.svg)
AI 솔루션 문의하기
금융기관은 방대한 비정형 데이터를 매일 생성하고 보관합니다. 거래 기록은 정형 데이터지만 고객 상담 기록, 이메일, 보고서, 계약서는 텍스트 형태의 비정형 데이터입니다. 고객 신원 확인을 위한 신분증 사진, 직원 현황을 파악하기 위한 지점 CCTV 영상, 고객 상담의 음성 기록, 금융 거래의 거래 영상 같은 것들도 비정형 데이터입니다. 지금까지 이러한 비정형 데이터는 법적 보호나 감시 목적으로만 보관되었습니다. 그 이상의 활용 가치를 인식하지 못했습니다. 하지만 최근 자연어 처리, 컴퓨터 비전, 음성 인식 같은 AI 기술이 발전하면서 이러한 비정형 데이터들이 중요한 학습 자원으로 인식되고 있습니다. 비정형 데이터는 고객의 감정, 의도, 리스크 신호 같은 정형 데이터에는 담을 수 없는 정보를 담고 있습니다.
금융기관의 텍스트 데이터는 AI 학습의 가장 풍부한 자원입니다. 고객 상담 기록, 민원 처리 내용, 금융 보고서, 규제 문서, 고객 문의, 이메일 같은 텍스트들이 매일 생성됩니다. 자연어 처리 기술을 사용하면 이러한 텍스트로부터 의미 있는 정보를 자동으로 추출할 수 있습니다. 고객 상담 기록에서 고객의 불만, 요구사항, 선호도를 자동으로 인식합니다. 민원 내용을 분석하여 어떤 상품이나 서비스에서 문제가 많은지 파악합니다. 금융 보고서로부터 기업의 재무 상태와 리스크 요인을 추출합니다. 금융 뉴스와 시장 평론으로부터 시장 심리를 분석합니다. 이러한 텍스트 분석은 고객 만족도 향상, 상품 개선, 리스크 관리, 시장 분석 같은 다양한 목적에 활용됩니다. 텍스트 데이터의 품질과 양이 충분하다면 AI는 매우 정교한 언어 이해 능력을 갖게 됩니다.
금융기관이 보유한 이미지 데이터도 중요한 AI 학습 자원입니다. 신분증, 여권, 운전면허증 같은 신원 확인 서류의 이미지, 통장 사본, 급여명세서, 재산증명 같은 금융 증명 서류들이 있습니다. 컴퓨터 비전 기술을 사용하면 이러한 이미지로부터 정보를 자동으로 추출할 수 있습니다. OCR(광학 문자 인식) 기술로 서류의 텍스트를 자동 인식합니다. 이미지 분류 기술로 서류의 유형을 자동 판단합니다. 서명 검증 기술로 문서의 정품 여부를 확인합니다. 사진 검증 기술로 신원 사진과 실제 본인의 일치 여부를 확인합니다. 지점이나 ATM의 CCTV 영상도 분석 대상입니다. 이상 거래 탐지, 보안 감시, 고객 행동 분석 같은 목적으로 활용할 수 있습니다. 이미지 데이터의 활용으로 금융기관의 운영 효율성과 보안 수준을 동시에 높일 수 있습니다.
금융기관의 콜센터는 매일 수십만 건의 음성 데이터를 생성합니다. 고객 상담, 거래 지시, 민원 처리 등 다양한 음성 기록이 있습니다. 음성 인식 기술을 사용하면 이러한 음성 기록을 텍스트로 자동 변환할 수 있습니다. 변환된 텍스트는 자연어 처리로 분석됩니다. 음성 감정 분석 기술로 고객의 감정 상태를 파악할 수 있습니다. 만족하는 고객, 불만하는 고객, 화난 고객의 음성은 특징적인 톤과 속도를 가집니다. 이러한 감정 신호를 감지하면 상담의 질을 실시간으로 개선할 수 있습니다. 거래 지시 인식 기술로 고객의 거래 명령을 자동으로 처리할 수 있습니다. "계좌 이체를 원합니다"라는 고객 음성을 자동으로 인식하고 거래를 시작합니다. 음성 생체 인증 기술로 고객을 식별할 수 있습니다. 이러한 음성 기반 기술들은 금융 서비스의 편의성과 보안성을 동시에 향상시킵니다.
비정형 데이터를 AI 학습에 사용하기 위해서는 정형 데이터보다 복잡한 전처리가 필요합니다. 텍스트 데이터는 자연어의 다양한 표현 방식으로 인한 복잡성을 가집니다. 같은 의미를 여러 방식으로 표현할 수 있습니다. 오타나 비문법적 표현도 포함됩니다. 도메인 특화 용어가 있습니다. 이러한 복잡성을 처리하기 위해 토큰화, 어간 추출, 불용어 제거, 임베딩 같은 전처리 단계를 거칩니다. 이미지 데이터는 크기, 해상도, 각도, 조명 조건의 변이를 처리해야 합니다. 음성 데이터는 배경 소음, 음성 속도의 변이, 악센트의 차이를 처리해야 합니다. 영상 데이터는 매우 큰 용량과 복잡한 시간 정보를 처리해야 합니다. 이러한 전처리 작업은 자동화되지만 여전히 많은 시간과 자원이 소요됩니다.
지도 학습 기반의 AI 모델을 개발할 때는 비정형 데이터에 라벨을 붙여야 합니다. 텍스트 분류 모델을 만들려면 각 텍스트가 어떤 범주에 속하는지 표시해야 합니다. 감정 분석 모델을 만들려면 각 텍스트가 긍정인지 부정인지 표시해야 합니다. 이미지 분류 모델을 만들려면 각 이미지가 무엇을 나타내는지 표시해야 합니다. 이러한 라벨링은 대규모 비정형 데이터의 경우 수작업으로는 불가능합니다. 비용과 시간이 너무 많이 소요됩니다. 따라서 반자동화된 라벨링 방법이 필요합니다. 과거의 명확한 사례로부터 규칙을 도출하여 자동 라벨링합니다. 여러 사람이 독립적으로 라벨을 붙여 일치도를 확인합니다. AI가 생성한 라벨을 인간이 검증합니다. 이러한 방식들을 결합하여 비용 효율적으로 라벨링을 진행합니다.
비정형 데이터는 정형 데이터보다 개인정보 침해의 위험이 큽니다. 텍스트에는 고객의 이름, 주소, 연락처 같은 직접 식별자가 포함될 수 있습니다. 이미지에는 얼굴 정보가 포함될 수 있습니다. 음성에는 음성 특징으로 개인을 식별할 수 있습니다. AI 학습에 사용하기 전에 이러한 개인정보를 제거하거나 익명화해야 합니다. 텍스트에서 개인정보는 자동으로 감지되고 제거됩니다. 이미지의 얼굴은 흐리게 처리하거나 제거합니다. 음성은 특징을 변형하거나 음성 합성으로 대체할 수 있습니다. 이러한 익명화 과정이 데이터의 학습 가치를 너무 많이 손상시키지 않는 균형을 맞춰야 합니다. 규제 기관의 요구사항도 준수해야 합니다. GDPR이나 개인정보보호법 같은 규정에서 요구하는 개인정보 보호 수준을 만족해야 합니다.
비정형 데이터 AI는 금융기관의 여러 영역에서 실제로 적용되고 있습니다. 고객 상담 센터에서는 자동 전사 시스템이 음성 상담을 텍스트로 변환하고 이를 분석하여 상담 품질을 평가합니다. 신용 심사 부서에서는 이미지 인식 기술로 서류 검증을 자동화합니다. 거래 모니터링 부서에서는 텍스트 분석으로 의심 거래의 목적을 파악합니다. 마케팅 부서에서는 고객 피드백 분석으로 상품 개선 방향을 수집합니다. 리스크 관리 부서에서는 고객 상담 감정 분석으로 이탈 위험 고객을 조기에 감지합니다. 이러한 적용들은 금융기관의 운영 효율성, 서비스 품질, 리스크 관리 능력을 동시에 향상시킵니다.
금융권의 비정형 데이터 AI 활용은 계속 확대될 것입니다. 멀티모달 AI의 발전으로 여러 유형의 비정형 데이터를 동시에 분석할 수 있게 될 것입니다. 고객의 음성과 영상을 함께 분석하여 더욱 정확한 감정 인식이 가능해집니다. 텍스트와 이미지를 함께 분석하여 문서의 진위 판별이 더욱 정교해집니다. 생성 AI의 발전으로 비정형 데이터의 합성도 가능해질 것입니다. 개인정보 보호를 위해 실제 데이터 대신 합성 데이터를 학습에 사용할 수 있습니다. 실시간 처리 능력도 향상될 것입니다. 거래 순간의 영상을 실시간으로 분석하여 부정거래를 즉시 탐지할 수 있습니다. 이러한 기술들의 발전과 함께 금융기관의 비정형 데이터 활용도 더욱 고도화될 것입니다.
.svg)
.svg)
