.svg)
AI 솔루션 문의하기
생성형 AI를 학습시키기 위한 금융 문서 데이터는 단순한 문서의 나열이 아닙니다. 문제 상황에 대한 설명과 그에 대한 답변이나 해결책으로 이루어진 "쌍(Pair)" 형태로 구성되어야 합니다. 고객의 질문과 그에 대한 정답으로 구성된 쌍, 거래 상황 설명과 필요한 서류 목록으로 구성된 쌍, 규제 요구사항과 이를 충족하는 방법으로 구성된 쌍들입니다. 이러한 쌍 형태의 데이터는 AI가 input-output 관계를 학습하는 데 최적화되어 있습니다. 예를 들어 "고객이 대출 상품에 대해 금리 인상 시 어떻게 되는지 묻는다"는 상황에 "계약서의 금리 조항을 참고하여 설명한다"는 답변이 쌍을 이룹니다. 이러한 구조의 데이터가 충분하면 AI는 유사한 고객 질문에 대해 자동으로 적절한 답변을 생성할 수 있습니다.
금융 실무에서는 단일 문서로는 설명할 수 없는 복잡한 상황들이 있습니다. 특정 거래나 사건에 대응하기 위해 여러 문서가 함께 작동합니다. 주택담보대출 거래를 예로 들면 대출 신청서, 대출약정서, 신용조회 동의서, 담보물 평가 보고서, 등기 서류, 거래 매매계약서, 이자 안내서 같은 여러 문서가 함께 사용됩니다. 이러한 문서들의 조합과 순서, 각 문서의 역할을 학습데이터에 명시합니다. "A 거래 상황에서는 이 순서대로 이 문서들이 필요하고 각 문서에서는 이 정보가 중요하다"는 정보를 담습니다. 이렇게 시나리오 기반으로 문서들을 조합하면 AI는 실무의 흐름을 이해하게 됩니다. AI는 새로운 상황을 만났을 때 어떤 문서가 필요한지 예측할 수 있습니다. 문서 간의 관계와 의존성도 파악할 수 있습니다.
AI 학습데이터로 사용될 금융 문서의 다양성이 중요합니다. 동일한 유형의 문서라도 고객의 상황, 시장 환경, 시대에 따라 다양한 변형이 있습니다. 대출약정서는 대출액, 금리, 기간, 담보 조건에 따라 다릅니다. 같은 상품이라도 시간에 따라 금리나 조건이 바뀝니다. 고객의 신용도, 거주지, 직업에 따라 필요한 추가 서류가 달라집니다. 이러한 다양성을 모두 포함하는 학습데이터를 구축해야 AI가 편협하지 않은 이해를 갖습니다. 특정 조건의 거래만 학습한 AI는 다른 조건의 거래에서 오류를 범할 수 있습니다. 다양한 금액대, 다양한 기간, 다양한 고객 프로필의 문서들을 균형 있게 포함시킵니다. 지역별로도, 시간대별로도 다양성을 확보합니다. 이러한 노력이 AI의 일반화 능력을 높입니다.
학습에 필요한 문서의 양이 실제 보유 문서보다 많을 수 있습니다. 이 경우 실제 문서를 바탕으로 합성 데이터를 생성할 수 있습니다. 실제 거래 계약서의 구조와 내용을 바탕으로 유사하지만 다른 조건의 합성 계약서를 만듭니다. 실제 고객 질문과 답변 기록을 바탕으로 유사한 새로운 질답 쌍을 생성합니다. 규제 문서의 구조를 분석하여 유사한 새로운 규제 해석 사례를 만듭니다. 합성 데이터는 개인정보 보호에도 도움이 됩니다. 실제 고객 정보를 포함한 문서는 사용할 수 없지만 합성 데이터로 만들면 개인정보 위험이 없습니다. 다만 합성 데이터는 일관성과 정확성이 보장되어야 합니다. 생성된 합성 데이터를 도메인 전문가가 검증합니다. 비현실적이거나 오류가 있는 합성 데이터는 제외합니다.
금융 문서들은 서로를 참조합니다. 약관은 법령을 참조하고, 약정서는 약관을 참조하며, 고지서는 약정서와 약관을 참조합니다. 이러한 참조 관계를 명시적으로 표시하면 AI의 이해도가 높아집니다. AI가 특정 약정서를 분석할 때 관련 약관과 법령을 함께 고려할 수 있습니다. 참조 관계의 맥락적 의미도 표시합니다. "A 약관의 조항 3.2를 참조하되, B 특례가 우선 적용된다"는 식의 조건부 참조도 명시합니다. 시간대별 참조 변화도 추적합니다. 과거에는 다른 규정을 참조했지만 현재는 새로운 규정을 참조하는 경우가 있습니다. 이러한 변화를 기록하면 AI가 시간적 맥락을 이해합니다. 이러한 참조 관계 정보가 구조화된 지식 그래프로 표현되면 AI는 매우 정교한 추론이 가능해집니다.
특정 상황에서는 정해진 문서들이 준비되어야 합니다. "고객이 거래 중도에 탈퇴하려고 한다"는 상황에는 탈퇴 신청서, 중도해지 가능 여부 확인, 위약금 계산, 환금 절차 안내 같은 일련의 문서와 정보가 필요합니다. 이러한 상황-문서 매핑을 학습데이터에 포함시킵니다. "분쟁 발생 상황"에는 어떤 문서들이 필요한지, "상품 변경 신청"에는 무엇이 필요한지를 명시합니다. 상황별로 여러 경로가 있을 수 있습니다. "신용도가 높은 고객"과 "신용도가 낮은 고객"의 대출 진행 과정이 다를 수 있습니다. 이러한 조건분기를 명확히 합니다. AI는 이러한 매핑으로부터 패턴을 학습하여 새로운 상황에서 필요한 문서를 스스로 제시할 수 있습니다.
금융 문서 학습데이터는 정확성과 신뢰성이 매우 중요하므로 엄격한 검증 프로세스가 필요합니다. 자동 검증과 인간 검증을 결합합니다. 자동 검증에서는 문서의 형식, 필수 필드의 완성도, 참조 관계의 일관성을 확인합니다. 인간 검증에서는 법무팀, 상품팀, 운영팀의 담당자들이 실무적 적절성을 검토합니다. 다층적 검증을 수행합니다. 개별 문서의 정확성 검증, 문서 쌍의 논리적 일관성 검증, 시나리오 전체의 흐름 적절성 검증을 단계적으로 진행합니다. 검증 불일치 사항을 추적합니다. 여러 검증자가 동일 문서를 검증했을 때 의견이 다르면 그 이유를 분석합니다. 이를 통해 모호한 부분을 명확히 할 수 있습니다. 검증 기록을 유지합니다. 누가 언제 어떤 항목을 검증했는지 기록하여 추적 가능성을 보장합니다.
금융 환경은 계속 변합니다. 새로운 상품이 출시되고 규제가 변경되며 고객 행동도 변합니다. 학습데이터도 이러한 변화를 반영하여 주기적으로 업데이트되어야 합니다. 신규 상품이 출시되면 관련 문서와 시나리오를 학습데이터에 추가합니다. 규제가 변경되면 기존 문서를 수정하고 새로운 버전을 생성합니다. 고객 피드백에서 AI의 오류를 발견했다면 그 오류를 야기한 학습데이터를 검토하고 개선합니다. 시장 변화도 반영합니다. 금리가 급변하면 금리 관련 설명 문서를 갱신합니다. 경제 상황 변화에 따라 리스크 관련 문서도 수정합니다. 이러한 동적 업데이트를 통해 AI는 최신 상황을 반영한 응답을 제공할 수 있습니다.
여러 버전의 금융 문서가 동시에 유효할 수 있습니다. 개정된 약관이 발효되어도 개정 전 약관으로 체결된 계약은 여전히 유효합니다. 버전 관리를 통해 특정 시점의 규정에 따른 거래를 정확히 분석할 수 있습니다. 각 문서의 버전을 명확히 표시합니다. 버전 번호, 발효일, 종료일, 변경 내용을 기록합니다. 문서 쌍도 버전을 가집니다. "약관 v2.0과의 관계"는 "약관 v1.0과의 관계"와 다를 수 있습니다. 이러한 버전 정보가 명시되어야 합니다. 거래 시점의 문서 버전을 추적합니다. 고객이 2024년 1월에 체결한 계약이라면 그 시점의 약관 버전을 참조해야 합니다. 이러한 추적성이 AI의 정확한 분석을 가능하게 합니다.
금융 문서 학습데이터가 구축된 후에도 최적화가 필요합니다. 데이터의 크기와 복잡도는 AI 모델의 학습 효율성에 영향을 미칩니다. 불필요하게 중복된 데이터는 제거합니다. 학습에 기여하지 않는 데이터도 식별하여 제거합니다. 데이터의 균형을 맞춥니다. 특정 시나리오에 치우친 데이터는 모델의 편향을 야기합니다. 모든 주요 시나리오가 균형 있게 포함되도록 조정합니다. 난이도 순서대로 정렬합니다. 간단한 거래부터 복잡한 거래까지 점진적으로 학습하면 학습 효율이 높아집니다. 이러한 최적화를 통해 더 적은 데이터로도 높은 성능을 달성할 수 있습니다.
.svg)
.svg)
