[금융·증권 AI] 신한카드 24시간 상담 챗봇 '파니' 운영

# 인공지능(AI)은 금융·자본시장에도 이미 깊숙히 침투해 있다. 은행, 보험사, 카드사는 물론이고 증권사와 자산운용사 등 모든 금융회사들이 더 나은 금융서비스와 투자 환경을 제공하기 위해 AI를 활용 중이다. 디지털금융에 대한 수요도 늘고 있다. 글로벌 컨설팅 전문업체인 맥킨지&컴퍼니가 발간한 '2019년 글로벌 뱅킹 연례 보고서'를 보면, 지난해 전세계 디지털뱅킹 사용률은 5년 전에 비해 평균 13%포인트 증가했다.

핀테크 및 IT 기업의 경우 개인 예금·송금, 투자관리 등을 집중 겨냥하면서 글로벌 뱅킹 수익의 45%를 차지한 것으로 집계됐다. 반면 전통적인 은행 고객은 계속 줄어드는 추세다. 보고서는 "투자심리 악화, 성장세 둔화 등으로 뱅킹 산업은 업황 사이클의 후반기에 접어들고 있다"며 "혁신을 이루지 못한다면 전세계 은행의 3분의 1이 다음 사이클 전에 소멸할 것"이라고 진단했다. 이어 "AI 기반으로 리스크 관리를 강화하고 아웃소싱을 통한 비용 절감, 성장동력 창출을 위한 고객 기반 파악 등으로 대응해야 한다"고 조언했다.

자산운용 분야에서도 AI, 특히 머신러닝 기술이 자산가격 예측을 위해 많이 활용되고 있다. 또 저렴한 비용으로 개인에게 맞춤형 포트폴리오를 구축해주는 로보어드바이저도 대중화됐다. 권민경 자본시장연구원 연구위원은 "AI 도입은 향후 자산운용 서비스의 고도화 및 대중화를 진전시킬 것"이라며 "금융회사들은 AI 전반에 대한 이해도를 높이고 각각의 기술들이 어떤 영역에서 가장 잘 작동할 수 있을지 주의 깊게 살펴야 할 것"이라고 밝혔다.

그는 "정책 당국은 신기술 등장에 따른 변화 방향을 읽고, 기술 도입 과정에 있어 기존 제도와 규제가 걸림돌로 작용하기 않도록 정비해야 한다"며 "금융소비자들은 막연한 기대감으로 AI 상품을 맹신할 게 아니라, AI가 정말로 해당 서비스에 유용하게 쓰일지 판단해 옥석을 가려야 한다"고 덧붙였다. 이처럼 AI는 금융·자본시장을 이끄는 핵심 요소로 자리잡았다. 이에 30일 데일리동방은 '금융 AI시대 열렸다'를 주제로 주요 금융회사들의 AI 서비스 등에 대해 살펴봤다.

신한카드는 인공지능을 챗봇, 부정거래적발, 신용평가 분야에 도입하고 있다. 카드 프로세스에 적용하기 위한 연구 개발에도 박차를 가하고 있다.

신한카드는 고객이 시간과 장소에 구애 없이 기본적인 상담과 카드 추천 서비스 등을 이용할 수 있도록 챗봇 파니(FANi) 서비스를 지난해 10월부터 운영하고 있다. 이 서비스는 인공지능 기술인 자연어 이해 등 대화형 챗봇의 핵심 기술을 적용해 일상언어로 질문을 던질 수 있는 게 장점이다.

사람과 대화하듯 챗봇에게 질문하고 대답을 얻을 수 있다. 고객이 챗봇 사용에 대한 새로운 사용법을 익히지 않아도 된다는 점에서 고객에게 한 발 더 다가간 방식으로 평가된다.

또 청구, 입금, 한도, 할부 및 리볼빙, 이자, 연체 등 고객이 가장 많이 질문하는 영역을 6개로 정리해 서비스를 구성했다. 특히 결제 예정 금액 등 핵심적인 질문에 대해 개인화 답변을 제시함으로써 고객 개개인의 니즈에 걸맞은 서비스를 제공한다.

아울러 신한카드는 알파고 바둑대결로 유명해진 AI 딥러닝 방식을 도입한 FDS를 개발하고, 서울대 연구진 등과 공동으로 시스템 구축에 나섰다. 딥러닝은 FDS에서 데이터를 바탕으로 시스템이 자동으로 이상징후를 포착해 부정거래를 스스로 잡아내는 게 특징이다.

해외카드 부정거래를 적극적으로 대응하기 위해서다. 과거 부정 거래 데이터로 신종 사기거래 징후를 미리 포착해 피해를 막는 게 고객입장에서 더 시급하다는 결론에서 서울대 전문 연구진과 힘을 합쳤다.

또 신한카드는 나이스평가정보와 공동으로 개발해 머신러닝 기법을 적용한 신용평가시스템을 도입했다. 이는 중금리 특화 신용평가시스템으로, 신용도 판단이 어려운 사회 초년생 또는 중금리 대출을 주로 이용하는 고객들을 대상으로 한다.

아울러 동일한 신용도를 지닌 고객이라도 차별적 심사 전략을 적용받는다. 특히 비금융 데이터 등 특화 항목을 적극 발굴해 금융거래정보가 충분치 않은 고객을 우대하는 다양한 요소들이 반영됐다. 카드 포인트 적립 패턴, 승인패턴 등 180여개 항목을 반영해 머신러닝 모형 변별력을 극대화했다.