자금 세탁 방지 AI 알아보기

자금 세탁은 개인 행위자 또는 범죄 그룹이 불법 활동에서 얻은 수익을 글로벌 금융 시스템에 투입하여 이러한 수익을 합법적으로 얻은 것처럼 보이게 하는 방법입니다. 미국 은행들은 자금 세탁을 방지하기 위한 프로세스에 매년 약 250억 USD를 지출하고 있으며, 자금 세탁을 예방하지 못해서 전 세계 은행에 부과된 벌금은 2023년에 60억 USD를 넘어섰습니다.

범죄자들은 ​​통제를 피하기 위해 점점 더 교묘해지고 있으며, 은행들은 추적 소프트웨어가 조사가 필요하다고 알리는 대부분의 알림이 실제로는 무해한 거래와 관련되어 있으므로 실제 자금 세탁 행위를 정확히 파악하는 데 어려움을 겪고 있습니다. 이러한 오탐으로 인해 노력과 비용이 낭비됩니다.

이제 금융 기관은 사전 정의된 규칙을 기반으로 자금 세탁 방지(AML) 소프트웨어를 보다 정교한 AI 기반 소프트웨어로 보완하거나 대체하기 시작했습니다. 이 소프트웨어는 사람과 회사 간의 거래 및 관계에서 숨겨진 패턴을 더욱 잘 찾아내고, 의심스러운 활동을 더 철저하게 탐지하고, 자금 세탁의 위험에 따라 더욱 효율적으로 고객의 점수를 매깁니다. 그 결과 오탐에 대한 경보가 줄어들고, 불법 행위자로부터 조직을 보호하며 규제 벌금을 부과할 확률을 낮춥니다. 이로써 규정 준수 비용을 절감할 수 있습니다.

AI란 무엇인가요?

인공 지능은 컴퓨터가 방대한 양의 데이터에서 학습한 패턴을 기반으로 관계를 파악하고, 추론하고, 시나리오를 예측할 수 있도록 하는 통계적 기술의 집합입니다. 금융 서비스 기업들은 신용 카드 사기 방지, 제품 제안 개인화, 영업 팀에 대한 추천, 자금 세탁 방지 등 백오피스 프로세스를 자동화하기 위해 AI 기술을 사용하고 있습니다.

AML AI란 무엇인가요?

기존의 규칙 기반 시스템은 사전 프로그래밍된 패턴을 기반으로 범죄 활동이나 의심스러운 거래의 경고 신호를 찾아 왔는데, 이제는 자금 세탁의 행동적 특징을 감지할 수 있는 AI 기반 시스템으로 대체되고 있습니다. 역사적으로 AML 소프트웨어는 범죄 활동을 나타낼 수 있는 위험 신호, 은행의 고객이 국제 제재 목록에 등재되어 있는 경우, 정부에 보고해야 할 기준에 약간 못 미치는 금액으로 처리된 은행 예금, 또는 최근 입금된 금액과 유사한 금액이 계좌에서 이체된 경우와 같은 보충 정보를 찾아왔습니다.

문제는 범죄자들이 진화하는 전술을 사용하여 합법적인 금융 거래처럼 보이는 방식으로 수익금을 세탁한다는 것입니다. 이들은 소유권을 쉽게 추적할 수 없게 가짜 회사를 설립하는 것 외에도, 대부분의 사업을 현금으로 하는 기존 회사에 투자한 다음 수익을 부풀립니다. 또한 이들은 현금을 소액으로 나눠 여러 금융 기관에 예치하고, 규제가 느슨한 국가로 현금을 흘려보냅니다. 이것이 의미하는 바는 전통적인 AML 방식이 종종 비효율적이면서, 연간 수만 USD 이상의 은행에 비용을 발생시키는 매우 많은 오탐을 만들어냅니다.

AI 기반 시스템은 인간 네트워크 간의 숨겨진 거래 패턴을 감지하고, 조직 또는 조직 내 동료들 간의 일반적인 행동 기록과 현재의 행동을 비교하고, 과거 활동 및 고객 파악(KYC) 정보를 기반으로 고객에게 위험 점수를 할당하고, 위험도가 낮은 조사는 종료할 수 있도록 이벤트를 분류할 수 있습니다. AI 칩 메이커 NVIDIA의 연구에 따르면, 거래 사기 탐지, 공급자에 대한 전자 결제, AML 및 KYC는 금융 서비스에서 가장 많이 사용되는 5가지 AI 사용 사례 중 하나입니다.

핵심 요점

• 인공 지능은 은행이 고객 행동의 세부적인 변화를 감지하고, 위험 상황이 발생할 때 새로운 위험에 적응하여 규정 준수 비용을 절감할 수 있도록 지원합니다.
• 이 소프트웨어는 이전에 숨겨진 위험을 파악하고 AML 팀이 조사해야 할 오탐 수를 줄임으로써 자금 세탁을 방지하는 데 도움을 줍니다.
• 은행은 여전히 합법적으로 의심스러운 활동에 대해 당국에 보고해야 하는 보고서를 비슷한 수로 유지하고 있습니다.
• 자금 세탁을 막기 위한 글로벌 규제 벌금이 증가하고 있기 때문에, 비효율적인 프로세스의 비용이 높아지고 있습니다.

자금 세탁 방지 AI 알아보기

은행은 점점 더 정교한 자금 세탁 기술을 막아내고 급격히 인상되고 있는 벌금을 부과하지 않도록 하면서 규정 준수 비용을 조절해야 한다는 압박을 받고 있습니다. McKinsey & Company 보고서에 따르면 은행은 규칙 기반 소프트웨어 도구를 AI 기반 AML 애플리케이션으로 대체하여 의심스러운 활동 식별 방식을 최대 40%까지 개선할 수 있으며, 오탐 횟수를 크게 줄일 수 있습니다.

AI 접근 방식에는 머신 러닝을 적용하여 고객에게 점수를 매기고, 금융 범죄를 저해하는 성향을 예측하는 것이 포함됩니다. 또한 AML 애플리케이션은 비지도 학습을 사용합니다. 이 학습 방식에서 머신 러닝 시스템은 레이블이 지정된 예제로 표시되지 않으며 원시 데이터로부터 관계를 확보하여 변화하는 고객 행동을 식별하고 위험을 보다 정확하게 포착합니다. AI 시스템은 편차에 플래그를 지정하고, 고정 규칙을 대체하는 예상 동작 모델을 통합할 수 있습니다. 또한 AI 기반 AML 도구는 규칙 기반 시나리오 이벤트를 분류하여 위험도가 낮은 조사를 자동으로 종료하거나 우선순위를 낮춥니다.

AML AI는 어떻게 작동하나요?

기업이나 개인이 은행 계좌를 개설하려는 경우, 은행은 위험 평가를 수행합니다. 여기에는 잠재 고객에게 직업, 거주지, 수입원 및 자금 이동 방법에 대해 질문하는 것이 포함됩니다. 은행은 또한 잠재 고객이 자금 이체를 금지하는 국제 제재 목록에 이름이 올라 있지는 않은지 확인합니다. 그들은 또한 각 개인이 소위 정치적 주요 인물(정치적 인물, 그들의 가족 구성원 또는 가까운 동료)인지 여부를 결정해야 하며, 이에 해당할 경우 더 많은 조사를 수행해야 합니다. 그런 다음 은행은 KYC 프로세스를 수행하고 잠재적 고객에 대한 자금 세탁 여부 또는 사기 위험을 평가합니다.

문제는 일부 정보가 고객이 얼마나 정직하게 응답하는지에 따라 달라지기 때문에, 금융 기관은 고객의 실제 은행 서비스 활동이 명시된 의도에서 벗어나는지 확인하는 자동화된 방법이 필요하다는 것입니다. 기존 AML 제어는 국제 자금 이동, 유사한 금액의 거래가 계정 간에 빠르게 이동하는지 여부, 고객이 대규모 거래를 소규모 거래로 분할했는지 여부를 포함하여 거래 데이터를 살펴봅니다. 범죄자들은 종종 자신들이 거주하는 곳보다 AML 규정이 엄격하지 않은 여러 국가의 계좌로 자금을 이동시킵니다. 또 다른 어려움은 이러한 행동이 또한 좋은 명분을 가질 수 있다는 것입니다.

AI 기반 시스템은 데이터를 분석하여 인간 분석가와 위험 제어 기능만으로는 탐지할 수 없는 패턴을 찾아낼 수 있습니다. 이 소프트웨어는 행동 위험 점수 부여하여 범죄를 저지르는 고객의 성향을 예측하고, 예측 모델을 실행하여 더 전문화된 팀으로 사례를 이관하지 않고 1단계 조사를 안전하게 종료할 수 있는지를 확인하고, 자금 세탁을 시뮬레이션하여 거래 모니터링 시스템의 효과를 평가할 수 있습니다. 이를 통해 실제 자금 세탁 활동이 아닌 오탐 경보 수를 줄여 규정 준수 비용을 절감할 수 있습니다. 생성형 AI 기술은 은행이 위험의 초기 평가를 요약하고, 법 집행을 위한 의심스러운 활동 보고서를 작성할 수 있도록 지원합니다.

일반적으로 AML에서 사용되는 AI 기술에는 심층 보강 학습, 생성형 적대 네트워크(GAN) 및 그래프 신경망(GNN)이 포함됩니다. GAN은 훈련 데이터에서 학습한 자금 세탁 사례를 일반화하여 범죄자가 접근 방식을 조정함에 따라 변경된 패턴을 찾아냅니다. GNN은 훈련 중에 학습한 사람과 기업 간의 관계, 이전에는 확인되지 않았던 관계 등을 찾습니다. 이 분석을 통해 은행은 범죄 행위자 그룹과 관련된 자금 세탁 활동을 탐지할 수 있습니다. 심층 보강 학습은 AI 모델이 올바른 결정을 내리기 위해 긍정적인 피드백을 구하도록 시스템을 훈련함으로써 데이터 포인트 간의 새로운 관계를 학습하도록 합니다. 그런 다음 모델은 변화하는 전략에 맞게 거래 모니터링을 조정할 수 있습니다.

AI 기반 AML 시스템은 가동 중에도 학습할 수 있습니다. 예를 들어, AI 소프트웨어가 특징을 공유하고 자금 세탁 가능성이 매우 낮은 거래를 찾으면, 향후 유사한 거래가 진행될 수 있도록 마스터 시스템을 변경하기 위한 권장 사항을 제시할 수 있습니다.

2022년 Bank of England의 AI 보고서는 'AI가 중요한 이유 중 하나는 새로운 사용 사례를 지원할 수 있다는 것'이라고 결론을 내렸습니다. 예를 들어, 범죄자가 '실제 데이터 퍼즐에서…인간 분석가가 식별하기 어려울 수 있는' 신원을 만들어내는 합성 신원 사기 문제를 해결할 수 있습니다. AI 기반 AML 시스템은 또한 비지도 신경망을 사용하여 컴퓨터 IP 주소 및 행동 패턴을 포함한 매우 광범위한 데이터 소스를 살펴보고 경고를 생성할 수 있습니다.

AML AI의 이점

기존 AML 시스템은 위험 신호를 발생시킬 수 있는 작업에 대해 최적의 민감도를 가지도록 조정되어야 합니다. 위험 신호를 너무 적게 생성하면 범죄 행위를 놓칠 수 있으며, 규제 기관으로부터 주의를 받고 벌금을 부과하게 될 수 있습니다. 각 위험 신호를 검토하고 이에 대한 조치를 결정해야 하는 은행의 규정 준수 담당자는 지나치게 많은 경보를 수신할 수 있습니다. AI 시스템은 거의 동일한 수의 의심스러운 활동 보고서(SAR)를 생성할 수 있지만, 오탐 횟수는 크게 감소했음을 보여주었습니다. 이러한 이점 및 기타 AI 혜택에 대한 자세한 내용을 확인하려면 계속 읽어보세요.

• 위험 감지 정확도 증가/개선. AI 기술은 대량의 정형 및 비정형 데이터를 소비 및 합성하고, 행동 패턴을 학습하고, 이상 징후를 감지함으로써 위험 감지의 정확도를 개선하는 데 도움이 될 수 있습니다. 신경망은 학습한 패턴과 유사한 패턴을 식별할 수 있으며, 범죄 집단이 알려진 규칙을 우회하기 위해 사기 전략을 약간 변경하는 상황을 차단할 수 있도록 권장 사항을 제시합니다.
• 운영 비용 절감. AI 기반 AML 시스템은 위험 팀이 조사해야 하는 오탐 경고 수를 줄여 운영 비용을 절감할 수 있습니다. 각 경보는 1단계 조사를 트리거하여 직원 시간을 절약합니다. 이러한 경보의 90%에서 95% 사이는 더 집중적인 2단계 조사 및 당국과 SAR 신고로 에스컬레이션되기 전에 종료됩니다.
• 규정 준수 및 거버넌스 개선. 은행의 규정 준수 팀, IT 조직 및 사업부는 변화하는 AML 규정과 부족한 글로벌 규칙으로 인해 어려움을 겪지만, 이제는 일부 내용이 통합되기 시작했습니다. 미국과 영국을 포함한 일부 규제 기관은 은행의 AML 시스템에 AI를 도입하도록 장려하고 있습니다. 또한 금융 기관은 AI 및 머신 러닝 기술을 사용하여 위험 식별 테스트를 실행하고 있습니다. 또한 AI는 자금 세탁 활동을 더 많이 식별해 내어 규제 조사를 진행할 수 있습니다.

AML에서 AI의 한계

은행이 일관되게 정확한 결과를 제공할 수 있도록 모델을 교육하기에 충분한 고품질 데이터를 보유하고 있지 않다면, 자금 세탁과 관련해 AI를 적용하는 것은 효과가 없습니다. 또한 은행은 AI 모델을 교육, 미세 조정, 유지 관리할 수 있는 적합한 인재를 보유해야 하며, 시스템 설계 시 고객의 데이터 프라이버시를 고려해야 합니다. AI 역시 불투명할 수 있습니다. 생성형 AI 시스템이 특정 결과를 어떻게 도출했는지는 항상 명확한 것은 아닙니다. McKinsey는 은행이 AI 기반 AML 시스템을 개발하기 전에 규제 기관과 원만하게 논의할 것을 권고합니다. 이들 및 기타 AI 제한 사항에 대한 자세한 내용을 확인하려면 계속 읽어보세요.

• 데이터 품질 및 가용성. 불완전하거나 부정확한 데이터는 AI 모델의 성능을 저해할 수 있습니다. AI 모델의 경우, 배포된 의심스러운 거래에 대해 정확하게 위험 신호를 지정할 수 있도록 훈련 과정에서 충분한 고품질 예시를 확인해야 합니다. 데이터에 대한 액세스가 제한된 은행, 특히 자금 세탁의 실제 예시에 대한 데이터는 다른 접근 방식을 고려해 볼 수 있습니다.
  
• 규제 및 규정 준수 과제. AML 규정은 끊임없이 변화하고 때로는 모호하고 일관성이 없기 때문에 은행의 규정 준수 부서, IT 조직 및 사업 부문에 부담을 줄 수 있습니다. 예를 들어, AML에 대한 글로벌 표준 설정 기구인 FATF(금융 활동 기구)의 권장 사항은 감독 기관에 대한 지침에서 광범위한 자율성을 제공합니다. JPMorgan Chase CEO인 Jamie Dimon은 AML 요구 사항을 단순화하고 개선할 것을 요청했습니다. 규칙이 통합되기 시작합니다. 2024년에 EU는 프랑크푸르트에 기반을 둔 새로운 AML 권한을 마련했습니다. 이 규칙은 산업군 전체에 걸쳐 기업에 적용되며, 국가의 법률로 전환되지 않아도 됩니다.
  
• 운영 및 기술 문제. 메인프레임 및 기타 레거시 시스템에 저장된 데이터는 대부분 AI를 통해 처리될 준비가 되어 있지 않으므로, 거의 모든 은행은 시스템 통합 과제를 해결해야 합니다. 또한 자문 회사인 McKinsey & Company에 따르면, 은행은 고객에 대해 고품질의 데이터를 충분히 보관하는 데 어려움을 겪고 있습니다. 기록이 비표준 형식으로 부분적으로 저장되어 있거나 종이 필기 양식에서 가져올 때 특히 그렇습니다.
  
• 거짓 긍정 및 거짓 부정. 소프트웨어가 실제로는 문제가 없는 금융 거래를 잠재적인 자금 세탁 활동으로 표시하는 오탐 비율(거짓 긍정)은 최대 95%에 달할 수 있습니다. 그러나 은행은 여전히 이러한 거래들을 조사해야 하며, 이는 비용이 많이 들고 시간이 많이 걸리는 프로세스입니다. 반대로, 제재를 받은 기관의 거래가 처리되거나 실제로 자금 세탁이 통과되는 거짓 부정이 발생하면 규제 조치가 가해질 수 있고 평판이 손상될 수 있습니다.
  
• 범죄 전술의 적응성과 진화. 자금 세탁을 수행하는 사람은 기관의 탐지를 피하기 위해 끊임없이 진화하는 기술을 도입하는 정교한 적입니다. 악성 행위자가 자금 세탁을 탐지하는 데 사용되는 규칙을 식별하게 되면, 자신들의 행동을 약간 수정하여 탐지망을 벗어날 수 있습니다.
  
• 개인 정보 보호 우려 사항. 자금 세탁을 방지하기 위해 AI를 설계하는 은행은 이러한 시스템의 개인 정보 보호 측면을 고려해야 합니다. 은행은 개인정보를 포함한 상당한 양의 데이터에 접근할 수 있으며, 이 정보를 사용할 수 있는 권한은 맥락에 따라 평가되어야 합니다.

AML AI 사용 사례

은행은 고객 온보딩을 처리하고, 은행 활동을 모니터링하고, 당국에 의심스러운 행동을 보고할 때 AML AI 기술을 적용하고 있습니다. 이 소프트웨어는 때로는 숨겨진 패턴을 기반으로 행동 프로필을 구축하여 거래를 보다 효과적으로 분류하고, 잠재적으로 위험한 고객을 찾기 위해 문서와 뉴스를 검색하고, 규제 보고서 작성 속도를 높여 프로세스를 더 빠르고 효과적으로 만들 수 있습니다.

• 거래 모니터링. AI 모델은 거래에서 불법적인 활동을 모니터링하는 두 가지 주요 방법을 제공합니다.
  • 패턴 인식. AI 모델은 학습 데이터에서 기존의 규칙 기반 AML 시스템을 발전시키는 거래 패턴을 인식하는 방법을 학습할 수 있습니다. 예를 들어, 대량의 자금이 소액으로 분할되는 '구조화된' 거래를 식별하거나, 대량의 데이터를 분석하여 자금 이체에 사용된 가짜 회사를 식별할 수 있습니다. AI는 예상되는 고객 행동을 모델링할 수 있을 뿐만 아니라, 범죄 활동을 나타낼 수 있는 행동의 차이도 파악할 수 있어 정확도가 떨어질 수 있는 규칙 기반 접근 방식을 대체할 수 있습니다.
  • 실시간 모니터링. 디지털 결제 속도 덕분에 AI 기반 AML 시스템에 대한 수요가 급증하고 있으며, 이를 통해 대량의 데이터를 실시간으로도 신속하게 파악할 수 있습니다. 미국의 통화 관리자인 Michael Hsu는 2024년 1월 연설에서 더 빠르게 처리되는 디지털 결제가 더욱 빠르게 일어나는 사기로 이어지고 있다고 말하면서 은행들이 '더욱 실시간인 금융 시스템을 위한 올바른 브레이크'를 구축하도록 촉구했습니다.
• 고객 실사 제도(CDD) 및 고객 확인 제도(KYC). 은행은 AI 기반의 자동화된 온보딩 기술을 통해 고객을 온라인으로 식별하고 선별하여 보다 빠르고 정확하게 KYC 프로세스를 수행할 수 있습니다. 여기에는 디지털 신원 확인 및 ID 문서 스캔 작업이 포함됩니다. 은행은 지속적인 거래 모니터링을 통해 정기적 검토에서 분석할 수 있는 데이터의 양보다 더 많은 데이터를 분석함으로써 고위험 고객을 더욱 잘 식별할 수 있습니다.
  • 자동화된 온보딩. 은행은 온라인 검증에 필요한 식별 문서를 스캔하고, AI를 적용하여 신뢰성을 평가함으로써 고객이 계정을 개설할 때 더욱 빠르고 정확하게 작업을 처리할 수 있습니다.
  • 지속적인 모니터링. 고객은 은행과의 관계를 유지하는 기간 동안 다른 방식으로 행동할 수 있으며, 전 세계의 선거 결과에 따라 정치적으로 노출된 대상이 달라질 수 있습니다. 따라서 금융 기관에서는 AI 기반 도구를 사용하여 거래, 실질적 소유권, 제재 목록 및 미디어 보도를 지속적으로 확인하고 있습니다. 지속적으로 모니터링하면 은행은 마지막 평가 이후에 고객 행동이 더 위험해질 수 있는지를 확인할 수 있습니다.
• SAR(의심스러운 활동 보고) 은행은 자금 세탁 및 테러 자금 조달로 의심되는 사례에 위험 신호를 보내기 위해 규제 기관에 SAR을 제출해야 합니다.
  • 생성형 AI가 지원하는 자동화된 보고 도구는 인간 분석가들이 혼자 작업하는 것보다 SAR을 더 효율적으로 생성하도록 지원합니다.
  • 보고 정확도 향상. 많은 SAR은 설명이 불분명하고 정보가 누락되어 있으므로, 생성형 AI 시스템을 사용하면 많은 부분을 개선할 수 있고 후속 항목 목록도 생성할 수 있습니다.
• 제재 심사. 국제 제재 목록이 자주 업데이트되고(예: 러시아-우크라이나 전쟁 발발 후) 여러 국가와 언어에서 다양한 사람 또는 회사 이름을 사용하는 사업체들을 일치시키는 데 어려움이 생기면 기존 AML 시스템에 부담이 가중될 수 있습니다.
  • AI를 사용한 자동화된 심사는 구조화되지 않은 문서에서 정보를 추출 및 분류하고, 위험 신호 용어에 대한 동의어를 찾고, 철자가 유사하지만 다른 의미를 지닌 용어는 넘어가도록 설정할 수 있습니다.
  • 오탐률 감소. 결과적으로 오탐률이 줄어들 수 있으므로, 분석가가 시간을 많이 들이면서 비용을 더 지출하게 디는 검토를 줄일 수 있습니다.
• 향상된 분석 및 시각화. 사람과 개체 간의 관계 그래프를 포함한 데이터 시각화 기술은 기술에 익숙하지 않은 비즈니스 사용자가 위험의 변화와 의심되는 자금 세탁 사례의 지리적 분포를 볼 수 있도록 도와줍니다.
  • 데이터 가상화. 관계 그래프 외에도, AI 기술은 분석가가 지도에서 불법 활동의 위치를 ​​파악하고 대시보드를 자세히 분석하여 세부 정보를 얻는 데 도움이 될 수 있습니다. 그 결과로 더 빠르고 효과적인 의사 결정을 내릴 수 있습니다.
  • 대시보드 보고는 모니터링되는 거래, 생성된 경고, SAR 신고 및 개설/마감된 조사에 대한 핵심 성능 지표(KPI)에 대한 지표 및 진행 상황을 보여줍니다.
• 규정 준수. AI 도구는 감사 기능을 지원하는 문서를 포함하여 금융 기관이 업데이트되는 규제에 적응하고 최신 상태를 반영할 수 있도록 지원합니다.
  • 규제 업데이트. 자금 세탁 수와 KYC 벌금 액수가 증가하고 이를 다루기 위한 새로운 규제 기관이 생기면서, 변화하는 규칙을 따르고 수동 프로세스를 자동화된 프로세스로 대체하거나 보완하여 벌금 부과 가능성을 줄이는 데 도움이 되는 기술을 사용하고자 하는 은행이 증가하고 있습니다.
  • 감사 추적. 이러한 소프트웨어 도구는 AML 결정이 어떻게 내려졌는지 보여주는 감사 추적을 생성하고 활동과 데이터 액세스를 보여주는 감사 로그를 작성하는 데 도움이 됩니다.
• 사례 관리. 워크플로 자동화 및 협업 도구는 경보의 우선순위를 지정하고, 작업을 추천하고, 보고를 자동화함으로써 AML 규정을 준수하도록 지원합니다. 소프트웨어는 경고를 추적하고 의심스러운 활동을 표시하는 대시보드를 제공할 수 있습니다.
  • 워크플로 자동화. IT 컨설팅 회사인 KPMG에 따르면, 금융 기관은 금융 범죄에 대비한 워크플로 자동화 도구를 사용하면 평균적으로 연간 규정 준수에 들어가는 비용의 4분의 1을 절약할 수 있습니다. 또한 AI 도구는 온보딩 워크플로에 규정 변경 사항을 적용하여 KYC 프로세스를 최신 상태로 유지할 수 있습니다.
  • 협업 도구. 사례 관리 소프트웨어는 규정 준수 정보의 중앙 저장소를 제공하여 부서가 활동을 조정할 수 있도록 지원합니다.
• 사기 감지 및 방지. 은행은 자금 세탁을 탐지한 후에도 이를 멈출 시간이 있지만, 손실을 방지하려면 자금 세탁이 이루어지기 전에 사기 사례를 멈추는 것이 이상적입니다. AI 시스템은 적응형 학습 방식을 통해 거래 심사를 지원할 수 있습니다. KPMG에 따르면, AI 모델은 고객에 대한 광범위한 관점을 제공하므로 은행은 AML, 사기, 뇌물 및 부패에 대한 제재 조사와 보고서를 확인할 수 있습니다.
  • 통합형 사기 및 AML 솔루션. 사기 및 자금 세탁 방지 기술을 단일 소프트웨어 패키지로 결합하면 은행은 사기 방지 및 AML 팀이 관련 고객 데이터를 수집 및 공유하고, 은행이 직면한 위험에 대한 전반적인 상황을 보여 주고, 범죄자가 눈치채지 못하게 그들이 사용할 수 있는 허점을 차단할 수 있으므로 이점을 누릴 수 있습니다.
  • 적응형 학습. 은행에서 새로운 사기 사례를 확인하면, AI 시스템은 이 데이터를 사용하여 계속해서 개선될 수 있습니다. 이는 특히 탐지 임곗값 근처의 경계 사례를 찾아 사기 활동을 놓치거나 오탐을 일으킬 가능성이 높은 경우 더욱 효과적입니다.

AML에 AI를 통합하는 방법

AML 프로세스를 재설계하여 AI 기술을 통합하려는 은행은 우선 보유한 데이터와 데이터 전략을 평가해야 합니다. KYC, 고객 온보딩, 자금 세탁 방지를 다루는 부서 및 워크플로 전반에서 AI를 어떻게 사용할 수 있는지 고려해야 합니다. 결과 시스템은 적합성의 맥락에서 규정 준수를 위해 평가되어야 합니다. 이 단계와 다른 단계에 대해 자세히 알아보려면 계속 읽어보세요.

1. 현재 AML 프로세스 평가 은행은 자금 세탁에 대처하는 방법, 현재 시스템이 얼마나 효과적인지, 절약할 수 있는 비용은 얼마인지, 그리고 AI 기반 접근 방식으로 개선할 수 있는지를 검토해야 합니다.
2. 목표 및 요구 사항 정의. 은행은 운영 비용 절감 및 오탐 수 감소와 같이 명확히 정의된 성공 기준을 갖고 AI 구현의 목표를 확립해야 합니다.
3. 데이터 수집 및 준비 과정 정리. 은행은 AI 모델을 훈련하기에 품질과 양이 충분한 깨끗한 데이터를 확보해야 합니다. 또한 데이터 과학 분야의 직원을 충분히 확보하여 다른 직원들이 모델을 조정하고 접근 방식을 개선할 수 있도록 해야 합니다(나중에 자세히 설명).
4. 적합한 AI 도구 및 기술 선택. 필요한 사용 사례에 적합한 AI 시스템을 선택하는 것이 핵심입니다. 시스템은 거래를 실시간으로 모니터링하고, 고객 온보딩 및 KYC 프로세스에 머신 러닝 및 자연어 처리(NLP)를 적용하고, 의심스러운 활동 보고서를 생성하는 데 생성형 AI 및 NLP 기술을 사용할 수 있어야 합니다. 은행은 예측 분석을 사용하여 비정상적이거나 의심스러운 행동을 평가할 수 있습니다. 그래프 AI 분석을 통해 분석가는 명확하지 않은 사람과 기업 네트워크를 찾을 수 있습니다.
5. AI 모델 개발 및 훈련. AML AI 모델을 훈련시킬 수 있는 주요 방법 두 가지가 있습니다. 행동 모델, 고객 위험 점수 부여, AML 및 제재 목록에 대한 이벤트 점수 부여에 대한 지도 학습을 통해 모델에는 학습을 위한 레이블이 지정된 예시가 표시됩니다. 이는 모델이 입력과 출력 간의 관계에 대해 알아야 할 때 유용합니다. 고객 세분화 및 이상 탐지와 같은 사용 사례의 경우, 은행은 일반적으로 비지도 학습을 사용합니다. 이 학습 방식에는 모델에 자금 세탁 및 사기에 대한 레이블이 지정되지 않은 사례와 오탐 결과가 표시됩니다. 이 모델은 데이터 과학자의 도움 없이 두 거래 그룹의 특성을 식별하는 방법을 학습합니다. 비지도 모델은 이전에 발견되지 않은 데이터의 관계에 대해 학습할 수 있습니다.
6. 기존 시스템과 AI 통합. 많은 AML 프로세스가 레거시 IT 시스템에서 실행되므로, 은행은 구형 거래 모니터링 및 보고 시스템과 다양한 데이터 유형으로 커넥터를 구축하거나 AI의 요구를 처리하기 위해 인프라를 현대화하는 데 투자해야 합니다.
7. 직원 교육 및 지원. AI 도구 및 프로세스에 대한 교육은 규정을 준수하는 것과 기술을 도입하는 것에 직원들이 거부감을 가지지 않도록 하는 데에 중요한 역할을 수행합니다.
8. 개선 및 도입을 위한 지속적인 노력. AI는 지속적인 학습을 장려하도록 설계되었으며, 은행은 기술을 배포하고 사용하는 동시에 이러한 기술과 유사한 사고방식을 수용해야 합니다. AML 경고의 경우, 은행은 모델의 '리콜 능력'도 고려해야 합니다. 이는 훨씬 경보를 적게 생성하면서도 동일한 수의 실제 의심 활동 보고를 생성할 수 있는 역량을 측정하는 것입니다.
9. 규정 준수 보장. AI에 관한 법률과 규정은 진화하고 있습니다. 은행은 규정 준수를 유지하기 위해 항상 최신 정보를 입수해야 합니다. 내부 통제, 교육, 그리고 지속적인 규정 준수를 관리할 책임자를 임명하는 것은 모두 효과적인 AML 규정 준수의 핵심입니다.

AML에서 AI의 미래

전 세계 당국이 설정한 AML 요구 사항은 진화하고 있지만, 은행의 AML 예산을 늘리기는 어렵기 때문에 AI 기반 분석 및 자동화는 더욱 매력적인 선택지로 다가옵니다. 미국 재무부의 금융 범죄 집행 네트워크(FinCEN)는 투자 자문사에 SAR을 제출하도록 요구하는 것을 포함하여 은행 비밀법(Bank Secrecy Act)을 확장 집행하는 규칙을 고려하고 있습니다. 싱가포르 통화관리청은 중국 범죄자들이 싱가포르 내 16개 은행을 통해 22억 USD가 넘는 온라인 도박 수익을 세탁한 후, 패밀리 오피스와 헤지펀드에 대한 보고 요구 사항을 강화하고, 대형 은행에 대한 감시를 강화했습니다. 스위스 규제 기관인 FINMA는 은행에 AML 검토를 보다 철저히 실시하도록 명령했으며, EU의 새로운 자금세탁방지기구는 최대 40개 금융 기관에 보다 직접적인 감독 시스템을 도입할 것으로 예상됩니다.

고급 자동차, 수집품, 보석, 예술품을 가장하여 돈을 숨기는 관행이 늘어나면서 추적이 어려워짐에 따라, 은행에서는 사기 탐지를 위해 새롭게 AI를 강화하는 방법에 더욱 주력할 수 있습니다. 자금 세탁범들은 소셜 미디어를 이용해 하급 직원을 모집해 돈을 입금하게 하는데, 이러한 방식으로 인해 기존 시스템으로는 불법 행위를 근절하기가 더 어려워집니다.

Oracle을 통한 자금 세탁 방지(AML) 시스템 현대화 및 강화

Oracle Financial Crime and Compliance Management Cloud Service에는 기업 및 거래에 대한 위험 점수를 동적으로 부여하고 분석가가 즉시 검토할 수 있도록 제재 기업 또는 국가로 전송되는 거래를 동결하는 소프트웨어 엔진이 포함되어 있습니다. 또한 조사자의 작업 방식에 맞게 설계된 모든 기능을 갖춘 사례 관리 기능을 갖추고 있습니다.

Oracle Financial Services Compliance Studio에는 통계 분석, 감독 및 비지도 학습 AI 기술이 포함되어 있어 위험을 더 잘 이해하고 모니터링하며, 규정 준수 및 금융 범죄 대응을 위한 플랫폼 유지 관리 비용을 절감할 수 있습니다.

Oracle의 접근 방식은 하나의 다국적 은행이 6주 이내에 AI 모델을 구현하고, 경보 발생 비율을 45~65% 경감하면서도 경보량이 훨씬 많았을 때보다 의심스러운 활동 보고 건수의 최소 99%를 유지할 수 있었습니다.

Oracle Financial Services Compliance Agent는 은행이 거래 모니터링 시스템을 테스트하고, 악성 행위자를 시뮬레이션하여 AML 프로그램을 스트레스 테스트함으로써 비용과 규제 위험을 줄일 수 있도록 지원하는 AI 기반 클라우드 서비스입니다. 또한 Oracle은 재무 범죄 소프트웨어를 위한 생성형 AI 구성 요소를 개발하여 보고서용 사례 설명을 작성하고 있습니다.

AML AI FAQ

AML은 자동화되나요?
은행은 여러 부서의 데이터를 수집하고 처리할 수 있는 AI 도구를 사용하여 AML 프로세스를 점점 더 자동화하고 있습니다. 이러한 도구는 분석가와 AML 기능을 담당하는 다른 직원들을 보완하고 지원합니다.

자금 세탁 방지에 있어서 생성형 AI란 무엇인가요?
은행은 생성형 AI를 사용하여 기존 AML 소프트웨어의 규칙 엔진에 하드코딩되어 있지 않은 관련 용어를 찾고, 거래 간의 파악하기 어려운 관계를 식별하고, 의심스러운 활동 및 기타 보고서에 대한 설명을 작성합니다.

AML의 인텔리전트 자동화란 무엇인가요?
인텔리전트 자동화는 AML 시스템이 잘못된 위험 신호를 보내는 거래를 검토하는 것과 같은 수동 작업을 줄이는 데 사용됩니다. AI 모델이 학습한 새로운 패턴을 적용하여 향후 거래를 분류합니다. 이를 통해 은행의 비용을 절감하고 정확성을 높일 수 있습니다.