.svg)
AI 솔루션 문의하기
생성형 AI가 금융 영역에서 유용하게 활용되기 위해서는 일반 목적의 언어모델과는 다른 학습데이터가 필요합니다. 일반 생성형 AI는 광범위한 주제를 다루지만 금융 특화 AI는 금융 업무의 특수한 맥락을 깊이 있게 이해해야 합니다. 금융 거래의 법적 근거, 규제 요구사항, 업무 프로세스, 금융 상품의 특성 같은 도메인 지식이 충분해야 합니다. 금융 용어의 정확한 이해도 중요합니다. 같은 약자도 맥락에 따라 다른 의미를 가질 수 있습니다. 금융 서비스 제공 시 정확한 정보가 중요합니다. 부정확한 정보나 오해의 소지가 있는 답변은 고객 피해로 직결될 수 있습니다. 따라서 금융회사의 생성형 AI 학습데이터 구축은 충분한 금융 도메인 텍스트와 신중한 데이터 선별을 필요로 합니다.
금융회사 내부의 다양한 문서들이 생성형 AI 학습의 중요한 자료가 될 수 있습니다. 상품설명서, 약관, 계약서, 정책 문서, 내부 규정 같은 문서들이 금융 지식의 보고입니다. 이러한 문서들은 이미 금융 전문가들에 의해 검증되고 규정을 준수하는 내용으로 작성되었습니다. 생성형 AI는 이러한 문서들에서 표현 방식, 구조화된 정보, 법적 표현을 학습할 수 있습니다. 다만 수집 과정에서 주의할 점이 있습니다. 고객 개인정보가 포함된 문서는 익명화하거나 제외해야 합니다. 경영 전략 같은 민감 정보도 제외합니다. 저작권 문제도 확인합니다. 외부에서 수집한 문서는 재사용 가능성을 확인해야 합니다. 이러한 문서들을 시간대별로, 상품별로, 부서별로 분류하여 구조화된 학습 자료로 정리합니다.
금융회사의 고객 상담 기록과 거래 기록도 생성형 AI 학습의 중요한 자원입니다. 고객이 실제로 하는 질문, 상담원의 답변, 거래 과정에서의 커뮤니케이션이 모두 학습 자료가 될 수 있습니다. 이러한 자료들은 현실적인 금융 상황과 필요한 정보를 담고 있습니다. 고객의 실제 언어 사용 패턴도 반영됩니다. 상담원의 전문적인 설명 방식도 배울 수 있습니다. 다만 개인정보 보호가 매우 중요합니다. 고객 이름, 계좌번호, 거래 금액, 개인 정보는 모두 제거하거나 일반화해야 합니다. "홍길동 고객이 2024년 1월 15일에 계좌 A에서 B로 500만 원을 송금했습니다"라는 기록은 "고객이 특정 시기에 계좌 간 송금을 수행했습니다"로 변환됩니다. 이렇게 익명화된 거래 기록과 상담 내용들이 생성형 AI가 현실적인 금융 상황을 이해하는 데 도움이 됩니다.
생성형 AI가 금융 업무에서 정확하게 작동하려면 금융 용어를 정확히 이해해야 합니다. 같은 용어도 금융 분야에서만 특정한 의미를 가질 수 있습니다. 예를 들어 "자본" 같은 단어는 일상에서는 여러 의미를 가지지만 금융에서는 명확한 정의를 가집니다. 금융회사 내부에서도 부서마다 용어를 다르게 사용할 수 있습니다. 이러한 혼란을 해결하기 위해 표준화된 용어 사전을 구축합니다. 각 용어의 정의, 사용 맥락, 관련 용어, 약자를 명시합니다. 학습데이터에 이 용어 사전을 포함시켜 생성형 AI가 용어를 정확히 이해하도록 합니다. 특히 약자의 표준화가 중요합니다. "BIS"는 국제결제은행을 의미하기도 하고 자본비율을 의미하기도 합니다. 맥락에 따라 다른 약자가 같은 의미를 가질 수도 있습니다. 이러한 모호함을 학습데이터에서 명확히 해야 합니다.
생성형 AI가 제공하는 정보는 금융 규제를 준수해야 합니다. 만약 AI가 규제를 위반하는 조언을 제공한다면 금융회사에 직접적인 법적 책임이 될 수 있습니다. 따라서 학습데이터에는 규제 요구사항과 법적 제약이 명확히 포함되어야 합니다. 어떤 상황에서는 특정 정보를 제공할 수 없는지, 어떤 표현은 피해야 하는지를 명시합니다. 예를 들어 투자 조언을 할 때는 과거 성과가 미래를 보장하지 않는다는 면책 조항이 필수적입니다. 특정 고객층에 대한 차별적 표현은 금지됩니다. 신용도 평가 시 어떤 요소를 고려할 수 있고 어떤 요소는 고려할 수 없는지도 규정에 따라 정해져 있습니다. 이러한 모든 규제 사항을 학습데이터에 포함시켜 생성형 AI가 항상 규제를 준수하는 답변을 제공하도록 훈련합니다.
생성형 AI가 현실적인 금융 상황에 대응하려면 다양한 상황의 예제가 필요합니다. 단순한 정보 제공만이 아니라 복잡한 금융 상황에서의 적절한 대응을 학습해야 합니다. 고객이 여러 상품을 가지고 있을 때 상호작용을 이해해야 합니다. 거래에 문제가 발생했을 때 문제 해결 과정을 학습해야 합니다. 고객의 재정 상황이 특수한 경우 맞춤 조언을 해야 합니다. 이러한 다양한 시나리오를 담은 예제를 학습데이터로 준비합니다. 다만 개인정보 보호를 위해 가상의 상황으로 만듭니다. "고객 A가 대출금리 인상으로 월 상환액이 증가했을 때의 대응"이라는 일반화된 시나리오로 변환합니다. 이러한 예제들이 충분하면 생성형 AI는 유사한 실제 상황을 만났을 때 적절하게 대응할 수 있습니다.
사전에 학습된 일반 생성형 AI 모델을 금융 도메인에 적응시키는 과정도 중요합니다. 파인튜닝(Fine-tuning)이라는 기법을 사용하여 금융 특화 모델로 변환합니다. 일반 모델은 광범위한 지식을 가지고 있지만 금융 도메인의 깊이가 부족합니다. 금융 학습데이터로 추가 학습을 진행하면 일반 지식은 유지하면서 금융 능력을 강화할 수 있습니다. 이 과정에서 학습데이터의 품질과 관련성이 매우 중요합니다. 금융과 무관한 데이터로 학습하면 효과가 낮습니다. 반대로 금융 도메인의 대표적이고 다양한 데이터로 학습하면 높은 성능을 달성할 수 있습니다. 파인튜닝 과정 중에는 지속적으로 모델의 성능을 평가합니다. 금융 전문가들이 모델의 답변을 검토하여 부정확한 부분을 찾아내고 이를 학습데이터에 반영합니다.
생성형 AI의 학습데이터는 한 번 만든 후 사용하는 것이 아니라 지속적으로 개선되어야 합니다. 금융환경이 변하고 새로운 상품이 출시되고 규제가 변경되면 학습데이터도 함께 업데이트되어야 합니다. 구조화된 버전 관리 시스템을 구축합니다. 각 버전에서 어떤 데이터가 추가되거나 변경되었는지 기록합니다. 새로운 학습데이터가 추가될 때마다 모델의 성능 변화를 측정합니다. 성능이 개선되었는지 확인하고 의도하지 않은 부작용이 없는지 검증합니다. 금융 전문가들의 정기적인 검토도 필요합니다. 분기별 또는 반기별로 모델의 답변을 검토하여 부정확한 부분, 시대에 뒤떨어진 정보, 누락된 내용을 확인합니다. 고객의 피드백도 수집합니다. 생성형 AI의 답변이 도움이 되지 않았던 사례들을 수집하여 개선의 근거로 삼습니다.
금융회사가 글로벌 서비스를 제공한다면 다중 언어 생성형 AI도 필요합니다. 각 언어마다 해당 국가의 금융 규제, 용어, 관습을 반영한 학습데이터가 필요합니다. 단순한 번역만으로는 부족합니다. 각 국가의 금융 환경이 다르기 때문입니다. 미국의 금융 상품과 한국의 금융 상품은 구조가 다릅니다. 규제 기관도 다릅니다. 일반적인 용어도 국가별로 다를 수 있습니다. 따라서 각 언어별로 독립적인 학습데이터 구축 프로젝트가 필요합니다. 현지 금융 전문가들의 참여도 필수적이며 그들의 지식과 경험을 학습데이터에 반영해야 합니다. 현지화된 생성형 AI는 현지 고객들에게 더 나은 서비스를 제공할 수 있습니다.
생성형 AI는 예측 불가능한 답변을 생성할 수 있으므로 안전장치가 필수적입니다. 금융 정보를 제공하는 생성형 AI는 잘못된 정보를 제공할 위험을 내포하고 있습니다. 학습데이터에 포함되지 않은 질문에 대해 거짓 정보를 생성할 수도 있습니다. 이러한 위험을 최소화하기 위해 여러 방법을 사용합니다. 확신도 점수(Confidence Score)를 제공하여 답변의 신뢰도를 표시합니다. 불확실한 답변은 "확실하지 않습니다"라고 명시합니다. 특정 답변이 금융 전문가의 검증을 거쳤는지를 표시합니다. 복잡한 금융 질문은 인간 상담원에게 자동으로 에스컬레이션합니다. 주기적인 감시와 모니터링도 중요합니다. 실제 고객들과의 상호작용 기록을 분석하여 문제가 되는 패턴을 조기에 발견합니다. 이러한 안전장치들이 생성형 AI의 신뢰도를 높입니다.
.svg)
.svg)
