오늘의유머 - AI 코딩 절차

그림이 깨지면, 아래 출처의 원문을 참고하십시오.

은행업은 대단히 정교한 산업입니다. 아마도 상상할 수 있는 모든 종류의 아이디어가 집결되 산업이며, 은행업 전체를 자동화 또는 무인화하는 것은 숙련된 AI 전문가 그룹에게도 쉽지 않을 과제입니다. 아주 간단한 방법으로 자동화될 가능성도 있는데, 그 한 가지 방안을 제시합니다.

이 글은 특허청 공개 특허 ‘IP 주소를 이용한 전자 화폐'를 참고하였습니다.

은행의 사회적 기능은 자금 공급자와 자금 수요자의 중개이며, 공급자에게는 안정적 수입을 제공하고, 수요자에게는 공급자를 찾으러 다니는 불편을 해소해 주는 것입니다. 은행 예금자는 리스크를 회피하는 성향이 강하며, 기꺼이 위험을 감수하려는 투자자는 증권시장 또는 강원랜드(이 둘의 차이는 없는데, 그 이유는 증권시장 편에서 설명합니다)로 향할 것입니다. 한편, 은행은 화폐의 시간가치(Time value of money)를 판매하는 업종으로, 예대마진이 수입의 토대입니다. 가능한 싸게 사서, 가능한 비싸게 파는 기업의 속성은 낮은 예금 이자와 높은 대출 이자로 나타납니다. 여타 기업처럼 은행도 완전시장 혹은 유효시장 가설 중 하나인 ‘모든 시장 참여자가 모든 정보를 공유한다’는 가설이 현실이 될 수 없는 사실에 영업의 기반을 둡니다. 예금자는 자신의 현금 자산을 어디에 투자하는 것이 최선의 이자 수입을 제공할 지 알 수 없고, 대출자는 최소의 이자 비용으로 자금을 조달하는 자금원을 알 수 없습니다.

한 편, AI는 그 태생이 데이터 과학입니다. 데이터는 정보의 원천이고, 막대한 데이터가 그 존립 기반인 AI는 완전 시장 가설을 현실로 구현할 유효한 수단입니다. 종래의 코딩 방법론으로는 대단히 어려운 작업들을 AI 기법으로 쉽게 처리할 수 있습니다.

이하, 기존의 은행 산업을 AI 프로그램으로 대체하는 과정을 편의상 다섯 단계로 나눠 기술하겠습니다. 천만 명의 공급자(투자자, 예금자)와 천만 명의 수요자(대출자, 차입자)를 상정하여, 천만 명의 공급자가 동일한 수익률을 갖는 반면, 천만 명의 수요자는 그 신용도에 따라 그룹 또는 개인 별로 서로 상이한 비용(이자율)을 지불하는 시스템을 AI로 구현하는 과정입니다.

첫 단계는 정보수집입니다. 신용도 결정을 위한 종래의 프로그래밍 방법론에서는 일종의 기준 지표가 필요한데, 이를테면 직업이나 재산 등입니다. 신용카드 사용 이력 속에서 유의미한 정보를 도출하는 프로그램을 작성할 수도 있는데, 그 예는 데이터 과학을 참조하십시오.

Learning from Data

반면, AI는 데이터가 많을수록 좋은 프로그램이 나옵니다. 금융소비자 전체에 대해 신용카드 사용내역, 재산, 학력, 성별, 연령, 친구, 도서 구입, 소주 구입, 차량 등등 품질과 무관하게 데이터가 많을수록 좋습니다. 따라서, 최대한 많은 정보를 수집하는 것이 첫 단계이며, 정보의 종류는 무관합니다. 얼핏, 이성교제의 횟수처럼 신용도와 전혀 상관없어 보이는 속성들도 신용도 평가의 유의미한 결과를 가져올 수 있습니다.

둘 째 단계는 잠재적 금융 소비자들(= 모든 시장참가자) 전체를 채무불이행(Default) 가능성에 따라 일련의 그룹으로 분류하는 신경망을 작성합니다. 그 방법은 다음과 같습니다. 첫 단계에서 수집한 데이터를 이용하여, 채무불이행이라는 특정 속성과 연관도가 높은 일련의 속성 그룹(Attributes Group)을 추출합니다. 이를테면, 채무불이행자들의 평균 소주 구매량이 평균보다 높다던지, 이성교제 빈도가 높다던지(만약 그렇다면 오징어 여러분의 신용도는 대단히 높게 평가될 지도 모릅니다), 사행성 웹사이트 방문 횟수가 높다는 등입니다. 채무불이행이라는 속성과 여타 속성들 간의 거리를 측정하는 방법이 이용될 수 있는데, 아래 논문과 사이트 등을 참고하십시오.

An Introduction to Feature Selection - Machine Learning Mastery

Feature selection - Wikipedia

Selection of relevant features and examples in machine learning

그 다음, 추출된 속성 그룹과 유사도를 기준으로, 전체 인구를 일련의 그룹으로 분류하는데, AI의 기본 기법 중 하나인 Unsupervised Learning을 적용할 수 있습니다. 아 단계가 실제 AI 코딩의 대부분입니다.

Unsupervised Learning

5 Unsupervised Learning and Clustering Algorithms

Clustering Overview Clustering vs. Classification Supervised vs...

셋 째 단계는 국가 또는 사회 내의 현금 자산을 하나의 풀(Money Pool)에 집결하는 작업입니다. 풀에 소속된 현금의 이자 수익은 경제 성장률 또는 증권 시장의 평균 수익률에 일치(matching)시켜야 합니다. 만약, 금융 산업 내부의 다양한 업종들, 이를테면, 은행 업종과 증권 업종 간의 리스크 대비 수익률의 균형이 깨지면, 어느 한 업종은 시장에서 사라질 것입니다.

넷 째 단계는 소비자 그룹이 지불해야할 이자 비용의 총합과 머니 풀에 모인 투자자 그룹이 획득해야할 이자 수익의 총합과 일치시키는 것으로, 각 그룹들 간의 이자율 차이를 어떻게 할 규칙은 다양할 수 있습니다. 예를 들어, 감가상각의 표준 기법으로 정액법과 가속상각(연수합계법,정률법) 등이 있듯이, 전체 이자 비용을 각 소비자 그룹에게 차등 할당할 방식을 결정해야 합니다. 이 단계는 전통적인 프로그래밍 기법으로도 구현할 수 있겠지만, 신경망의 효용이 더 크며, 코딩 작업보다는 이자율 비용 부담에 대한 사회적 합의를 도출하는 것이 더 중요합니다.

어느 한 그룹에서 채무불이행(Default)자가 발생하면, 그 사용자와 같은 그룹에 속하는 여타 사용자들의 이자율을 조정하고, 따라서 여타 그룹의 이자율 역시 조정하도록 신경망을 작성할 수도 있습니다.

마지막 단계는 기존 은행의 다양한 상품들, 이를테면, 고정금리와 변동금리, 적금, 주가연동예금 등을 AI로 구현하는 작업인데, 이전 단계의 큰 줄기만 해결하면, 이러한 지엽적인 과제들은 딱히 문제가 되지 않습니다.

전술한 은행 운용 방식은 종래의 방식에 비해 여러 장점이 있습니다. 예를 들어;

돈의 시간가치(Time value of money)에 대한 시장 가격이 표준화됩니다. 현재는 은행마다 대출 이자율이 다르지만, 제시된 방식에 의하면, 모든 금융소비자가 자신이 속한 그룹에 할당되는 이자율을 부담하고, 그룹의 결정 과정에 개인의 판단이 개입될 수 없으므로, 공평무사를 담보할 수 있습니다.
은행 업무의 상당 부분을 무인화(Autonomous)하므로, 예대마진을 현저히 줄일 수 있습니다. AI 전문가 100명이 종래의 은행업 전체를 운영할 수 있으리라 추정합니다.
대출 등의 심사 과정이 없으므로, 자금의 수요와 공급이 1초의 지체도 없이 실시간으로 진행될 수 있습니다.

은행업은 다양한 금융기법들을 운용하는 상당히 정교한 산업으로, 한 두명의 AI 전문가가 단 시일 내에 제시한 시스템을 구현하고, 부족한 부분을 보완할 수는 없습니다. 은행, 카드사, 법원 등기소, 각급 학교 등 각종 기관들이 보유한 정보를 무제한 수집할 수 있는 전제 하에서, 머신러닝 과정의 중급 단계 이상을 이수한 30~50명의 전문가가 2~3년 이상을 소요하여 무인자율은행을 작성할 것으로 추정합니다.

한편, 국내 모 단체에서 2017년부터 무인자율은행 작성 게임을 개최할 예정입니다. ImageNet의 게임처럼 매년 그 성능을 평가하고, 우수작을 시상하는 게임입니다. 뜻있는 독자들의 관심과 참여를 바랍니다.