AI와 금융 범죄 예방: 은행이 균형 잡힌 접근법을 왜 필요로 하는가

AI는 은행에게 양면의 검이다: 효율적인 운영을 위한 많은 가능성을 열어주면서도 외부 및 내부 위험을 가질 수 있다.

금융 범죄자들은 깊은 가짜(deepfake) 동영상, 목소리 및 가짜 문서를 생성하여 컴퓨터와 인간의 감지력을 피할 수 있거나 이메일 사기 활동을 강화하기 위해 기술을 활용하고 있다. 미국에서만, 생성적 AI는 2027년까지 연간 32%의 속도로 사기 손실을 가속화하여 400억 달러에 이를 것으로 예상된다. 최근 Deloitte의 보고서에 따르면.

그러면 은행의 반응은 금융 범죄 예방을 위한 AI를 사용하여 더 나은 도구로 무장하는 것이 아닐까? 실제로 금융 기관은 AFC(반금융 범죄) 노력에 AI를 배치하기 시작했다. 즉, 거래를 모니터링하고, 의심스러운 활동 보고서를 생성하고, 사기 탐지를 자동화하는 등이다. 이러한 것들은 프로세스를 가속화하면서 정확성을 높일 수 있다.

문제는 은행이 AI의 구현을 인간의 판단력과 균형을 이루지 못할 때 발생한다. 인간이 없는 경우, AI의 채택은 준수, 편향, 새로운 위협에 대한 적응성에 영향을 미칠 수 있다.

우리는 금융 부문에서 AI의 채택에 대한 신중한 하이브리드 접근법을 믿는다. 이는 계속해서 인간의 입력이 필요한 접근법이다.

규칙 기반과 AI 기반 AFC 시스템의 차이

전통적으로, AFC – 특히 반 돈 세탁(AML) 시스템 – 은 규정에 대한 대응으로 규칙 팀이 설정한 고정 규칙으로 작동했다. 예를 들어, 거래 모니터링의 경우, 이러한 규칙은 특정 사전 정의된 기준(예: 거래 금액 임계값 또는 지리적 위험 요인)에 따라 거래를 플래그하는 데 사용된다.

AI는 금융 범죄 위험을 위한 새로운 스크리닝 방법을 제공한다. 기계 학습 모델은不断으로 진화하는 일련의 데이터 세트를 기반으로 의심스러운 패턴을 감지하는 데 사용될 수 있다. 시스템은 거래, 역사적 데이터, 고객 행동 및 컨텍스트 데이터를 분석하여 의심스러운 모든 것을 모니터링하면서 시간이 지남에 따라 학습하여 적응性과 잠재적으로 더 효과적인 범죄 모니터링을 제공한다.

그러나 규칙 기반 시스템은 예측 가능하고 쉽게 감사가 가능하지만, AI 기반 시스템은 불투명한 의사 결정 프로세스 때문에 복잡한 “블랙 박스” 요소를 도입한다. AI 시스템이 특정 행동을 의심스럽다고 플래그하는 이유를 추적하기가 더 어려워진다. 이는 AI가 특정 결론에 도달하는 데 사용된 기준이 구식일 수 있거나 사실적으로 부정확한 통찰력을 제공할 수 있음을 의미한다. 또한 규제 준수에 문제를 일으킬 수 있다.

가능한 규제 도전

금융 기관은 EU의 AMLD 및 미국의 은행 비밀법과 같은 엄격한 규제 표준을 준수해야 한다. 이는 명확하고 추적 가능한 의사 결정 프로세스를 요구한다. AI 시스템, 특히 深層 학습 모델은 해석하기 어렵다.

AI를 채택하면서 책임을 지키려면, 은행은 신중한 계획, 철저한 테스트, 전문적인 준수 프레임워크 및 인간의 감시가 필요하다. 인간은 자동화된 결정의 이유를 해석함으로써, 예를 들어, 플래그된 거래의 이유를 해석하여, 규제 기관에게 설명 가능하고 방어 가능하게 할 수 있다.

금융 기관은 또한 규제 기관과 감사관에게 이해할 수 있는 AI 기반의 결정으로 만들기 위해 Explainable AI(XAI) 도구를 사용하도록 압력을 받고 있다. XAI는 인간이 AI 시스템의 출력과 그 아래에 있는 의사 결정 프로세스를 이해할 수 있는 프로세스이다.

전체적인 관점을 위한 인간의 판단

자동화된 시스템에 대한 의존은 자만심으로 이어질 수 없다. 인간 분석가는 AI가 결여한 맥락과 판단력을 제공하여, 복잡하거나 모호한 경우에 세련된 의사 결정이 가능하다. 이는 AFC 조사에서 필수적이다.

AI에 대한 의존의 위험에는 오류(예: 거짓 양성, 거짓 음성) 및 편향의 가능성이 포함된다. AI는 잘 튜닝되지 않은 모델이나 편향된 데이터로 훈련된 경우에 거짓 양성에 취약할 수 있다. 인간도 편향에 취약하지만, AI의 추가적인 위험은 시스템 내에서 편향을 식별하기 어렵다는 것이다.

さらに, AI 모델은 입력된 데이터에 따라 작동한다. 즉, 역사적 경향이나 실제 통찰력에 기반하지 않은 새로운 또는 드문 의심스러운 패턴을 잡을 수 없다. 규칙 기반 시스템을 완전히 대체하는 AI는 AFC 모니터링에盲点을 남길 수 있다.

편향, 모호성 또는 새로운 경우, AFC는 AI가 제공할 수 없는 식별 가능한 눈이 필요하다. 동시에, 인간을 프로세스에서 제거하면, 금융 범죄의 패턴을 이해하고, 패턴을 식별하고, 새로운 트렌드를 식별하는 팀의 능력을 심각하게 약화시킬 수 있다. 그 결과, 자동화된 시스템을 최신 상태로 유지하기가 더 어려워질 수 있다.

하이브리드 접근법: 규칙 기반 및 AI 기반 AFC의 결합

금융 기관은 규칙 기반 접근법과 AI 도구를 결합하여 두 접근법의 강점을 활용하는 다층 시스템을 만들 수 있다. 하이브리드 시스템은 장기적으로 AI 구현을 더 정확하게 만들고, 새로운 금융 범죄 위협에 대한 대응을 더 유연하게 할 수 있다. 또한 투명성을 희생하지 않는다.

이를 위해 기관은 AI 모델과 인간의 피드백을 통합할 수 있다. 모델의 적응 학습은 데이터 패턴뿐만 아니라 인간의 입력에 의해 tinh chỉnh되고 재균형화된다.

모든 AI 시스템이 동일하지는 않다. AI 모델은 정확성, 공정성 및 준수성을 평가하기 위해 지속적인 테스트를 거쳐야 하며, 규제 변경 및 AFC 팀이 식별한 새로운 위협 정보에 따라 정기적으로 업데이트되어야 한다.

위험 및 규제 전문가들은 AI를 교육받거나 AI 전문가를 팀에 고용하여, AI 개발 및 배포가 특정 가드레일 내에서 수행되도록 해야 한다. 또한 규제 준수를 위한 경로를 설정하는 규제 전문가에게 특정한 준수 프레임워크를 개발해야 한다.

AI를 채택하는 과정에서, 새로운 AI 모델의 능력과 그 한계(예: 잠재적인 편향)에 대해 조직의 모든 요소를 교육하는 것이 중요하다. 이는 잠재적인 오류에 대한 인식을 높일 수 있다.

조직은 또한 보안과 데이터 품질을 유지하기 위해, 전략적인 고려를 해야 한다. 높은 품질의 보안 데이터 인프라에 투자하고, 정확하고 다양한 데이터 세트로 훈련시키는 것이 필수적이다.

AI는 은행에게 위협이자 방어 도구이다. 그러나 은행은 이 강력한 새로운 기술을 올바르게 다루지 않으면, 문제를 해결하는 대신 문제를 일으킬 수 있다.