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

AI는 은행을 위해 양면의 검이다: 효율적인 운영을 가능하게 하는 많은 가능성을 열어주지만, 외부 및 내부 위험도 초래할 수 있다.

금융 범죄자는 기술을 사용하여 컴퓨터와 인간의 감지력을 피할 수 있는 딥페이크 비디오, 음성 및 가짜 문서를 생성하거나, 이메일 사기 활동을 강화하기 위해 사용한다. 미국에서만, 생성적 AI는 2027년까지 연간 32%의 속도로 사기 손실을 가속화하여 400억 달러에 이를 것으로 예상된다. 최근 델로이트의 보고서에 따르면.

그러면 은행의 반응은 더 나은 도구를 사용하여 금융 범죄 예방에 AI를 활용하는 것일 수 있다. 금융 기관은 실제로 금융 범죄 예방(AFC) 노력에 AI를 배치하기 시작했다. 즉, 거래를 모니터링하고, 의심스러운 활동 보고서를 생성하고, 사기 탐지를 자동화하는 등이다. 이러한 기술은 프로세스를 가속화하면서 정확도를 높일 수 있다.

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

우리는 금융 부문에서 AI의 채택에 대한 신중한, 하이브리드 접근법을 믿는다. 이는 계속해서 인간의 입력이 필요할 것이다.

규칙 기반 및 AI 주도 AFC 시스템의 차이

전통적으로, AFC – 특히 반머니 세탁(AML) 시스템 – 은 규정에 대한 대응으로 규정 준수 팀에 의해 설정된 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 스크리닝하는 새로운 방법을 제시한다. 기계 학습 모델은 지속적으로 진화하는 일련의 데이터 세트에 따라 의심스러운 패턴을 감지하는 데 사용될 수 있다. 시스템은 거래, 역사적 데이터, 고객 행동 및 상황 데이터를 분석하여 의심스러운 모든 것을 모니터링하면서 시간이 지남에 따라 학습하여 적응性와 효과적인 범죄 모니터링을 제공한다.

그러나 규칙 기반 시스템은 예측 가능하고 쉽게 감시할 수 있지만, AI 주도 시스템은 불투명한 의사 결정 프로세스 때문에 복잡한 “블랙 박스” 요소를 도입한다. AI 시스템이 특정 행동을 의심스럽다고 플래그하는 이유를 추적하기가 더 어려워진다. 이는 AI 시스템이 특정 결론에 도달하는 데 사용된 기준이 구식이거나 사실적으로 부정확한 경우를 감지하지 못할 수 있다. 또한 규제 준수에 문제를 일으킬 수 있다.

가능한 규제 과제

금융 기관은 EU의 AML 지침 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 채택하는 동안 책임을 지키려면 은행은 신중한 계획, 철저한 테스트, 전문적인 규제 준수 프레임워크 및 인간의 감시가 필요하다. 인간은 자동화된 의사 결정을 검증할 수 있다. 예를 들어, 플래그된 거래의 이유를 해석함으로써, 이는 규제 기관에게 설명 가능하고 방어할 수 있다.

금융 기관은 또한 규제 기관 및 감사관에게 AI 주도적인 의사 결정을 이해할 수 있도록 설명 가능한 AI(XAI) 도구를 사용하도록 압력을 받고 있다. XAI는 인간이 AI 시스템의 출력과 그 아래에 있는 의사 결정 프로세스를 이해할 수 있도록 하는 프로세스이다.

전체적인 관점을 위한 인간의 판단

AI의 채택은 자동화된 시스템에 대한 자만심으로 이어서는 안 된다. 인간 분석가는 상황과 판단을 제공할 수 있다. 이는 복잡하거나 모호한 경우에 필수적인 AFC 조사에서 필수적이다.

AI에 대한 의존성의 위험에는 오류(예: 거짓 양성, 거짓 음성) 및 편향의 가능성이 포함된다. AI 모델이 잘 조정되지 않거나 편향된 데이터로 훈련된 경우 거짓 양성에 취약할 수 있다. 인간도 편향에 취약하지만, AI의 추가적인 위험은 시스템 내에서 편향을 식별하기 어렵다는 것이다.

또한, AI 모델은 입력된 데이터에 따라 작동한다. 역사적 경향 또는 실제 세계의 통찰력에 기반하지 않은 새로운 또는 드문 의심스러운 패턴을 감지하지 못할 수 있다. 규칙 기반 시스템을 AI로 완전히 대체하면 AFC 모니터링에盲點이 생길 수 있다.

의심스러운 패턴, 모호성 또는 새로운 위협의 경우, AFC는 AI가 제공할 수 없는 식별 가능한 시각이 필요하다. 동시에, 인간을 프로세스에서 제거하면 금융 범죄의 패턴을 이해하고, 추세를 식별하는 팀의 능력을 심각하게 손상시킬 수 있다. 이는 자동화된 시스템을 최신 상태로 유지하는 것을 더 어렵게 만들 수 있다.

하이브리드 접근법: 규칙 기반 및 AI 주도 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 유연성을 제공하면서 투명성을 희생하지 않는다.

이를 위해 기관은 AI 모델에 인간의 피드백을 통합할 수 있다. 모델의 적응 학습은 데이터 패턴뿐만 아니라 인간의 입력에 따라 발전하고 재조정될 수 있다.

모든 AI 시스템이 동일하지는 않다. AI 모델은 정확성, 공정성 및 규제 준수를 평가하기 위해 지속적으로 테스트되어야 하며, 규제 변경 및 AFC 팀이 식별한 새로운 위협 정보에 따라 정기적으로 업데이트되어야 한다.

위험 및 규제 전문가는 AI에 대한 훈련을 받아야 하거나, 규제 준수 전문가를 포함한 팀에 AI 전문가를 고용해야 한다. 이를 통해 AI 개발 및 배포가 특정 가드레일 내에서 수행될 수 있다. 또한 규제 준수를 위한 프레임워크를 개발하여 규제 준수에 대한 경로를 마련해야 한다.

AI 채택의 일환으로, 새로운 AI 모델의 능력과 한계(예: 잠재적인 편향)에 대해 조직의 모든 요소를 교육하는 것이 중요하다. 이를 통해 잠재적인 오류에 대한 인식度를 높일 수 있다.

또한 보안 및 데이터 품질을 유지하기 위해 조직은 전략적인 고려가 필요하다. 높은 품질의 보안 데이터 인프라에 투자하고, 정확하고 다양한 데이터 세트로 훈련하는 것이 필수적이다.

AI는 은행을 위해 계속해서 위협과 방어 도구가 될 것이다. 그러나 은행은 이 강력한 새로운 기술을 올바르게 다루어야 하며, 문제를 해결하는 대신 문제를 일으키지 않도록 해야 한다.