뱅킹 산업의 AI

뱅킹 산업은 차세대 인공지능(AI)과 머신 러닝(ML)을 통해 고객 서비스와 운영 효율성을 향상할 것입니다. AI 기반의 고객 서비스와 자문은 더욱 정교해지고 더 복잡한 시나리오에도 대응할 수 있게 될 것입니다.

운영 측면에서는 AI가 향상된 범죄 행위 탐지 기능을 통해 금융 범죄를 더 철저히 예방하고 고급 모델링을 통해 대출 심사를 개선할 것입니다. 또한 AI는 데이터 입력과 같은 일상적인 태스크를 한층 자동화하여 백오피스 프로세스를 더욱 간소화하는 데 기여할 것입니다.

Red Hat 뱅킹 리소스 살펴보기

그러나 뱅킹 산업에서 AI 도입을 확대하려면 제품, 데이터, 컴플라이언스, 운영, 인재 확보 및 교육 등과 관련된 어려움을 비롯해 많은 과제를 해결해야 합니다.

이 문서에서는 AI와 ML을 기반으로 하는 뱅킹 산업의 미래와 그러한 미래를 실현하는 데 따르는 과제, 그리고 과제 대응에 필요한 중요 역량에는 무엇이 있는지 알아보겠습니다.

기업용 AI란?

AI에는 프론트 오피스에서 백오피스에 이르기까지 은행의 운영 방식을 혁신적으로 개선할 잠재력이 있습니다. 다음은 은행의 4가지 주요 분야와 기존 AI 기술 및 개발 중인 AI 기술이 해당 분야에 미칠 수 있는 영향입니다.

마케팅과 영업 분야의 AI

• 고객 확보: 효과적인 타기팅과 예측 분석을 통해 더욱 효율적으로 잠재 고객을 파악하여 고객을 더 많이 확보할 수 있습니다.
• 고객 온보딩: 소비자와 기업을 위한 온보딩 프로세스가 까다로운 시나리오에서도 완전히 자동화되어 신규 뱅킹 고객도 더 빠르고 쉽게 온보딩할 수 있습니다.
• 고객 충성도: 더욱 맞춤화된 제품과 서비스로 고객 충성도를 강화하고 고객 만족도와 유지율을 개선할 수 있습니다.

운영 및 서비스 분야의 AI

• 자문: 지능형 금융 자문의 강화로 조건 변화에 더 잘 대응할 수 있습니다.
• 처리: 뱅킹의 예외 처리 속도가 빨라지면서 대기 시간이 줄고 운영 효율성이 개선될 수 있습니다.
• 지원: AI 기반 어시스턴트가 까다로운 고객 문의와 문제를 효율적이고 효과적으로 처리할 수 있습니다.

AI 운영화에 대해 알아보기

리스크 및 리스크 평가 분야의 AI

• 모델링: 뱅킹 산업의 리스크 모델링은 대규모 데이터 세트를 분석하면서 훨씬 더 강력하고 신속한 기능으로 금융 리스크를 더욱 정확하게 예측해 완화할 수 있습니다.
• 채권 추심: 분석을 개선하고 가장 효과적인 상환 방식을 결정하면 채권 추심 전략을 최적화할 수 있습니다.
• 금융 범죄 예방: AI는 패턴 인식을 사용하여 의심스러운 거래를 식별하고 오탐을 줄이는 방식으로 금융 범죄를 더 잘 감지할 수 있습니다.

재무 및 회계 분야의 AI

• 보고: 뱅킹 산업의 재무 보고가 간소화되고 데이터 컴파일 및 분석을 자동화하여 정확성을 높인 리포트를 적시에 제공할 수 있습니다. 또한 AI 에이전트가 보고를 처리하게 되면 민감한 데이터를 다루는 인력이 줄어들 것입니다.

AI 기술에 적응하려면 기술적인 조정뿐만 아니라 고객 기대치와 조직 관행의 변화도 필요합니다. 심층적인 조직 내부의 통합을 고려하는 은행은 잠재적인 문제를 파악하고 이를 해결할 준비가 되어 있어야 합니다.

제품

• 고객 수용: 고객에게 뱅킹 업무를 볼 때 AI 기반 서비스를 사용하라고 설득하는 것은 어려울 수 있습니다. 일부 고객은 뱅킹 업무를 처리할 때 AI를 신뢰하기 어려워할 수도 있으므로 투명하고 쉽게 설명할 수 있어야 합니다.

데이터

• 품질: 고품질 데이터는 뱅킹 산업의 AI를 위한 전제 조건입니다. 은행은 데이터의 산발성, 불완전성, 낮은 품질 등으로 인해 효과적인 AI 모델을 개발하는 데 어려움을 겪는 경우가 많습니다.
• 레거시 시스템: 최신 AI 기술과 잘 호환되지 않는 레거시 시스템을 가지고 운영하는 은행들이 많습니다. AI를 이런 레거시 시스템에 통합하는 작업은 비용과 시간이 많이 들고 복잡할 수 있습니다.

컴플라이언스

• 설명 가능성: 딥러닝을 사용하는 AI 알고리즘의 복잡성으로 인해 AI 의사 결정 방식을 설명하기 어려운 경우가 생길 수 있는데, 투명성이 요구되는 분야인 만큼 이는 규제 기관이 우려하는 부분입니다.
• 개인 정보 보호: 금융 기관은 민감한 고객 데이터를 다루기 때문에 AI 시스템은 데이터 프라이버시와 보안을 보장해야 합니다. 금융 산업이 항상 우려하는 데이터 포이즈닝 방지도 여기에 해당합니다.
• 책임 있는 사용: 고객 프로파일링과 대출 심사와 같은 분야에 AI를 사용하는 경우 공정성, 차별, 개인 정보 보호에 관한 윤리적 우려가 제기될 수 있습니다. AI를 제대로 도입하려면 이러한 우려를 반드시 해결해야 합니다.

인프라 및 운영

• 확장성: 비즈니스 애플리케이션과 운영 등 뱅킹 조직 전체에 AI 도입을 확대하기란 상당히 어려운 일이며, 변화가 점점 빨라질 경우 특히 그렇습니다.
• 비용: 뱅킹 산업에서 AI에 대한 초기 투자와 유지 관리 비용은 높을 수 있기 때문에 ROI(투자 수익률) 측면에서 유리하다는 확실한 증거 없이는 AI 도입을 주저하게 됩니다.

인력

• 인재 확보: 은행에는 데이터 사이언스와 뱅킹 비즈니스에 모두 숙련된 AI 전문가가 부족합니다.
• 직원 수용성: 실직, 고용 안정성에 대한 우려 또는 AI의 장점에 대한 이해 부족으로 인해 뱅킹 조직 내에서 AI에 대한 거부감이 발생할 수 있습니다.

AI 워크로드를 규모에 맞게 성공적으로 배포하려면 여러 연계 요소들이 얼마나 효율적이고 효과적으로 연동하는지가 관건입니다. 특히, 대규모 AI 모델(예: LLM) 및 더 복잡한 추론 기능을 지원할 수 있는 추론 서버는 엔터프라이즈 AI 워크로드를 확장하는 데 있어 핵심입니다.

이러한 AI 툴은 리소스를 더 효율적으로 사용하여 더 빠르게 확장합니다. 

• llm-d: LLM 프롬프트는 복잡하고 비균일합니다. 일반적으로 대량의 데이터를 처리하려면 방대한 컴퓨팅 리소스와 스토리지가 필요합니다. 개발자는 llm-d와 같은 오픈소스 AI 프레임워크를 통해 분산 추론과 같은 기술을 사용하여 LLM과 같이 정교하고 규모가 큰 추론 모델에 대해 증가한 수요를 충족할 수 있습니다.
• 분산 추론: 분산 추론은 추론 작업을 상호 연결된 일련의 기기에 분배하여 AI 모델이 더 효율적으로 워크로드를 처리할 수 있도록 하는 것을 말합니다. “백지장도 맞들면 낫다”라는 속담을 소프트웨어 분야에 적용한 것과 같습니다.  
• vLLM: 가상 대규모 언어 모델(Virtual Large Language Model)을 의미하며, vLLM 커뮤니티에 의해 유지 관리되는 오픈소스 코드 라이브러리입니다. vLLM은 대규모 언어 모델(Large Language Model, LLM)이 계산을 더욱 효율적이고 대규모로 수행할 수 있도록 돕습니다.

Red Hat AI가 이러한 툴과 역량을 통합하여 고객이 AI를 규모에 맞게 사용할 수 있도록 지원하는 방법을 알아보세요.

Red Hat AI 살펴보기

은행이 AI를 효과적으로 사용하려면 핵심 역량이 필요합니다.

훈련, 데이터 관리와 같은 기술적 측면에서부터 거버넌스, 인재 확보와 같은 조직적 요소에 이르기까지 그 범위는 다양합니다. 이번 섹션에서는 이러한 주요 역량을 자세히 살펴보고, 은행이 AI 기술을 성공적으로 구현하여 활용하려면 무엇이 필요한지 간단히 알아보겠습니다. 이 역량들을 파악하고 개발하는 것은 은행 내 전사적 AI 확장의 효과와 효율성에 큰 영향을 미칠 수 있습니다.

학습 및 조정

뱅킹에서 AI를 효과적으로 사용하려면 강력한 파운데이션 모델과 새로운 기반 모델을 개발할 수 있는 역량이 필요하며, 이를 위해서는 필요할 때 액세스해 수정할 수 있는 기반 모델 리포지토리가 필요합니다. 또한 이러한 모델을 훈련하기 위한 운영 환경을 손쉽게 사용하고 프로비저닝할 수 있어야 합니다. 그러면 조직이 AI 모델을 효율적으로 훈련하고 조정하여 데이터와 시장 변화에 대응할 수 있습니다.

AI 모델을 이처럼 민첩하게 훈련하고 조정하는 것은 은행이 경쟁력을 유지하고 고객 요구 사항과 규제 환경 변화에 지속적으로 대응하는 데 매우 중요합니다.

데이터

뱅킹 산업의 AI에는 효과적인 데이터 정제, 액세스 및 저장을 위한 메커니즘이 필요합니다. 데이터 저장소는 액세스하기 간편해야 하고, 데이터 보안과 데이터 프라이버시를 유지하기 위한 적절한 권한 설정이 있어야 합니다. 정제된 고품질 데이터에 대한 접근성은 신뢰할 수 있는 정확한 AI 모델 훈련의 핵심입니다.

과거에는 데이터 사이언티스트에게 데이터를 제공하기가 복잡했습니다. 은행이 다양한 분석 요구 사항을 충족하려면 데이터 웨어하우스의 기존 분석 기능과 데이터 레이크의 유연성 간에 균형을 맞춰야 합니다. 이러한 이중적인 접근 방식을 통해 뱅킹 산업의 통합 AI 애플리케이션에 필수적인 정형 및 비정형 데이터 분석이 가능해집니다.

거버넌스

뱅킹 산업 내 AI 거버넌스에서 데이터 관리는 필수적이며, 명확한 데이터 소싱과 모델 계보의 확립이 매우 중요합니다. AI 모델 학습을 위해 데이터를 수집하고 사용하는 방법을 투명하게 공개하는 것도 이에 해당합니다. 특히 뱅킹 부문의 규제 요건을 고려해 공정성, 설명 가능성, 컴플라이언스를 보장하는 모델 팩트를 기록하는 것도 중요합니다.

모델 편향 및 드리프트에 대한 모니터링은 모델 리스크 관리에 속하는 주요 역량입니다. 은행은 부정확성과 편향을 방지하기 위해 AI 모델을 지속적으로 평가하고 조정해야 합니다. 정기적인 감사와 규제 기관에 대한 보고 역시 AI 사용의 컴플라이언스와 투명성 유지에 필요합니다.

운영

머신 러닝 운영(MLOps) 통합은 뱅킹 산업의 AI 운영 면에서 매우 중요합니다. MLOps에는 AI 모델의 관리와 지속적인 개선이 포함되므로 시간이 지날수록 AI 모델의 효과와 정확성을 유지하는 데 도움이 됩니다. 확장 가능하고 효율적인 방식으로 AI 모델을 배포, 모니터링, 유지 관리하는 작업도 이에 해당합니다.

또한 MLOps는 데이터 사이언티스트에서부터 IT 전문가에 이르기까지 다양한 팀이 관여하는 AI 개발의 협업적 측면을 지원합니다. 이러한 협업을 통해 AI 모델이 기술적으로 타당할 뿐만 아니라 은행의 비즈니스 목표와 컴플라이언스 표준에 부합한다는 사실을 확인할 수 있습니다.

서비스 제공

AI 기반 서비스를 제공하기 위해 애플리케이션에 AI를 통합하는 것은 핵심적인 뱅킹 역량입니다. 고객 경험과 운영 효율성을 강화하기 위해 기존 뱅킹 애플리케이션에 AI 모델을 결합하는 것은 그에 해당합니다. 예를 들어 고객 서비스 애플리케이션에 AI를 통합하면 더욱 맞춤화된 효율적인 서비스를 제공할 수 있습니다.

마이크로서비스 아키텍처를 활용하면 속도를 높이고, 시장 출시 기간을 단축하고, 비용을 절감하는 데 도움이 됩니다. 마이크로서비스를 통해 애플리케이션을 모듈식으로 개발할 수 있으므로 시장 변화나 새로운 규제 요건에 대응해 더욱 쉽고 빠르게 AI를 통합하고 서비스를 업데이트할 수 있습니다.

확장성

뱅킹에서 사용되는 AI 기술은 적응성이 뛰어나야 빠른 기술 발전에 대응할 수 있는데, 이러한 발전은 오픈소스 커뮤니티가 주도할 때가 많습니다. 새로운 기술, 파트너, 패키지를 신속히 통합하는 역량은 경쟁 우위 유지의 핵심입니다.

이러한 확장성은 뱅킹 AI 시스템을 설계할 때 향후 통합을 고려해야 한다는 것을 의미하기도 합니다. AI의 발전에 따라 은행은 서비스와 운영을 지속적으로 강화하기 위한 새로운 방법과 기술을 도입할 수 있어야 합니다. 그러려면 지속적으로 학습하고 적응하는 유연한 조직 문화와 플랫폼이 필요합니다.

뱅킹 산업에서 AI 통합에 대처하려면 필요한 역량을 파악해야 할 뿐만 아니라 이러한 여정을 지원할 수 있는 적합한 파트너와 툴도 찾아야 합니다. Red Hat은 이러한 분야의 주요 기업으로서, 뱅킹 산업의 고유한 AI 요구 사항에 맞는 맞춤형 솔루션을 제공합니다.

Red Hat AI는 AI 여정의 초기 단계에 있는 기업이든, 확장할 준비까지 마친 기업이든 상관없이 AI 여정에 오른 기업이라면 모두 도울 수 있는 제품 및 서비스 플랫폼입니다. 고유한 엔터프라이즈 활용 사례에 대한 생성형 AI와 예측 AI를 둘 다 지원할 수 있습니다.

Red Hat AI를 통해 Red Hat® AI Inference Server를 사용하여 하이브리드 클라우드 전반에서 모델 추론을 최적화함으로써 더 신속하고 비용 효율적으로 배포할 수 있습니다. vLLM 기반의 추론 서버는 GPU 활용도를 극대화하고 응답 시간을 향상합니다.

Red Hat AI Inference Server에 대해 자세히 알아보기

Red Hat AI Inference Server에는 모델 유연성을 허용하고 팀 간 일관성을 촉진하는, 제3자를 통해 검증되고 최적화된 모델 컬렉션인 Red Hat AI 리포지토리가 포함되어 있습니다. 기업은 제3자 모델 리포지토리에 액세스하여 시장 출시 시간을 단축하고 AI를 성공적으로 활용하는 데 드는 경제적 부담을 줄일 수 있습니다. 

Red Hat AI의 검증된 모델에 대해 자세히 알아보기