AI 금융 컴플라이언스: 다중 문서 상관분석으로 숨은 부정·위험 탐지하기

핵심 메시지

• 오늘날 가장 중대한 컴플라이언스·부정 위험의 상당수는 개별 문서 ‘안’이 아니라 문서들 ‘사이’에 존재한다.
• 기존 규칙 기반·문서 단위 NLP 시스템은 개별 기록을 검증할 뿐 문서 간 관계를 이해하지 못한다는 한계가 있다.
• 제안된 프레임워크는 그래프 기반 엔터티 상관분석, 적응형 확률적 위험 모델, 관할권 간 정규화 계층의 세 요소로 구성된다.
• 약 300만 건의 금융 기록과 4개 관할권 데이터로 평가한 결과 정밀도 약 91%, 재현율 87%, F1 0.89를 기록했다.
• 오탐(false positive)은 76%, 수작업 감사 노력은 약 40% 줄여, 탐지 정확도뿐 아니라 실질적 업무 효율 개선을 보였다.

쉽게 이해하기

이 강연은 타타컨설턴시서비스(TCS)의 엔터프라이즈 기술 아키텍트 바르샤 샤(Varsha Shah)가 기업 금융 컴플라이언스와 부정 탐지를 위한 AI 다중 문서 상관분석 연구를 발표한 내용이다. 기업이 운영을 디지털화하면서 급여·세무·구매·거래 시스템에 걸쳐 방대한 데이터가 쌓이지만, 정작 컴플라이언스 팀은 숨은 부정 패턴과 규제 위험에 계속 어려움을 겪는다. 대부분의 기존 솔루션이 문서를 개별적으로 분석하는 반면, 가장 중요한 위험은 여러 시스템의 정보가 ‘연결’될 때 비로소 드러나기 때문이다.

발표자는 이를 ‘컴플라이언스 격차’로 설명한다. 기업은 여러 국가와 규제 체계·금융 시스템을 넘나들며 운영하고 데이터 양은 기하급수적으로 늘어, 수작업 검토가 비현실적이 되었다. 현대의 부정은 한 문서 안의 명백한 오류로 나타나기보다 여러 시스템에 걸친 미묘한 불일치를 파고든다. 급여 기록, 공급업체 송장, 세무 신고가 각각은 정상으로 보여도 함께 연결하면 부정의 정황이 드러나는 식이다.

프레임워크의 첫 요소는 그래프 기반 엔터티 상관분석 엔진이다. 직원·공급업체·계정·거래·규제 파일 같은 엔터티를 하나의 통합 네트워크로 연결해 “무엇이 연결되어 있는가”라는 질문에 답하고, 전통적 문서 단위 분석으로는 보이지 않던 구조적 이상을 드러낸다.

둘째 요소는 적응형 확률적 위험 모델이다. 정적인 규칙 대신 이상 강도, 출처 신뢰도, 과거 패턴 같은 여러 위험 신호를 결합해 신뢰도 기반 위험 점수를 매기고, 즉시 대응이 필요한 사례를 우선순위화해 불필요한 조사를 줄인다. 감사 결과로부터 학습해 정확도를 계속 높이는 점이 핵심 장점이다.

셋째 요소는 관할권 간 정규화 계층이다. 글로벌 기업은 국가·통화·세제·보고 기준이 제각각이라 같은 거래도 관할권에 따라 다르게 해석될 수 있다. 이 계층은 통화·세무 규칙·보고 기간·분류 체계를 표준화해, 거래가 어디서 발생했든 위험을 일관되게 평가하도록 한다.

주요 인사이트

• 프레임워크는 약 300만 건의 금융 기록을 5년치, 4개 규제 관할권에 걸쳐 수집한 데이터로 평가되어 대규모 실제 환경을 가정했다.
• 탐지 성능은 정밀도 약 91%, 재현율 87%, F1 점수 0.89로, 정밀도와 재현율 사이의 강한 균형을 보였다.
• 업무 효율 측면에서 오탐을 76% 줄여 조사관이 결국 정상으로 판명될 사례에 들이는 시간을 크게 절감했고, 수작업 감사 노력도 약 40% 감소시켰다.
• 모든 완료된 감사가 학습 데이터가 된다. 확인된 부정 사례는 향후 탐지 패턴을 강화하고, 오탐은 위험 점수 산정을 정교화해 시스템이 감사마다 더 정확해지는 학습 순환을 만든다.
• 이로써 컴플라이언스는 사후에 문제를 찾는 ‘반응적’ 방식에서 “다음에 무엇이 잘못될 가능성이 큰가”를 묻는 ‘예측적 거버넌스’로 이동한다.

자주 묻는 질문

관련 AI 소식