‘차별화는 현재진행형’··· 금용 업계가 AI를 활용하는 방법

MKGI(McKinsey Global Institute)는 이에 따른 효과도 제시했다. AI와 머신러닝을 통해 뱅킹 산업 부문에서 2,500억 달러 이상의 가치가 창출될 것이라는 전망이다.

하지만 많은 금융 기업들이 여전히 AI를 경계하고 있으며, 그 이유는 평판, 규제와 관련된 잠재적으로 부정적인 위험성 때문이다. 그럼에도 불구하고 경쟁 우위를 원하는 금융 서비스 기업들은 고객 서비스 운영을 지원하고 위험 분석을 수행하며 마케팅 및 영업 프로세스를 재정하기 위해 AI 시스템을 도입하고 있다. 여러 금융 서비스 기업들이 AI를 배치하는 방법에 대해 살펴본다.

고객 서비스 최적화
싱크로니(Synchrony)는 갭(Gap)과 올드 네이비(Old Navy), 아마존(Amazon), JC 페니(JC Penney), 로이스(Lowe’s), 샘스 클럽(Sam’s Club), 아메리칸 이글(American Eagle) 등의 여러 주요 브랜드를 대상으로 신용카드 서비스를 운용하고 있다. 또 8,000만 개 이상의 소비자 계정에 대한 서비스를 제공하고 있다. 이렇게 고객이 많으면 여러 지원 업무가 필요해지기 마련이다. 

2년 전, 해당 기업은 일리노이대학교에서 신기술 센터를 출범하면서 AI를 대대적으로 도입하고 170명 이상의 데이터 과학자를 고용했다. 많은 금융 서비스 기업들과 마찬가지로 싱크로니의 주된 AI 및 머신러닝 배치는 챗봇에 초점을 맞췄다.

해당 기업의 CTO 겸 AI 책임자 그렉 심슨은 “우리의 지능형 가상 비서 ‘시드니’는 갭과 로이스 등의 소매기업 웹사이트 곳곳에 상주하고 있다. 이들 브랜드의 고객 계정이 신용카드에 대한 질문이 있는 경우 시드니에게 질문하면 기본적인 질문에 대한 답변을 얻을 수 있다”라고 말했다.

해당 플랫폼은 현재 월 50만 건의 채팅을 처리하고 있다. 해답의 근원은 싱크로니의 콜센터에 기록된 수년 치의 통화 데이터다. 아마존의 장치를 통해서도 이용할 수 있는 이 플랫폼은 실시간 채팅량을 50% 이상 감소시키는데 도움이 되었으며 시드니를 사용하던 고객 중 88%가 서비스에 만족했다고 심슨이 말했다.

글로벌 금융 기업이자 일본에서 두 번째로 큰 자산 규모를 자랑하는 SMBC(Sumitomo Mitsui Banking Corp.)도 고객 서비스를 위해 AI를 배치하고 있다. 해당 은행은 IBM 왓슨을 이용해 콜센터 대화를 모니터링하고 질문을 자동으로 인식하며 교환원에게 답변을 제공함으로써 각 통화당 비용을 60센트나 절감하고 있다. 

이 은행의 토모히로 오카 이사는 연간 100만 건 이상의 통화가 이뤄질 경우 연간 10만 달러 수준의 절감액이라고 설명했다. 또한 고객 만족도는 8.4%나 증가했다고 그는 덧붙였다.

오카는 해당 은행의 여러 AI 프로젝트를 주도하기도 했다. 그는 “직원 상호작용을 위해서도 IBM 왓슨을 활용하고 있다. 예를 들어, 실리콘밸리의 영업 직원이 내부 규칙에 관한 질문이 있는 경우 일본의 HQ에 질문하면 시차가 크기 때문에 하루 늦게 답변을 받게 된다. 이런 질문에 자동으로 답하기 위해 왓슨을 사용한다”라고 말했다.

가트너의 모츠시 사우 애널리스에 따르면 지난 수 년 동안 모든 주요 은행들이 챗봇 프로젝트를 진행했다. 그는 “일반적인 채팅 엔진과 고객을 위한 가상 비서가 있다. 이것들이 많은 부분을 차지한다. 최근에는 내부 운영 효율성을 위한 지능형 에이전트의 투입이 늘어나는 추세”라고 말했다.

영업 프로세스에 지능성 구현하기
챗봇 도입을 연기한 은행 중 하나인 NBKC 뱅크는 켄사스에 위치한 중간 규모의 은행이다. 대신에 NBKC는 담보 대출 프로세스의 일환으로 AI를 이용하고 있다.

해당 은행의 EVP 겸 담보 이사 채드 크롱크는 “고객 서비스용 챗봇에 대한 관심이 높다. 우리 또한 이를 고려하기는 했다. 그러나 좀 더 성숙이 필요하다는 판단을 내렸다”라고 말했다. 

NBKC에서 AI는 대출 담당자들에게 잠재 고객(리드 ; Lead)를 분배하는 역할을 한다. 신규 리드 중 약 60%가 렌딩 트리와 질로우 등의 온라인 리드 통합자를 통해 유입되며 하루 평균 300-350건의 리드가 발생한다. 나머지는 추천 및 재방문 고객이다. 크롱크에 따르면 이전에는 리드가 ‘라운드 로빈’(round robin) 시스템을 통해 98명의 대출 담당자들에게 분배되었다고 크롱크가 말했다.

하지만 이력 데이터를 분석하면서 NBKC는 대출 담당자들에 따라 아침 일찍 또는 오후 늦게 새로운 리드를 더욱 잘 처리하거나 특정 지역의 고객들에 대한 결과가 더 좋다는 사실을 발견했다.

크롱크는 “이는 정보 수준에서 리드를 분배하는 개념으로 이어졌다. 우리가 유망한 고객을 적절한 시기에 적절한 담당자에게 분배할 경우 지속적으로 더 나은 고객 서비스를 제공할 것이라고 생각했다”라고 말했다.

해당 은행은 규모가 작기 때문에 자체 기술을 구축하는 대신에 외부 벤더인 프로페어를 선택했다. 프로페어의 플랫폼은 NBKC의 성사율이 10%나 증가하는데 일조했으며 대출 담당자들의 성과가 65%나 향상됐다.

현재 리드의 25%는 통제 그룹으로 이동하며 무작위로 할당된다. 나머지는 모두가 전체적으로 같은 수의 리드를 받을 수 있도록 개인별 작업 부하를 고려하여 리드를 가장 적합한 에이전트에게 분배하는 정보 시스템에 기초하여 할당된다.

크롱크는 “눈에 띄게 성과가 개선됐다. 15%나 증가한 분기도 있었다”라고 전했다.

그에 따르면 이 새로운 기술을 도입하는데 3-4개월이 소요됐다. 크롱크는 제3자 통합자가 제공하는 리드에 대한 데이터가 API를 통해 해당 은행의 관리 시스템인 벨로시파이(Velocify)로 유입되다고 설명하며, 에이전트 추천을 벨로시파이에 적용하는 방법을 파악하고 프로페어가 에이전트의 이력 성과를 연구할 수 있는 안전한 환경을 구축하는데 약간의 시간이 소요되었다고 말했다.

위험 분석
금융 서비스 기업들은 대출 시 신용 위험, 거래 시 금융 위험, 보험 부문의 보험수리적 위험, 모든 카테고리의 사기 위험 등을 평가하는 방안으로 통계 모델을 오랫동안 사용해왔다.

BPI(Bank Policy Institute)의 기술 정책 사업부 BITS의 사장 크리스 피니는 “요즈음 이런 알고리즘이 훨씬 광범위해졌다. 사용할 수 있는 데이터의 양, 데이터의 유형, 데이터 처리량이 해결되는 문제의 종류를 바꾸고 있다”라며 “거래에 대한 더 많은 정보를 수집할 수 있다면 사기를 더욱 잘 방지할 수 있다”라고 말했다.

피니는 AI가 금융 기업들에게 있어서 큰 차별점이 될 것으로 보고 있다. 단 소비자에게 명확한 가치를 제공해야 할 것이라고 그는 덧붙였다.

그는 “가령 대출 사업에 기회가 있을 수 있다. 현재 새로운 집단의 사람들에게 대출 제품을 제공하기 위해 대체 데이터원을 사용하는 것에 관한 많은 활동이 이루어지고 있다”라고 설명했다.

사기 분석 또한 중요한 활용 사례다. 그는 “AI가 사기를 방지하고 비정상적인 활동을 더욱 신속하게 찾아내기 위해 사기를 더욱 신속하게 찾아내는 능력을 강화할 것이라고 생각한다”라고 말했다.

가라브 나이아파티는 이에 동의했다. 나이아파티는 “보험업을 생각해 보자. 수 천 가지의 적용방법이 있다. AI는 사기이거나 위험이 높을 수 있는 케이스를 걸러내는데 도움이 될 수 있으며, 걸러낸 것만 에이전트가 검토할 수 있을 것이다”라고 말했다. 10대 글로벌 은행 중 한 곳에서 AI 프로젝트를 주도하던 그는 현재 금융 기술 스타트업을 설립하고 있다. 

나이아파티는 이어 “단 우리는 AI를 책임감 있게 활용해야 한다. 이해당사자들과 고객들에게 답을 제공해야 한다. 그리고 상황이 잘못되면 은행은 엄청난 위약금을 지불해야 한다”라고 말했다.

최근 가트너의 설문조사에 따르면 금융 서비스 기업 중 46%가 사기 감지를 위해 AI를 사용하고 있는 것으로 나타났다.

보안 업계의 기업들도 사전 및 사후 위험 분석에 머신러닝을 활용하고 있다고 탭 그룹(Tabb Group)의 핀테크 및 유럽 조사 책임자 모니타 서머빌이 전했다. 탭 그룹이 수행한 최근의 설문조사에서 보안 기업 중 대부분이 12개월 안에 AI에 대한 지출을 늘릴 계획인 것으로 나타났다.

가트너에 따르면 AI는 향후 금융 계약 검토나 거래 개시 등 더욱 복잡한 작업에도 영향을 끼칠 것이다. 해당 조사 기업은 2020년까지 비영업 부서 인력 중 20%가 이례적인 업무를 위해 AI에 의존할 것으로 전망했다.

컴플라이언스 문제
규제 당국들은 이미 신용 위험 평가 또는 의심스러운 행동 발견 등을 위해 금융 기관들이 사용하는 모델을 감독하기가 어렵다는 사실을 잘 잘 알고 있다. 모델이 매우 복잡하고 분석하기 어려울 수 있다. 아니면 제3자 벤더의 특허 모델일 수도 있다.

이런 문제를 해결하는 방법은 다양하다. 그러나 추가적인 우려의 소지 또한 존재한다. 연방준비제도이사회(Federal Reserve Board)의 구성원인 랠 브레이나드는 한 연설에서 “AI의 경우 불투명함과 설명 가능성 영역에서 문제가 생길 수 있다. 설명할 수 없거나 불투명하더라도 AI 툴을 사용하는 것이 이익이 되는 상황이 있을 가능성이 있다는 것을 인지한다면 AI 툴을 적절히 통제해야 한다”라고 말했다.

여기에는 툴을 구축하는 방법, 실제로 사용하는 방법, 데이터 품질 및 적합성 등에 대한 통제가 포함되어 있다고 그는 말했다.

 블랙박스 문제로도 알려져 있는 설명 가능성은 AI 시스템의 특수한 문제이다. 전통적인 통계 모델에서는 데이터 과학자가 특정 결정이나 예측에 필수적인 요소를 수동으로 선택하고 이런 요소의 가중치를 결정한다. 하지만 AI 시스템은 이전에 알려져 있지 않고 이해하기 어려운 패턴을 확인할 수 있다. 이 때문에 은행이 의사 결정의 요소를 설명해야 하는 신용 기회 균등법(Equal Credit Opportunity Act)과 공정 신용 보고법(Fair Credit Reporting Act)을 준수하기 어려운 것이다.

브레이나드는 “다행히도 AI 자체가 해법을 제시할 수 있다. AI 커뮤니티는 ‘설명 가능한’ AI 툴을 더욱 발전시키고 있으며 신용도에 대한 소비자 접근성을 확대하는데 집중하고 있다”라고 전했다.

보안 업계도 이 문제를 해결하기 위해 노력하고 있다고 탭의 서머빌이 말했다. “편파적이지 않은 모델을 AI로 구축할 수 있을까? 가능해야 한다. 어떻게 결정을 내렸는지 설명할 수 있어야 한다. 규제 당국들은 실수로 편견이 들어가지 않도록 하는데 관심이 집중되어 있다”라고 그는 말했다.

싱크로니는 신용 평가을 위해 AI와 머신러닝을 고려하고 있다고 전하며 블랙박스 문제가 해당 기업에게도 문제가 되고 있다고 밝혔다. “우리는 우리의 모델에 설명 가능성을 적용하는 방법을 연구하고 있으며 의사를 결정한 이유를 밝히는 것도 중요하다. 그러나 쉽지 않은 일이다”라고 싱크로니의 심슨은 말했다.

이 기업은 AI 모델을 훈련시키기 위해 사용하는 미가공 데이터가 편향되지 않도록 하기 위해 많은 노력을 기울이고 있다. 이 때문에 그렇게 많은 데이터 과학자가 필요한 것이라고 심슨이 말했다. 그는 이어 “다양한 인력으로 팀을 구성하는 것도 이를 위해서다. 다양성 팀이 없다면 팀이 편향되기 때문에 데이터의 편향을 찾아내기 어렵다. 특히 우리 같은 은행에게는 중요한 부분이다. 이 분야에서는 팀의 다양성이 가장 중요한 방어책이다”라고 말했다. dl-ciokorea@foundryco.com