마스터카드, 페이팔, 골드만 삭스 임원들이 말하는 2021년 금융 산업의 AI 트렌드

은행 및 금융 서비스 부문은 일반적으로 AI 도입에 있어 뒤쳐져 왔지만, 이는 변화하기 시작했다. 인사이더 인텔리전스의 AI 보고서에 따르면 은행의 80%가 AI의 잠재적 이점에 대해 잘 알고 있다고 한다. 은행들이 AI 애플리케이션을 통해 잠재적으로 절감할 수 있는 총 비용은 2023년까지 4,470억 달러로 추산된다. 올해의 Transform 패널에서는 Beyond Minds의 공동 설립자이자 CTO인 Roey Mechrez와 골드만 삭스의 머신러닝 제품 담당 이사인 Francesco Delle Fave, MasterCard Labs R&D의 AI 및 머신러닝 부사장인 Steve Flinter, 그리고 페이팔 데이터 사이언스 담당 부사장인 Hui Wang과 금융 서비스 산업의 AI와 머신러닝에 대해 이야기를 나누었다. 

Wang은 예전에는 신기술의 폭넓은 도입에 있어서 10-20년 정도 지연되는 경우가 많았지만, 그 차이는 점점 줄어들고 있다고 말했다. 왕 교수는 “학술 연구와 기술 대기업들이 1~2년 안에 페이팔과 같은 핀테크에 채택되고 있다”고 말했다. “이제 가장 정교한 실시간 부정 행위 감지 모델을 가장 정교한 딥러닝 아키텍처에서 실행할 수 있게 되었습니다.”

금융 산업의 주요 AI 트렌드

Flinter는 “AI와 머신러닝은 보안, 부정 행위 감지, ID, 개인화, 심지어 내부 효율성 애플리케이션을 비롯한 그 어느 때보다 광범위한 애플리케이션에서 사용되고 있습니다.”라고 말했다. 또한 모델 중심의 세계관에서 데이터 중심의 보다 데이터 중심적인 시각으로 변화하고 있다고 말한다. 조직들은 기업에서 데이터를 수집하고 사용하고 AI와 ML을 즉시 사용할 수 있도록 만드는 방법에 대해 재고하기 시작했다. FI들 사이에서 증가하고 있는 또 다른 동향은 AI 엔지니어링, 즉 MLOps라고 Flinter는 말한다. 조직들은 AI의 연구개발(R&D) 측면에서부터 새로운 AI 애플리케이션을 개발하고 테스트하고 반복하는 생산까지 AI의 전체 수명 주기를 고려하는 쪽으로 초점을 옮기고 있다. 

네 번째이자 마지막 경향은 윤리적 AI 또는 설명 가능한 AI이다. 이는 특히 라이트 오프 또는 블랙박스 시나리오에서 이러한 재무 모델을 배치할 때 편향이 잠재적으로 의도하지 않은 결과를 초래할 수 있는 방법에 초점을 맞춘다. Wang은 “PayPal에서 우리는 AI를 이용하여 사기를 탐지해 왔습니다.”라고 말했다. “하지만 지난 몇 년 동안, 고객에게 더 나은 환경을 제공한다는 측면에서 거의 모든 비즈니스 분야에 적용되었습니다.” “투자 금융의 주요 목표는 고객에게 서비스를 제공하는 것입니다.”라고 Delle Fave는 말했다. “데이터의 가용성이 높아짐에 따라 서비스가 체계화됨에 되었고, AI는 우리가 하는 모든 일에 스며들고 있습니다.” AI와 머신러닝은 개인화, 데이터 분석 기능 향상, 신호, 정보, 소음 해석 방식 등을 엄격히 해 보다 정교한 거래 전략을 개발하고 새로운 제품을 설계하고 구축하는 데 도움을 주고 있다.

당면 과제 

그러나 여러 가지 다양한 사용 사례를 가진 조직 전체에서 AI를 대량으로 도입하는 데 어려움이 있으며, 설문 조사에 따르면 많은 기업들이 새로운 머신 러닝 모델을 프로덕션으로 전환하는 데 실패한 것으로 나타났다. 데이터 준비 상태가 문제인 경우가 많다. Flinter는 “우리는 트랜잭션 처리와 데이터 분석을 위해 데이터를 관리하던 시대에서 왔고 이제는 ML 목적으로 데이터를 관리하는 방법에 대해 재고해야 합니다.”라고 말했다.

“즉, 데이터 아키텍처를 재고하고 데이터 스트리밍을 바라보는 것이다. 대규모 ML을 지원하려면 많은 백엔드 인프라를 다시 고려하고 재설계해야 합니다.” 상품 측면에서는 많은 은행과 금융 서비스 회사들이 AI나 ML이 실제로 무엇을 할 수 있는지에 대한 진정한 이해가 부족하다. “일부 제품 팀은 로켓을 날리거나 자동차를 날리는 것으로 생각하고 있으며, 사용 가능한 모든 문제를 해결할 수 있으며 적은 양의 데이터로도 무엇이든 짜낼 수 있습니다.”라고 그는 말했다. 

해결책은 팀들이 AI와 ML을 제품 스택으로 설계하기 위해 노력함에 따라 무엇이 진정으로 가능한지에 대한 교육과 기대치 관리이다. “하지만 실제 실행되어 훌륭한 예측을 생성하는 최고의 모델을 보유하고 있다고 해도 어떻게 될까요?” 왕이 말했다. “그들을 어떻게 해야 할까요? 예를 들어 상인이 내일 나올 것이라고 완벽하게 예측할 수 있다면 어떻게 해야 할까요?” 

이것을 AI를 도입하는 것이 라스트 마일 챌린지가 될텐데, 행동으로 이어지지 않는 예측은 회사에 아무런 도움이 되지 않는다. 어떻게 하면 기업이 머신 러닝 모델에서 고객의 삶을 개선하거나 회사를 돕는 제품 또는 경험으로 전환할 수 있을까? Delle Fave는 “골드만 삭스에서 첫 단계는 고객과 문제를 논의하는 것”이라며 “그러므로 고객은 어떤 문제를 해결하려 하고 있으며 어떻게 AI를 적용하여 문제를 해결하고 있는지를 정확하게 알고 있습니다다”고 말했다. “목표는 고객에게 가치를 입증하는 것입니다.”,  “이 작업이 완료되고 고객이 이해한 후에는 단순하고 점진적인 구축을 시작하여 우리가 가진 요구사항에 따라 잠재적으로 효율성, 속도를 개선할 수 있도록 복잡성의 계층을 추가합니다. 고객은 항상 우리가 구축 중인 방식을 이해할 수 있도록 방해합니다.” 당신의 모델은 특별히 정교하거나 화려할 필요도 없다고 Flinter는 말했다. “이러한 생각은 고객에게 가치를 제공할 가장 간단하고 설명 가능한 것을 찾아야 한다는 것입니다.”라고 그는 설명했다. “이미 사용할 수 있는 툴이 많이 있습니다.”

인간의 전문성은 사라지지 않는다.

Wang은 가장 효과적인 AI 솔루션을 구축하기 위해 때로는 인력을 투입해야 한다고 말한다. PayPal은 인간과 기계 간의 상호작용에 관한 스토리 기반 제품 방법론을 사용하며, 최상의 결과를 얻기 위해 반복 프로세스에서 인간과 기계의 상호 의존성을 수용한다. Wang은 “우리 회사의 AI 솔루션은 요리에 들어가는 재료와 같다고 말하고 싶습니다.”라고 말했다. “알고리즘은 우리가 최고의 요리를 하는데 필요한 재료의 수를 설명함으로써 우리를 도울 수 있지만, 만약 우리가 가장 중요한 재료들을 놓치고 있다면 어떨까요? 바로 이 부분에서 인적 전문가들이 도메인 전문성을 갖추고 있습니다.” 

금융 서비스에서 가장 중요한 AI 애플리케이션 중 하나인 부정 행위 탐지에는 데이터를 기반으로 의사 결정을 내리는 루프에 있는 사람이 필요하다. 매우 짧은 지연 시간, 높은 빈도의 의사결정 유형에서 인간은 애플리케이션과 알고리즘을 감독하여 모델에 변동이 있는지, 모델이 이상을 올바르게 포착하고 있는지 확인할 수 있다. Flinter는 “이런 종류의 장기적인 모델 모니터링은 보안 애플리케이션에서 고려해야 하는 사항입니다. 따라서 자동화된 의사 결정을 내리면서 모델이 예상대로 작동하는지 확인할 수 있습니다.”라고 말했다.

번역 – 핀인사이트 인턴연구원 강지윤(shety0427@gmail.com)

원문 보러가기>