인공 지능과 머신 러닝으로 구현하는 새로운 자금 세탁 방지 체계
진화하는 자금세탁과 AI의 역할
금융 범죄자들의 자금세탁 수법이 나날이 교묘해지고 있다. 특히 9/11 사태 이후 테러 자금 조달 방지가 중요한 과제로 대두되면서, 기존의 자금세탁 방지(AML) 시스템으로는 대응이 어려워지고 있다.
금융기관들은 규정에 따라 의심스러운 거래를 감지하고 보고해야 하지만, 방대한 데이터를 처리하고 분석하는 것은 쉽지 않은 과제다. 기존의 거래 모니터링 시스템은 단순한 규칙과 임계값을 사용하기 때문에 범죄자들이 쉽게 우회할 수 있다는 한계도 있다.
이러한 상황에서 인공지능(AI)과 머신러닝 기술이 주목받고 있다. AI는 아마존(Amazon)과 넷플릭스(Netflix)의 추천 시스템처럼 인간의 의사결정을 기계가 대신 수행하는 기술이다. 특히 머신러닝은 데이터를 통해 스스로 학습하면서 복잡한 패턴을 찾아내고, 이를 새로운 데이터에 적용할 수 있다.
머신러닝의 두 가지 접근법
SAS가 발표한 백서에 따르면, AML 분야에서 머신러닝은 크게 지도학습과 비지도학습 두 가지 방식으로 활용된다. 지도학습은 기존의 자금세탁 사례와 결과를 학습하여 유사한 패턴을 찾아내는 방식이다. 베이지안 통계, 의사결정트리, 신경망, 회귀분석, 랜덤 포리스트 등이 대표적인 지도학습 기술이다.
비지도학습은 분류되지 않은 데이터에서 스스로 패턴과 구조를 찾아내는 방식이다. 친화성 분석, 군집화, 최근접 이웃 매핑 등의 기술이 활용되며, 기존 시스템으로는 발견하기 힘든 새로운 유형의 자금세탁 패턴을 찾아내는 데 효과적이다.
AML 분야의 6가지 머신러닝 활용사례
머신러닝은 AML 시스템의 다양한 영역에서 활용되고 있다. 첫째, 거래 모니터링을 보완하여 의심거래를 더욱 정확하게 탐지한다. 실제로 미국의 한 지역 은행은 신경망 모델을 도입해 작업량이 50% 감소하고, 혐의거래보고서(SAR) 전환율이 5%에서 15%로 증가하는 성과를 거뒀다.
둘째, 이상 징후 감지 기술을 통해 기준에서 벗어난 특이 거래를 포착한다. 셋째, 고객을 유사한 그룹으로 분류하여 더욱 효과적인 모니터링이 가능하다. 넷째, 고객의 리스크를 평가하여 심사와 실사에 활용한다.
다섯째, 소셜 네트워크 분석을 통해 정치적 주요인물(PEP)이나 제재 대상자와 연관된 계정을 찾아낸다. 여섯째, 시스템의 임계값을 자동으로 설정하고 조정하여 효율성을 높인다.
도입 시 주요 과제와 해결방안
그러나 AI와 머신러닝 기반 AML 시스템 도입에는 세 가지 주요 과제가 있다. 첫 번째는 전문 인력 부족이다. 데이터 사이언티스트가 부족한 상황에서, 기업들은 분석 작업을 자동화하고 모델 라이프사이클을 관리하는 소프트웨어를 활용하여 이 문제를 해결하고 있다.
두 번째는 데이터 학습의 어려움이다. 머신러닝 알고리즘이 제대로 작동하려면 양질의 데이터 확보가 필수적이다. 데이터 수집과 선별, 중앙 집중형 데이터 마트 구축, 무결성 유지 등이 중요하다.
세 번째는 ‘블랙박스’ 문제다. 신경망, 랜덤 포레스트 등 현대의 머신러닝 모델은 의사결정 과정을 설명하기 어렵다. 이는 규제기관에 시스템의 정당성을 입증해야 하는 금융권에서 중요한 문제다. 이에 대한 대안으로 회귀 모델이나 의사결정트리 같은 ‘화이트박스’ 모델을 사용할 수 있지만, 예측 성능은 다소 떨어질 수 있다.
도입 성과
이러한 과제에도 불구하고, AI와 머신러닝 도입은 가시적인 성과를 보여주고 있다. 아시아 태평양 지역의 한 은행은 AI 기반 경보 평가 시스템을 도입해 오탐률을 33% 낮췄다. 또한 한 다국적 은행은 AI를 활용해 미탐지 대출사업자 89명을 새롭게 발견했으며, 다른 은행은 딥러닝 알고리즘을 통해 문서 검토 시간을 2주에서 1분으로 단축했다.
이처럼 AI와 머신러닝은 금융권의 자금세탁 방지 체계를 혁신적으로 변화시키고 있다. 전문 인력 확보, 데이터 품질 관리, 모델 설명가능성 등의 과제가 있지만, 기술의 발전과 함께 이러한 문제들도 점차 해결되어 갈 것으로 전망된다.
기사에 인용된 리포트의 원문은 링크에서 확인할 수 있다.
기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다.
관련 콘텐츠 더보기
