.svg)
AI 솔루션 문의하기
기존의 거래 모니터링 방식은 개별 거래나 개별 계좌를 분석 단위로 삼습니다. 특정 거래가 기준치를 초과하거나 특정 계좌에서 이상 패턴이 감지되면 경보가 발생하는 구조입니다. 이 방식은 단순한 이상 거래를 탐지하는 데는 효과적이지만, 여러 계좌와 사람과 법인이 복잡하게 얽힌 조직형 금융 범죄를 탐지하는 데는 구조적 한계가 있습니다. 최근의 금융 범죄는 대부분 개인에 의한 개별적인 범죄보다 범죄 단체에 의한 조직적인 공모 양상을 띠고 있으며, 개별 범죄자에 집중하던 거래 모니터링이나 기존의 이상금융거래탐지 방식으로는 이러한 공모형 사기 및 기업형 범죄를 찾아내기가 매우 어렵습니다.
그래프 데이터 분석은 이 한계를 극복하기 위한 접근법입니다. 개별 주체를 독립적으로 분석하는 것이 아니라, 주체들 사이의 관계와 연결 구조를 분석 대상으로 삼음으로써 개별 분석으로는 보이지 않던 공모 관계와 자금 흐름의 패턴을 드러냅니다.
그래프 데이터는 노드와 엣지라는 두 가지 기본 요소로 구성됩니다. 노드는 분석 대상이 되는 개체로, 금융 거래 맥락에서는 계좌, 개인, 법인, 기기, 주소 등이 노드가 됩니다. 엣지는 노드 사이의 관계를 나타내며, 자금 이체, 계약 관계, 동일 기기 사용 이력, 동일 주소 등록 등이 엣지로 표현됩니다. 거래와 개체 데이터를 기반으로 전체적인 네트워크 정보를 확보할 수 있으며, 이를 통해 개별적인 접근으로는 보이지 않던 공모 및 연관 관계가 드러나게 됩니다.
예를 들어, 동일한 실제소유자를 가진 여러 법인이 각각 별개의 계좌를 통해 소액 거래를 반복하는 경우, 개별 계좌 단위 분석에서는 이상 신호가 잡히지 않지만 그래프로 연결 구조를 시각화하면 하나의 연결된 자금 흐름으로 포착됩니다.
그래프 데이터 분석에서 활용되는 주요 기법은 다음과 같습니다.
그래프 안에서 특정 노드가 얼마나 많은 연결을 가지고 있는지, 다른 노드들 사이의 경로에서 얼마나 자주 등장하는지를 측정합니다. 자금 흐름의 허브 역할을 하는 계좌나 법인을 식별하는 데 활용됩니다. 허브 계좌는 자금 세탁에서 중간 경유 역할을 하는 경우가 많아 탐지 대상으로 우선순위를 부여합니다.
그래프 안에서 서로 밀접하게 연결된 노드 집단을 식별합니다. 서로 연관성이 없어 보이는 계좌들이 실제로는 하나의 클러스터를 형성하고 있다면, 이 집단이 공모형 범죄에 가담하고 있을 가능성을 높이는 신호가 됩니다.
그래프 신경망이 여러 계층의 처리를 실행할 때, 더 넓은 탐지 범위를 가질수록 금융 사기 범죄자들이 흔적을 감추기 위해 사용하는 더 복잡하고 긴 거래 체인을 추적할 수 있습니다. 자금이 출발 계좌에서 여러 중간 계좌를 거쳐 목적지에 이르는 경로를 추적하는 방식입니다.
현재 연결되지 않은 두 노드 사이에 미래에 연결이 생길 가능성을 예측합니다. 알려진 범죄 연루자와 아직 연결 관계가 확인되지 않은 계좌 사이의 잠재적 관계를 사전에 파악하는 데 활용됩니다.
그래프 분석에 인공지능을 결합한 그래프 신경망은 자금세탁방지 분야에서 주목받는 기술입니다. 기존 그래프 분석이 사람이 정의한 규칙에 따라 패턴을 탐지하는 방식이라면, 그래프 신경망은 그래프 구조 자체에서 패턴을 학습하여 사람이 정의하지 않은 새로운 이상 패턴도 탐지하는 방식으로 작동합니다. 그래프 신경망은 수십억 개의 기록을 살펴보고 이전에 알려지지 않은 활동 패턴을 식별하여 과거에 어떤 계정이 의심스러운 계정으로 거래를 보냈는지 여부에 대한 상관관계를 파악할 수 있습니다.
또한 그래프 신경망은 지도 학습이나 비지도 학습 방식 모두로 훈련할 수 있어, 레이블이 지정된 사기 데이터가 상대적으로 부족한 환경에서도 강력한 탐지 성능을 발휘할 수 있습니다. 레이블이 부족한 문제는 자금세탁 탐지 데이터에서 공통적으로 나타나는 제약인데, 비지도 학습 방식의 그래프 신경망은 이 제약을 극복하는 수단이 됩니다.
은행권에서는 피해자 직접이체형 송금사기, 대출 및 외환 사기, 가상자산, 온라인 도박, 불법 환전, 그리고 다중 계좌가 얽혀 고속으로 순환·은닉되는 서비스형 자금세탁 등이 조직적으로 이루어지고 있으며, 금융회사의 직원이 공모하거나 내부자가 범죄 조직에 가담하는 사례도 빈번히 발생하고 있습니다. 서비스형 자금세탁은 다수의 계좌와 법인이 체계적으로 역할을 나누어 자금을 분산하고 이동시키는 방식으로 운용됩니다. 이 구조에서 개별 거래는 각각 정상 범위 안에 있어 규칙 기반 탐지 시스템에서 걸러지지 않지만, 그래프로 연결 관계를 시각화하면 전체 자금 흐름의 구조가 드러납니다. 그래프 분석은 이처럼 조직화된 방식으로 운용되는 자금세탁을 탐지하는 데 적합한 기술적 접근입니다.
그래프 데이터 분석은 기존 거래 모니터링 시스템을 대체하는 것이 아니라 보완하는 방식으로 활용됩니다. 금융 기관에서는 의사 결정, 사기 예방 및 위험 관리를 향상하기 위해 인공지능 솔루션을 새로운 워크플로와 기존 워크플로에 통합하는 경우가 점점 증가하고 있습니다. 기존 규칙 기반 시스템이 개별 거래의 이상 여부를 빠르게 판단하는 역할을 담당한다면, 그래프 분석은 경보가 발생한 계좌나 법인이 더 넓은 범죄 네트워크와 연결되어 있는지를 분석하는 역할을 담당합니다. 두 시스템이 결합되면 경보의 우선순위를 더 정확하게 설정할 수 있으며, 단독으로 경보를 발생시키지 않았더라도 범죄 연루자와 연결 관계가 확인된 계좌를 추가적으로 조사 대상에 포함시킬 수 있습니다.
그래프 데이터 분석을 자금세탁방지 체계에 도입할 때 실무적으로 확인해야 할 사항이 있습니다.
개별 거래와 개별 계좌만을 분석 단위로 삼는 방식에서는 조직적으로 설계된 자금세탁 구조가 포착되지 않습니다. 그래프 데이터 분석은 계좌, 법인, 개인, 거래가 서로 어떻게 연결되어 있는지를 하나의 구조로 파악함으로써 이 공백을 채웁니다. 그래프 신경망과 결합하면 사람이 사전에 정의하지 않은 이상 패턴까지 탐지하는 범위로 확장됩니다. 기존 거래 모니터링 시스템과 결합하여 운용할 때, 그래프 데이터 분석은 금융 범죄 탐지 체계의 탐지 깊이를 실질적으로 높이는 수단이 됩니다.
.svg)
.svg)
