Federated Learning
FL, Federated Learning원본 데이터는 각 금융회사 안에 두고 학습된 모델의 갱신 정보만 안전하게 모아 공동 모델을 만들어, 데이터를 내보내지 않으면서도 한 회사의 데이터만으로는 얻기 어려운 탐지 성능을 확보합니다.
금융권의 AI 모델을 고도화하기 위해서는 다양한 거래 패턴과 위험 사례를 학습하는 것이 중요합니다. 그러나 개인정보보호법, 신용정보법 등 강화된 규제 환경에서 금융회사 간 원본 데이터를 직접 공유하는 데에는 현실적인 제약이 큽니다. 특히 의심거래, 이상거래, 자금세탁, 신종 금융사기와 같이 발생 빈도는 낮지만 패턴이 복잡한 금융 범죄 영역은 단일 금융회사의 데이터만으로 충분한 학습 성능을 확보하기 어렵습니다.
이엘온소프트의 연합학습 기술은 이러한 데이터 단절 문제를 완화하기 위한 AI 학습 구조입니다. 원본 데이터는 각 금융회사 내부에 보관하고, 로컬 환경에서 학습된 모델 업데이트 정보를 중앙 서버가 안전하게 집계하여 글로벌 모델을 생성합니다.
이를 통해 금융회사는 데이터 반출 없이도 여러 금융회사 협력 학습에 참여할 수 있으며, 데이터 주권을 유지하면서 AI 모델의 일반화 성능 향상을 기대할 수 있습니다. 또한 보안 집계, 모델 성능 모니터링, 감사 로그 관리 등을 통해 금융권의 보안 정책과 내부통제 요구사항에 대응할 수 있는 기반을 제공합니다.
도입 필요성
개인정보보호법, 신용정보법, 유럽 일반개인정보보호법(GDPR) 등 국내외 데이터 보호 규제가 강화되면서 원본 데이터의 외부 반출과 금융회사 간 직접 공유에 많은 제약이 따릅니다.
의심거래, 이상거래, 신종 금융사기 패턴은 발생 빈도가 낮고 유형이 빠르게 변화하기 때문에, 한 금융회사의 데이터만으로는 AI 모델의 탐지 성능과 일반화 성능을 충분히 확보하기 어렵습니다.
금융회사는 자사 데이터에 대한 통제권을 유지하면서도 AI 기반 탐지 모델의 성능을 높여야 하며, 연합학습은 이러한 두 가지 요구에 대응할 수 있는 현실적 대안을 제시합니다.
금융지주 계열사, 업권별 컨소시엄, 감독 대응 목적의 공동 분석 등 다양한 협력 분석 수요가 증가하고 있으나, 데이터 공유 장벽으로 인해 실현이 어려운 경우가 많습니다.
기대효과
원본 데이터를 외부로 이동하지 않고 각 금융회사 내부에서 학습을 수행하므로, 데이터 반출에 따른 보안 및 규제 대응 부담이 감소합니다.
다양한 금융회사의 학습 결과를 통합함으로써 단일 금융회사 데이터만으로는 확보하기 어려운 탐지 패턴과 일반화 성능 향상을 기대할 수 있습니다.
각 금융회사는 원본 데이터의 소유권과 통제권을 유지하면서 협력 학습의 효과를 활용할 수 있습니다.
다양한 금융회사의 학습 결과를 기반으로 의심거래, 이상거래, 자금세탁, 신종 금융사기 패턴에 대한 탐지 역량을 높이는 데 기여합니다.
주요 기능
각 금융회사의 로컬 환경에서 모델을 학습하고, 중앙 서버는 모델 업데이트 정보를 안전하게 집계하여 글로벌 모델을 생성합니다.
- 로컬 모델 학습
- 글로벌 모델 생성
참여 금융회사의 개별 모델 업데이트 정보가 직접 노출되지 않도록 보안 집계 구조를 적용합니다.
- 보안 집계 구조
- 업데이트 정보 보호
금융회사별 데이터 분포와 스키마 차이를 고려하여 다양한 금융 데이터 환경에서 협력 학습이 가능하도록 지원합니다.
- Non-IID 대응 알고리즘
- 이질적 데이터 학습
라운드별 학습 추이, 글로벌 모델 성능, 참여 금융회사별 학습 상태를 시각화하여 모델 운영 현황을 관리할 수 있습니다.
- 금융회사별 기여도
- 학습 성과 시각화
온프레미스, 프라이빗 클라우드, 하이브리드 환경 등 금융회사의 보안 정책에 맞는 다양한 배포 방식을 지원합니다.
- 다양한 배포 방식 지원
- 금융회사 맞춤형 보안 환경
학습 과정, 모델 변경 이력, 집계 결과 등 주요 이력을 감사 가능한 형태로 기록하여 내부통제 및 규제 대응을 지원합니다.
- 데이터 흐름 추적
- 모델 변경 이력 감사
인프라 환경과 일정만 알려주시면, 솔루션 구성과 도입 방식을 함께 정리해 드립니다.