고 대상입니다.
그러나 규제 기준은 단순하지 않습니다. 업종에 따라, 거래 성질에 따라 기준이 다릅니다. 또한 규제는 계속 변합니다. 새로운 범죄 수법이 나타나면, 규제도 그에 맞춰 갱신됩니다. 따라서 내부통제 시스템은 유연해야 합니다. 규제 기준의 변화에 빠르게 대응할 수 있어야 합니다. 규제의 복잡성과 변동성을 시스템이 효과적으로 반영하면, 금융기관의 컴플라이언스 부담이 크게 경감될 것입니다.
인간은 통계를 이용해 이상을 탐지합니다. "이 고객은 보통 월 100만 원을 송금하는데, 오늘 갑자기 1000만 원을 송금했다"는 비정상성을 감지합니다. 머신러닝은 이를 대규모로 자동화합니다. 수백만 고객의 거래 패턴을 학습하여, 개별 거래가 정상인지 비정상인지를 판단합니다.
또한 패턴 인식을 통해 조직적 부정행위도 탐지합니다. 예를 들어 "여러 계좌가 같은 시간에 같은 금액을 송금한 후 외국 계좌로 재송금한다"는 패턴은 자금세탁의 신호입니다. 머신러닝은 이러한 다단계 패턴도 인식할 수 있습니다. 또한 학습은 계속됩니다. 새로운 부정행위 방식이 나타나면, 그것도 패턴으로 학습하여 다음에는 더 빨리 탐지합니다. AI 기반 이상 탐지로 기존 규칙 기반 시스템이 놓칠 수 있는 복잡한 패턴까지 감시할 수 있을 것으로 예상됩니다.
금융거래는 매순간 발생하고 있습니다. 특히 해외송금이나 큰 금액의 거래는 순식간에 처리됩니다. 내부통제 시스템이 거래 후 몇 시간 뒤에 위반을 탐지한다면, 이미 자금이 유출된 후입니다. 따라서 실시간 모니터링이 필수적입니다. 거래가 발생하는 즉시 검사하고, 위반 위험이 감지되면 즉시 경고합니다. 다만 실시간 검사는 성능 요구사항이 매우 높습니다. 초당 수천 건의 거래를 모두 검사해야 하기 때문입니다. 따라서 시스템의 응답 시간(latency)이 중요합니다.
일반적으로 수백 밀리초 이내에 검사를 완료해야 합니다. 또한 오탐지(거짓 양성)를 최소화해야 합니다. 정상 거래를 비정상으로 오판하면, 고객의 불편이 크고 신뢰가 손상됩니다. 실시간과 정확도의 균형을 맞춘 모니터링 시스템으로 신속한 대응과 신뢰도 높은 판단이 동시에 가능해질 것으로 기대됩니다.
국제 사회는 테러 자금, 마약 거래 자금 등의 이동을 추적합니다. 이를 위해 OFAC(미국 재무부 외국자산통제국) 제재 대상자, UN 제재 대상자 등의 리스트를 관리합니다. 금융기관은 거래 상대방이 이러한 제재 대상자인지를 확인해야 합니다. 과거에는 수동으로 리스트를 비교했지만, 현대는 자동화되어 있습니다. 거래할 때마다 자동으로 여러 제재 리스트와 대조합니다.
또한 이름의 변형을 감지하는 것도 중요합니다. 만약 "John Smith"와 "Jon Smith"가 있다고 가정했을 때 다른 이름처럼 보이지만 같은 사람일 수 있습니다. 따라서 퍼지 매칭(fuzzy matching) 기술을 사용하여 유사한 이름도 감지합니다. 또한 제재 리스트는 계속 업데이트됩니다. 새로운 제재 대상이 추가되면 즉시 반영해야 합니다. 글로벌 제재 대상자를 자동으로 감시하는 시스템으로 금융기관의 국제 규제 준수가 획기적으로 강화될 것으로 예상됩니다.
내부통제 시스템이 거짓 양성을 많이 낳으면, 업무 효율성이 떨어집니다. 합법적인 거래를 계속 의심하면, 조사 인력이 낭비되고 고객 만족도도 하락합니다. 따라서 거짓 양성의 최소화가 중요합니다. 이를 위해 시스템은 학습해야 합니다. 조사 결과 정상이었던 거래들을 수집하여, 모델을 재학습시킵니다. "이러한 패턴의 거래는 실제로는 정상이구나"를 학습하면, 다음에는 비슷한 거래를 의심하지 않습니다.
또한 컨텍스트를 고려합니다. 같은 거래 패턴도 상황에 따라 정상일 수도, 비정상일 수도 있습니다. 예를 들어 거래액이 평소의 10배라도, 계절 상품 판매업종이라면 특정 시즌에는 정상입니다. 거짓 양성을 줄이기 위한 학습과 적응으로 내부통제 시스템의 운영 효율성이 대폭 향상될 것으로 예상됩니다.
.svg)
.svg)
