1. 서론: 개인정보 보호의 딜레마를 해결하는 AI의 창의력
금융 기업들은 방대한 고객 거래 데이터를 보유하고 있지만, 엄격한 개인정보 보호 규정 때문에 이를 AI 연구에 활용하기가 쉽지 않습니다. 이 까다로운 문제를 해결하기 위해 미국 캐피털원과 메릴랜드대학교 연구팀이 획기적인 방법을 제시했습니다. 바로 실제 고객 정보를 단 하나도 사용하지 않고, 대규모 언어모델(Large Language Model)을 이용해 ‘진짜 같은’ 가짜 신용카드 거래 데이터를 대량 생성하는 것입니다. 이번 글에서는 AI가 어떻게 나이, 직업, 취미와 같은 기본 정보만으로 2년 치의 상세한 카드 소비 내역을 만들어내는지, 그 기술과 의의를 쉽게 풀어보겠습니다.
2. 본문: 창의적인 AI와 꼼꼼한 감시 프로그램의 완벽한 조화
연구팀이 개발한 ‘퍼스널레저(PersonalLedger)’ 시스템의 핵심은 AI의 상상력과 프로그램의 엄격함을 결합한 것입니다. 먼저, 가상 인물의 나이, 직업, 취미 등 20가지 프로필 정보를 입력하면, 라마 3.3 70B 모델은 ‘이런 사람이라면 평소 무엇을 살까?’를 추론하여 거래 내역을 창조합니다. 예를 들어, 골프와 역사를 좋아하는 은퇴 관리자에게는 골프장 회원비나 역사 채널 구독료 결제 건을 생성하는 식입니다. 그러나 AI만으로는 치명적 문제가 발생합니다. 며칠만 지나도 잔액 계산이 틀어지거나 구독 서비스 갱신이 누락되는 등 회계가 엉망이 되는 것이죠. 이를 해결하기 위해 연구팀은 매 거래를 실시간으로 검사하는 ‘감시 프로그램’을 추가했습니다. 이 프로그램은 수입과 지출의 균형, 신용 한도 준수, 정기 결제 갱신 등 금융의 기본 규칙을 철저히 점검합니다. AI가 제안한 거래에 오류가 있으면 수정을 요청하고, AI는 이를 반영해 다시 제안하는 피드백 루프를 통해 정확하면서도 다양성 있는 데이터를 완성합니다. 이렇게 생성된 23,000명의 2년 치 데이터(총 3천만 건)를 분석해보니, 교육 수준이 높을수록, 자동차가 있을수록 지출이 많고, 중년에 가장 활발하게 소비하는 등 실제 통계와 놀라울 정도로 일치하는 현실적인 패턴을 보였습니다.
3. 결론: 현실적인 데이터의 탄생과 미래 금융 AI의 발전 가능성
이렇게 만들어진 가짜 데이터는 단순한 실험이 아닙니다. 연구팀은 이 데이터를 활용해 ‘고객이 곧 돈이 부족해질지 예측’하고 ‘신용카드 도용 거래를 탐지’하는 AI 모델을 테스트했습니다. 특히 돈 부족 예측 과제에서는 최신 AI 모델들이 뛰어난 성능을 보였지만, 도용 탐지는 여전히 어려운 과제로 남았습니다. 이는 범죄자들의 거래가 일반인의 일상 소비와 너무 유사하게 위장되기 때문입니다. 이 시스템의 가장 큰 장점은 진화 가능성에 있습니다. 감시 프로그램의 규칙을 변경하면 경제 위기, 물가 상승, 명절 효과 등 다양한 시나리오를 반영한 데이터를 생성할 수 있고, AI 모델이 발전하더라도 계속해서 새로운 도전 과제를 제공할 수 있습니다. 이 기술은 실제 민감한 데이터에 의존하지 않고도 금융 사기 탐지, 신용 평가, 고객 서비스 최적화를 위한 AI 모델을 개발·평가할 수 있는 길을 열어, 금융 산업의 AI 연구와 혁신을 가속화할 것으로 기대됩니다.
