뱅킹 분야의 AI 사기 탐지

AI 모델 대규모 데이터세트를 분석함으로써 의심스러운 활동과 합법적인 거래의 차이를 인식하는 방법을 학습할 수 있고, 잠재적 사기 위험을 식별하여 금융 범죄를 방지하는 데 도움이 될 수 있으며, 인간 상담원이 놓칠 수 있는 추세까지 포착할 수 있습니다.

금융 기관에서는 의사 결정, 사기 예방 및 위험 관리를 향상하기 위해 AI 솔루션을 새로운 워크플로와 기존 워크플로에 통합하는 경우가 점점 증가하고 있습니다. 과거 데이터를 이용하여 학습한 AI 기반 머신 러닝 모델은 패턴 인식을 사용하여 잠재적 사기 거래가 실행되지 않도록 자동으로 포착하고 차단할 수 있습니다. 또한 인간 상담원에게 추가 인증 단계를 완료하여 의심스러운 거래를 확인하도록 요구할 수도 있습니다. AI 기술은 예측 분석을 사용하여 개인이 미래에 어떤 유형의 거래를 할지 추정할 수 있으며, 새로운 유형의 거래나 거래 행동이 비정상적인지 인식할 수도 있습니다. 

이러한 방식으로 AI 핀테크는 피싱 사기, 신원 도용, 결제 사기, 신용 카드 사기 및 기타 다양한 은행 사기를 포함한 다양한 유형의 사기로 인한 재정적 손실로부터 개인을 보호하는 데 기여할 수 있습니다.

AI 사기 탐지 시스템은 완벽하지 않으며, 일부 오탐은 고객 경험에 부정적인 영향을 미칠 수 있습니다. 그러나 고객 계정의 보안을 보장하고 금융 기관의 규정 준수를 유지하기 위해서는 사기꾼이 무단 청구에서 자금 세탁에 이르기까지 다양한 금융 범죄를 저지르는 일을 방지하는 것이 가장 중요합니다.

AI 기술이 지속적으로 발전하면서 AI 기반 사기 방지 제공업체와 주요 금융 기관 모두 AI가 사기 시도를 방지하고 사기 위험을 완화하는 데 훨씬 더 가치 있는 도구가 될 것으로 기대하고 있습니다.

컴퓨터는 AI 기술을 통해 인간의 인지와 유사한 방식으로 자율적으로 행동하고, 학습하고, 적응하고, 문제를 해결하고, 조치를 취할 수 있습니다. AI 시스템이 반드시 인간만큼 지능적인 것은 아니지만, 엄격한 규칙 기반 시스템 내에서 작동하는 경우 특정 작업에 초점을 맞춰 훈련된 AI는 훨씬 더 빠른 속도와 큰 규모로 인간 상담원과 동등하거나 더 나은 성능을 발휘할 수 있습니다. 

은행 사기 방지에 사용되는 AI 시스템은 특정 작업에 맞게 고도로 조정됩니다. AI 모델은 지도 학습이라는 프로세스를 통해 신중하게 선별된 대량의 데이터를 사용하여 훈련됩니다. 이 방법은 모델이 특정 작업에 대한 특정 패턴을 인식하도록 학습시킵니다.

반면 비지도 학습은 AI 시스템이 지시된 훈련 자료 없이 이전 데이터에서 결론을 도출할 수 있도록 합니다.

지도 학습 시나리오에서 AI 시스템은 패턴 인식을 안내하는 특정 사기 전술을 학습합니다. 지도 학습 데이터 세트의 예는 수천 개의 정상적인 재무 기록과 비정상적으로 큰 거래 또는 알려진 사기 주소로의 송금과 같은 식별된 사기 행위 사례가 혼합된 기록입니다.

AI는 이러한 방식으로 훈련되어 평균적이고 합법적일 가능성이 있는 거래와 알려진 사기 행위 패턴에 공통점이 있는 거래를 모두 인식하는 데 매우 능숙해집니다. 

비지도 이상 감지 기술은 지도 학습 모델의 미비한 점을 보완하는 데 사용됩니다. 이러한 기술은 AI 모델이 이전에 예측하지 못했던 특이한 행동 패턴을 인식할 수 있도록 돕습니다. 비지도 학습 기능이 있는 AI 시스템을 사용하면 새로운 데이터를 분석하여 인간 상담원이 이러한 위협을 인식하기 전에 잠재적인 사기 전술을 탐지할 수 있습니다. 

은행은 지도 학습과 비지도 학습을 통해 AI 자동화를 활용하여 이전에 확인된 사기 패턴을 식별하고 알려지지 않은 패턴이 새로운 사기 행위의 가능성을 보이는 경우 경보를 울릴 수 있습니다.

AI 기술의 가장 일반적인 애플리케이션 중 하나는 고객과 대화를 수행할 수 있는 자동화된 프로그램인 소셜 미디어 챗봇입니다. 챗봇과 같은 프로그램은 고객 서비스에 자주 사용되며, 실제 상담원이 응대할 수 있을 때까지 기다릴 필요가 없도록 기본적인 질문에 답변하고 실시간으로 정보를 제공합니다.

고객 서비스뿐 아니라 은행 업계 또한 AI를 통합한 여타 여러 유형의 프로그램과 소프트웨어를 사용하여 잠재적인 사기를 식별하고 방지합니다. 은행은 실시간 감지를 위해 AI 시스템을 사용하며, AI 지원 프로그램을 통해 방대한 양의 거래를 분석하여 다음을 포함한 다양한 방법으로 의심스러운 계좌 활동을 식별하고 플래그를 지정합니다. 

• 인력 지원: 기존 사기 예방 업무를 담당하는 인간 근로자는 LLM 기반 AI 지원에 액세스하여 자연어로 소통하고 대규모 데이터 세트를 쿼리하거나 길고 복잡한 정책 문서를 참조할 수 있습니다.

• 규정 준수: 은행은 규정을 지속적으로 준수해야 한다는 큰 압박을 받고 있습니다. AI 프로그램은 신원 확인 문서에 불일치나 사기 흔적이 있는지 분석하여 은행이 컴퓨팅 비전을 통해 KYC(Know Your Customer) 정책을 구현할 수 있도록 지원합니다. 또한 은행이 알려진 계좌 또는 불법 자금 세탁과 관련된 행동(예: 서로 다른 계좌 간 동일한 통화 금액 이체)을 표시하여 자금 세탁 방지(AML) 프로세스를 구현하는 데 기여할 수 있습니다. 

• 이상 탐지: AI 시스템은 패턴 인식이 필요한 모든 애플리케이션에 특히 유용합니다. GNN(그래프 신경망)이라고 하는 특정 유형의 AI는 은행 업계에서 흔히 볼 수 있는 데이터처럼 그래프로 표현할 수 있는 데이터를 처리하도록 설계되었습니다. GNN은 수십억 개의 기록을 처리하여 광범위한 데이터에서 패턴을 식별함으로써 가장 복잡한 사기 행위도 추적하고 포착할 수 있습니다. 

• 위험 점수: AI 및 머신 러닝 모델은 가중 데이터를 기반으로 구축되어 잠재적 행동에 확률을 할당하고 가장 정확한 의사 결정 또는 행동을 평가합니다. 따라서 거래 금액, 빈도, 위치 및 과거 행동과 같은 여러 요소를 기반으로 평가를 수행할 수 있으므로 위험을 파악하는 데 매우 적합합니다. AI는 특정 거래의 위험뿐만 아니라 사기 가능성이 있는 신청자에게 대출 또는 한도대출설정액을 제공할 때의 위험도 파악할 수 있습니다. 

• 네트워크 분석: 그래프 분석과 같은 머신 러닝 기술을 사용하면 개체 간 관계를 분석하고 의심스러운 연결이나 클러스터를 식별하여 잠재적인 사기꾼의 네트워크를 밝혀낼 수 있습니다.

AI 시스템은 은행 업계에서 사기 탐지 및 보안의 새로운 시대를 열고 있으며, 기존의 사기 탐지 방법에 비해 획기적인 개선을 제공합니다. 그러나 AI 모델은 기존 시스템의 학습과 관행을 기반으로 구축되었으며, 전통적인 방법 또한 여전히 사용됩니다. 

• 간편한 구현: 기존 사기 탐지 기술은 잘 정립되어 있고 실행하기 쉬운 미리 정의된 규칙 기반 접근 방식을 기반으로 구축됩니다. 예를 들어, 특정 계좌의 지출 습관에 따라 특정 평균 범위를 초과하는 새로운 거래에 플래그를 지정합니다. 

• 인간 지능: 기존의 인간 사기 탐지 분석가는 일정 수준의 도메인 경험, 직관 및 전문 지식을 제공합니다. 어떤 상황에서는 전통적인 방법으로 훈련을 받은 사람만이 주어진 거래의 적법성을 겁증하거나 잠재적인 사기 시도를 인식할 수 있습니다. 

• 제한된 범위: 기존의 규칙 기반 사기 탐지 시스템은 고정된 관계(예: X인 경우 Y)에 의존합니다. 이 접근 방식은 효과적일 수 있지만, 서로 다른 여러 데이터 포인트 간 발생할 수 있는 방대하고 복잡한 상호 작용을 포함하지 못합니다. 

• 제한적인 규모: 거래량이 급증함에 따라 사람이 주도하는 사기 탐지 전문가가 구축하고 관리하는 기존 시스템으로는 매일 매순간 생성되는 점점 더 많은 양의 데이터를 신속하게 처리하는 데 어려움이 있습니다. 더 많은 직원을 고용하는 것은 비용이 많이 들 뿐만 아니라 충분하지 않을 수 있습니다. 

• 높은 오류율: 기존의 사기 탐지 시스템에 사용되는 규칙 기반 시스템은 일반적으로 매우 경직되어 있어 잠재적인 사기 징후가 관찰될 때마다 트리거됩니다. 이러한 경직성으로 인해 다량의 오탐이 발생할 수 있습니다. 예를 들어, 100달러 이상을 인출한 적이 없는 특정 계좌에서 200달러의 자금을 인출하려고 하면 시스템에서 거래를 차단할 가능성이 높습니다. 이러한 행동이 비정상적이기는 하지만, 반드시 사기를 의미하는 것은 아닙니다. 고객이 비정상적으로 큰 금액을 인출해야 할 수도 있습니다. 이러한 오탐은 불필요한 조사와 지연을 유발하여 고객 만족도를 떨어뜨릴 수 있습니다.

• 향상된 패턴 인식: AI 시스템은 방대한 양의 데이터를 수집하여 복잡하고 모호한 패턴을 인식하는 데 탁월한 성능을 발휘합니다. AI 시스템은 더 큰 그림을 볼 수 있기 때문에 비정상적인 활동을 더 정확하게 식별할 수 있습니다.

• 엄청난 확장성: AI 시스템은 자동화를 통해 인간이 관리할 수 있는 것보다 훨씬 더 많은 양의 거래를 모니터링할 수 있습니다. AI 기반 사기 탐지는 실시간 분석이 가능하며, 기존 방법보다 빠르게 신속한 대응을 제공할 수 있습니다. 

• 적응성: AI 알고리즘은 일단 훈련되면 학습을 멈추지 않습니다. AI 시스템이 계속 작동할수록 학습하고 적응하여 새로운 유형의 사기를 적발할 수 있는 능력을 개선하고 효율성을 높일 수 있습니다.

• 데이터 의존성: AI 모델을 학습시키고 성장시키려면 엄청나게 많은 양의 데이터가 필요합니다. 이 데이터는 소싱되거나 생성되어야 하지만(합성 데이터) 큐레이션되기도 합니다. 특정 AI 모델의 정확도는 학습 데이터의 품질에 따라 달라집니다. 

• 복잡한 구현: AI 시스템은 기존 시스템에 통합하기 어려울 수 있습니다. AI 시스템은 장기적으로 비용을 절감할 수 있지만, 초기 투자 비용이 많이 들기도 합니다. 

구현 이후 여러 금융 기관과 은행은 AI 사기 탐지의 도입 증가를 뒷받침하는 중요한 증거를 발견했습니다. American Express는 첨단 장단기 기억(LSTM) AI 모델을 사용하여 사기 감지율을 6% 향상했습니다. 또한 PayPal은 전 세계적으로 상시 실행되는 AI 시스템을 통해 실시간 사기 탐지를 10% 개선했습니다. 

실제로 은행권에서 AI 사기 탐지 사용 사례는 다음과 같이 다양하며, 점점 증가하는 추세입니다.

혁신적인 기술인 AI 사기 탐지는 이미 은행 업계에 큰 영향을 미치고 있으며, 그 잠재력은 더욱 커질 것으로 보입니다. 그러나 AI가 제공하는 많은 장점에도 불구하고 이 새로운 기술에 도전 과제가 없는 것은 아닙니다.

AI 시스템은 매일 개선되고 있지만 오류가 없지 않습니다. AI 모델은 할루시네이션이라고 하는 부정확한 결과를 자주 생성할 수 있습니다. 은행 업무에서는 매우 구체적인 작업을 위해 설계된 고도로 전문화된 모델을 만들어 부정확한 결과를 완화할 수 있지만, 이러한 유형의 모델은 AI의 잠재적 가치를 제한합니다. 할루시네이션이 AI를 사용할 수 없을 정도로 흔하지는 않지만, 은행 사기 방지에서 AI의 발전을 위해서는 정확성을 높이는 것이 매우 중요합니다.

데이터 분석의 편향성은 컴퓨터 기술보다 훨씬 이전인 과학의 초창기부터 문제가 되어 왔습니다. 안타깝게도 이 문제는 지속되고 있습니다. 민감한 금융 서비스 분야에서는 대출 관행과 계정 보호에서 편견과 차별을 없애기 위해 많은 노력을 기울여 왔습니다. 성별, 인종, 장애, 종교 등의 요인에 따른 차별을 방지하기 위해 편향될 수 있는 과학 기술 전문가가 구축한 AI 모델에서 편향을 제거하는 것은 반드시 극복해야 할 중요한 과제입니다.

데이터 프라이버시 거버넌스 문제는 은행 업계에서 매우 중요합니다. AI 모델은 방대한 양의 데이터에 액세스해야 하며, 이러한 데이터를 윤리적으로 획득하고 처리해야 합니다. 또한 기존 데이터 개인정보 보호법을 위반하지 않도록 AI 구현도 적극 고려해야 합니다. 실제로, 이 새로운 기술이 발전함에 따라 입법부와 규제 기관은 안전한 고객 개인정보를 보장하기 위해 현행 규제 환경을 평가하고 업데이트해야 할 수 있습니다.