은행이 인공지능과 머신러닝으로 AML 전략을 강화하는 방법

TL;DR 요약

• 연립 머신러닝(Federated Machine Learning, FML)은 글로벌 은행이 데이터 프라이버시를 유지하면서 자금세탁방지(AML) 전략을 강화할 수 있게 합니다.
• 수평 연립 학습과 수직 연립 학습과 같은 FML 방법론은 민감한 고객 데이터를 노출하지 않고도 협력과 지식 전달을 촉진합니다.
• FML을 활용하면 은행은 자금 유출을 탐지하고 예방하는 능력을 향상시켜 더 안전한 글로벌 금융 시스템에 기여할 수 있습니다.

2020년 자금세탁방지(AML) 법에 대응하여 금융 산업은 AML 전략을 강화하기 위해 인공지능(AI)과 머신러닝(ML)의 변혁적 잠재력을 수용하고 있습니다. 그러나 AI/ML의 데이터 집약적 성격과 데이터 프라이버시 규정 준수의 필요성으로 인해 이러한 기술의 채택에는 도전이 있었습니다. 디지털 시대가 원활한 거래를 용이하게 했지만, 자금세탁과 같은 불법 활동의 기회도 제공했습니다. 

자금세탁범은 종종 자금 유출 전술을 사용하여 소액으로 계정을 빠르게 이동하여 탐지를 피합니다. 이러한 복잡한 전술을 탐지하고 예방하는 것은 글로벌 금융 기관에게 큰 도전이며, 특히 일반 데이터 보호 규정(GDPR)과 같은 엄격한 데이터 프라이버시 법을 고려할 때 더욱 그렇습니다. 여기서 연립 머신러닝(FML)은 AML 전략을 강화하는 데 중요한 역할을 할 수 있습니다.

연립 머신러닝 개요

연립 머신러닝(FML)은 민감한 정보를 로컬 서버에 유지하면서 글로벌 통찰력을 허용함으로써 데이터 프라이버시를 우선시하는 분산형 머신러닝 경로입니다. 이는 세 가지 필수 방법론을 포함합니다: 수평 연립 학습(HFL), 수직 연립 학습(VFL), 연립 이전 학습(FTL). HFL은 유사한 데이터 구조를 가지고 있지만 다른 데이터 소유자를 가진 은행이 로컬 머신러닝 모델을 훈련하고 민감한 데이터 자체를 노출하지 않고 모델 매개변수만 공유할 수 있게 합니다. 

VFL은 동일한 고객 집단에 대해 다른 유형의 데이터를 보유한 은행 내 다른 부서 간 협력을 용이하게 합니다. FTL은 하나의 데이터 세트에서 사전 훈련된 모델을 활용하여 다른 데이터 세트에서 미세 조정하여 한 지역의 통찰력을 다른 지역으로 전달할 수 있게 합니다. 이러한 FML 방법론은 글로벌 규모에서 머신러닝의 혜택을 활용하면서도 데이터 프라이버시를 보존하는 강력한 기술을 제공합니다.

FML 프로세스: 단계별 접근

FML 프로세스의 개요는 다음과 같습니다.

1. 초기화: 서버는 무작위 가중치로 글로벌 모델을 초기화하고 이 모델을 참여 클라이언트에 배포합니다.

2. 로컬 훈련: 각 클라이언트는 확률적 경사 하강법(SGD) 또는 다른 최적화 알고리즘과 같은 기술을 사용하여 자체 데이터에 기반한 로컬 모델 업데이트를 수행합니다.

3. 모델 업데이트: 각 클라이언트는 로컬 모델 업데이트를 서버로 보냅니다. 여기에는 모델 매개변수만 포함되고 원시 데이터는 포함되지 않아 클라이언트 프라이버시를 보호합니다.

4. 글로벌 집계: 서버는 로컬 모델 업데이트를 집계하여 일반적으로 가중 평균을 계산하여 업데이트된 글로벌 모델을 생성합니다.

5. 반복: 서버는 업데이트된 글로벌 모델을 클라이언트로 다시 보내며, 글로벌 모델이 원하는 성능 기준을 충족할 때까지 이 과정을 여러 라운드 동안 반복합니다.

6. 평가: 글로벌 모델이 최종화되면 별도의 검증 데이터 세트 또는 필요한 추가 지표를 사용하여 그 성능을 평가할 수 있습니다.

AML과 FML: 시너지 접근

FML은 자금 유출 탐지를 특히 강화하여 AML 전략을 향상시키는 데 막대한 잠재력을 가지고 있습니다. 각 FML 방법론에 대한 사용 사례를 살펴보겠습니다.

수평 연립 학습(HFL)과 AML

EU에 운영되며 GDPR 규정을 준수하는 두 지역 비즈니스 유닛이 있는 글로벌 은행이 프라이버시 법을 준수하면서 자금 유출 탐지 능력을 향상시키려 한다고 가정해 봅시다. HFL을 사용하면 각 유닛은 자금 유출과 관련된 의심스러운 패턴을 식별하기 위해 로컬 ML 모델을 훈련할 수 있습니다. 그런 다음 고객 데이터 자체가 아닌 모델 매개변수를 중앙 서버와 공유할 수 있습니다. 서버는 이러한 매개변수를 집계하여 향상된 글로벌 모델을 생성하고, 이를 다시 각 지역 유닛에 공유합니다. 이 접근 방식은 고객 데이터가 지역 은행 내에 머무르도록 보장하여 GDPR의 프라이버시 우려를 효과적으로 해결합니다.

수직 연립 학습(VFL)과 AML

EU 내 단일 지역 유닛이 두 부서로 구성되어 있다고 가정해 봅시다: 고객 은행 거래 데이터가 있는 은행 부서와 동일한 고객의 국제 이체 데이터가 있는 송금 부서입니다. 두 부서는 데이터 프라이버시를 유지하면서 자금 유출 탐지를 개선하기 위해 협력하려 합니다. VFL은 이러한 부서들이 민감한 고객 데이터를 공유하지 않고 결합된 기능을 사용하여 모델을 공동으로 훈련할 수 있게 합니다. 이를 통해 대규모 입금 후 빠른 국제 이체와 같은 자금 유출을 나타내는 패턴을 식별할 수 있습니다. 중요한 점은 고객 데이터를 단일 데이터베이스로 통합할 필요가 없어 GDPR 요구 사항을 준수한다는 것입니다.

연립 이전 학습(FTL)과 AML

EU 내(GDPR 적용) 지역 A와 다른 프라이버시 규정이 있는 지역 외부 지역 B에서 운영되는 글로벌 은행을 상상해 봅시다. 이 은행은 지역 A 데이터로 훈련된 잘 작동하는 AML 모델을 보유하고 있지만, 고유한 경제 조건과 거래 패턴으로 인해 지역 B에서는 이 모델의 성능이 낮습니다. FTL을 사용하면 은행은 지역 A 데이터로 훈련된 모델을 가져와 지역 B 데이터로 미세 조정할 수 있습니다. 

이 접근 방식을 통해 은행은 지역 A의 통찰력을 활용하면서 지역 B의 특정 조건에 적응할 수 있습니다. 지역 B는 지역 A의 특정 고객 데이터가 아닌 모델 매개변수만 받아 GDPR을 준수하면서 지식 전달의 혜택을 누립니다. 결과적으로 은행은 두 지역 모두에서 잠재적인 자금 유출을 탐지하는 능력이 크게 향상됩니다.

FML은 GDPR이 다루는 프라이버시 우려를 유지하면서 자금세탁 방지를 위한 강력한 도구를 제공하여 AML 노력을 혁신하고 있습니다. 점점 더 디지털화된 미래를 탐색하는 동안 FML과 같은 최첨단 기술을 통합하면 금융 시스템의 보안을 보장하는 데 상당한 영향을 미칠 수 있습니다. 은행이 AML 전략에 FML을 통합하면 자금 유출과 같은 불법 활동을 탐지하고 예방하는 능력을 향상시킬 수 있습니다. 이는 고객에게 더 안전한 금융 환경을 조성하고 더 안전한 글로벌 금융 시스템에 기여합니다.