생성형 AI 어떻게 상세한 위험 평가를 생성할 수 있는지, MongoDB 하여 포괄적인 대출 위험 분석을 가능하게 하는 방법을 알아보세요.
산업: 금융 서비스
제품 및 도구: MongoDB Atlas, 지리 공간적 데이터
파트너: Google Maps API, Fireworks.ai
솔루션 개요
기업 대출은 은행 운영에 중요하며 금융 기관과 경제에 상당한 혜택을 제공합니다. 예시 를 들어,2023 에 미국의 상업 및 산업 대출 가치는 거의 $2.8 조에 달했습니다. 대출에는 사업 계획이 포함되며, 이 계획은 차용인의 계획과 재무 계획을 자세히 설명하고 대출 기관이 비즈니스 목표와 수익성을 평가하는 데 도움이 됩니다. 그러나 시간 제약과 자료의 복잡성으로 인해 대출 담당자는 차용인의 크레딧 정보를 읽는 것이 어렵습니다. 또한 대출 자체는 차용인이 채무를 이행하지 않거나 경기 침체가 차용인의 대출상환 기능 영향 경우 크레딧 에 위험을 초래합니다.
이 솔루션은 MongoDB 와 생성형 AI (Gen AI)를 사용하여 비즈니스 계획을 분석 하고 비즈니스 대출에 대한 자세한 위험 평가를 생성합니다. MongoDB 사용하여 특정 위험 평가에 대해 쿼리 할 수 있는 AI 챗봇을 강화하는 데 사용되는 상황별 데이터를 저장 .
생성형 인공지능 기반 챗봇을 활용한 인터랙티브 위험 분석
1 아래 그림 은 비즈니스 대출의 위험을 평가하기 위해 채팅GPT- o가 어떻게 응답하는지 보여주는 예시 입니다.4 대출 목적과 사업 설명을 입력하는 것은 간단하지만, 생성형 AI 자세한 분석을 제공합니다.
그림 1. ChatGPT 예시-4.0의 예 비즈니스 대출 위험 평가에 대한 응답
생성형 AI 위험 평가에 적용하면 대출 기관은 생성형 AI 평가할 수 있는 추가 위험 요소(예: 자연 재해 위험 또는 광범위한 기후 위험)를 탐색할 수 있습니다. 그림 2에서 사용자는 이전 질문에홍수 위험을 요인으로 추가합니다.
그림 2. ChatGPT 예시-4.0의 예 홍수 위험을 요인으로 고려한 대응
대응에 따르면 범람 위험은 낮습니다. 그러나 FEMA홍수지도와 지역홍수 이력을 검토할 것을 제안했는데, 이는 최신 정보가 없을 수 있음을 나타냅니다. 정보의 유효성을 검사하려면 플러드 데이터에 대한 지식에 중점을 둔 동일한 질문을 다른 방식으로 표현한 동일한 질문을 채팅GPT-4할 수 있습니다. 이 질문 및 응답의 예시 는 그림 3 를 참조하세요.
그림 3. 위치별 홍수 관련 질문의 예시
표시된 쿼리 에서 이제 채팅GPT-4o는 이전에 수행하지 않았던 4개 사이트에 걸쳐 인터넷 검색 수행한 후 근처에 '심각한 플러딩'이 발생했음을 나타내고 증거에 대한 참조를 제공합니다.
채팅GPT-4o에 관련 데이터가 없으면 잘못된 주장 또는 환각을 갖기 시작합니다(예: 정보 부족으로 인해 처음 두 쿼리에서 범람 위험이 낮다고 표시됨). 그러나 추가 데이터 소스를 인식하고 지능적으로 검색하여 지식 격차를 메울 수도 있습니다.
MongoDB의 MAAP 제휴하다 Fireworks가 호스팅하는 Llama 3 에서도 유사한 테스트가 수행되었습니다. AI. 이 실험에서는 Llama 3의 플러드 데이터에 대한 지식을 테스트한 결과, 채팅GPT-4o와 유사한 지식 격차를 보였습니다. 그러나 Llama 3 는 오해의 소지가 있는 답변을 제공하는 대신 환각적인 fload 데이터 목록을 제공했지만 "이 데이터는 가상의 것이며 데모 목적으로만 사용됩니다 "라고 강조했습니다.
그림 4. 가상의 홍수 위치에 대한 LLM 응답
검색 증강 생성(RAG) 위험 분석
AI 세대는 비즈니스 대출 분석을 보강할 수 있지만, 챗봇과 상호 작용하려면 대출 담당자가 반복적으로 봇에 메시지를 보내고 관련 정보로 질문을 보강해야 합니다. 이는 신속한 엔지니어링 기술이나 필요한 데이터가 부족하기 때문에 시간이 많이 걸리고 비실용적일 수 있습니다.
이 솔루션은 Gen AI 사용하여 위험 분석 프로세스 보강하고 LLM의 지식 격차를 해소합니다. MongoDB 사용하여 데이터를 저장 하고 지리 공간적 쿼리 를 사용하여 제안된 비즈니스 위치 에서 5km 이내의 플러드를 발견합니다.
이 데모에서는 사업체 위치, 사업 목적 및 사업 계획에 대한 설명을 선택합니다. 또한 간단한 비즈니스 설명을 생성할 수 있는 '예제' 버튼도 포함되어 있습니다.
그림 5. 대출 리스크 평가 시연을 위한 사용자 입력
입력 사항을 제출 하면 데모에서 RAG를 사용한 위험 분석을 제공합니다. 프롬프트 엔지니어링을 사용하여 외부 홍수 데이터 소스에서 다운로드한 위치 와 홍수 위험을 고려하면서 비즈니스에 대한 간소화된 분석을 제공합니다.
그림 6. RAG 아키텍처를 사용한 대출 위험 대응
데모에서 '고정' 아이콘을 클릭하면 모든 샘플 플러드 위치를 표시할 수 있습니다. 이미지에서 지리적 위치 핀은 홍수 위치 나타내고 파란색 원은 홍수 데이터가 쿼리되는 반경 5km를 나타냅니다.
그림 7. 데모에 표시된 홍수 위치
참조 아키텍처
다음 다이어그램은 이 솔루션의 아키텍처에 대한 개요를 제공합니다.
그림 8. RAG 데이터 흐름 아키텍처 다이어그램
개발자는 MongoDB 를 통해 네트워크 그래프, Time Series 컬렉션, 벡터 검색 등의 기능을 활용하여 RAG 프로세스 개선할 수 있습니다. 결과적으로 이는 지리 공간적 데이터를 사용하여 홍수 위험 위치를 식별하는 등 Gen AI 에이전트 의 컨텍스트를 향상시켜 환각을 줄입니다.
RAG 프로세스 의 반복적인 특성으로 인해 모델이 새로운 데이터와 피드백 통해 지속적으로 학습 하고 개선할 수 있으므로 결과적으로 위험 평가의 정확성이 높아지고 환각이 줄어듭니다.
데이터 모델 접근 방식
아래 코드 스니펫은 지리 공간적 쿼리 의 예시 입니다. 이 예시 에서는 $geoNear 집계 단계를 사용하여 사용자가 경도 및 위도로 지정된 점 의 지정된 거리 내에 있는 모든 위치를 가져올 수 있습니다. 집계 파이프라인 사용하면 $ 프로젝트 사용하여 특정 필드를 선택하거나 $match를사용하여 특정 조건에 따라 필터링하는 등 다른 데이터 처리 작업을 포함할 수 있습니다.
이 데모에 사용된 데이터는 여러 소스가 포함된 미국 홍수 데이터베이스에서 가져온 것이며, 2020 을(를) 최신 데이터 세트로 사용합니다.
pipeline = [ {"$geoNear": {"near": {"type": "Point", "coordinates": [longitude, latitude]}, "distanceField": "DISTANCE", "spherical": True, "maxDistance": radius * 1000}}, {"$project": {"year": 1, "COORD": 1, "DISTANCE": 1}}, {"$match": {"year": {"$gte": 2016}}} ]
솔루션 빌드
이 솔루션을 빌드하기 위한 MongoDB 의 모든 기능을 시연하는 코드는 다음 Github 리포지토리에서 확인할 수 있습니다.
작성자
Wei You Pan, MongoDB 금융 산업 솔루션 글로벌 디렉터