생성형 인공지능을 활용한 신용카드 신청

데이터 캡처 및 처리 간소화

크레딧 상품을 신청하는 것은 다음과 같은 이유로 어려운 프로세스 인 경우가 많습니다.

1. 신청 프로세스 복잡성: 크레딧 카드 애플리케이션 프로세스 시간이 많이 걸리는 여러 단계가 포함됩니다.

   • 카드 선택: 먼저, 필요에 맞는 크레딧 카드를 선택합니다. 다양한 카드를 조사하고, 기능을 비교하고, 이용 약관을 이해합니다.

   • 자격 확인: 다음으로 은행에서 설정하다 자격 기준을 충족하는지 확인합니다. 이러한 기준은 일반적으로 크레딧 등급, 연령, 수입, 부채 등의 요인을 고려합니다.

   • 문서 제출: 신원 증명서(예: 사회 보안 ID, 여권 및/또는 운전 면허증), 주소 증명서(임대 계약서, 공공요금 청구서) 및 수입 증명서(은행 거래 내역서, 급여명세서, 양식 16)와 같은 문서를 제공합니다.

   • 신청 양식: 크레딧 카드 애플리케이션 양식을 작성합니다. 은행 웹사이트 나 인터넷 뱅킹을 통해 온라인 하거나 지점을 방문하면 됩니다. 디지털 프로세스가 보편화되고 있지만 일부 은행에서는 물리적 문서를 요구합니다.

   • 검증 및 참고자료: 은행은 문서의 진위 여부를 확인하고 제공된 정보를 교차 검증합니다. 이 단계에는 AI/머신 러닝 알고리즘을 사용해 연체 가능성을 계산하는 작업도 포함됩니다.

2. 중복 정보 수집: 은행은 다음과 같은 중복 데이터를 수집하는 경우가 많습니다.

   • KYC 세부 정보: KYC(Know Your Customer) 정보를 이미 보유하고 있음에도 불구하고 반복적으로 제출을 요구합니다.

   • 소득 확인: 급여, 은행 거래 내역, 공과금 및 임대료 납부 내역, 모바일 결제 내역, 쇼핑 지출 내역과 같은 정보를 보유하고 있더라도, 은행에서는 이러한 세부 사항을 확인하기 위한 추가 증빙 자료를 요청할 수 있습니다.

중복 요청을 제거하고 기존 데이터를 활용하여 이 프로세스를 간소화하면 사용자 경험을 개선할 수 있습니다.

이러한 애플리케이션 양식은 자동차 대출, 주택 담보 대출, 주식 거래와 같은 다른 크레딧 상품에 비해 복잡성이 증가합니다. 애플리케이션 양식에는 입력해야 하는 표 형식 및 계층적 정보가 있을 수 있습니다. MongoDB의 유연한 개발자 데이터 플랫폼은 기본적으로 JSON 데이터를 지원하며 문서가 동일한 스키마 가질 필요가 없으므로 다양한 유형의 데이터를 처리하다 기능 향상됩니다.

온라인 신용 신청서에 JSON을 사용하면 데이터 캡처 프로세스를 간소화하고 애플리케이션 성능을 향상할 수 있습니다. JSON은 구조화된 데이터 표현 방식을 제공하므로 다양한 세부 정보를 체계적으로 구성하여 저장할 수 있습니다. 유연한 데이터 모델은 신용카드 신청 요건의 동적 특성에 적합하며, 데이터의 성격이 정확히 일치하지 않더라도 관련 데이터를 함께 저장할 수 있습니다. JSON은 많은 개발자들이 이해하고 있으므로 협업이 가능하고, 데이터를 한눈에 손쉽게 파악할 수 있습니다.

MongoDB JSON 과 유사한 BSON 형식을 네이티브 으로 지원 때문에 크레딧 애플리케이션에서 JSON 문서를 잘 처리합니다.

AI를 활용한 신용 평가 개선

MongoDB의 개발자 데이터 플랫폼인Atlas 활용하여 관련 데이터 포인트를 결합하여 포괄적인 사용자 뱅킹 프로필을 생성할 수 있습니다.

다음은 연체 가능성과 신용 점수를 예측하기 위한 데이터 처리 파이프라인의 아키텍처 다이어그램입니다.

클릭하여 확대

그림 1. 신용 평가를 위한 데이터 처리 파이프라인 다이어그램

고객 신용 평가를 위한 데이터 파이프라인은 다음 단계로 구성됩니다.

1. 데이터 수집: 우선, 이 단계에서는 신용 정보 기관, 오픈 뱅킹, 사기 탐지 시스템 및 기타 관련 출처의 데이터를 수집합니다.

2. 데이터 처리: Spark Streaming Connector와 같은 도구로 수집한 데이터를 처리하여 고객 재무 프로필에 대해 통합된 뷰를 생성하고, 동일한 데이터를 MongoDB Atlas에 단일 뷰로 저장합니다.

3. 위험 프로필 생성: 이 통합된 뷰에서 위험 프로필이나 제품 제안이 생성됩니다. 여기에는 통계적 방법을 사용하여 설명 분석을 수행하고 인공지능(AI) 또는 머신 러닝(ML) 기술을 사용하여 데이터의 패턴을 식별하여 위험에 대한 성향 점수를 매기는 것이 포함됩니다.

4. 모델 개발: 크레딧 점수 및 의사 결정에 다양한 머신 러닝 알고리즘을 사용할 수 있습니다. 로지스틱 회귀, 의사 결정 트리, 지원 벡터 머신 및 신경망을 고려하세요.

   이 튜토리얼에서는 예측 성능을 위해 일반적으로 사용되는 머신 러닝 알고리즘 XGBoost(Ex스트림 그라데이션 부스트 트리) 모델을 사용합니다. 이 알고리즘 함수 근사에 기반한 지도 학습 방법입니다. 알고리즘 에는 다음과 같은 기능이 있습니다.

   • 특정 손실 함수를 최적화합니다.

   • 여러 정규화 기법을 적용합니다.

   • 고차원 데이터를 처리합니다.

   • 복잡한 패턴을 포착하여 분류 및 회귀 작업을 진행합니다.

   이 모델은 예측 결과를 뒷받침하는 추론 결과를 제공하여 결과를 설명하는 데 도움을 줍니다.

5. 데이터 변환: 위험 프로필 점수를 매기기 전에 Spark(또는 유사한 managed 분석 프레임워크)를 사용하여 원시 사용자 데이터를 변환합니다. 여러 소스에서 데이터를 수집하여 구체화된 단일 뷰를 생성합니다. 이 뷰는 MongoDB Atlas 컬렉션에서 직접 파생된 것으로, 모델 개발 및 다양한 기술적 분석 작업에 사용할 수 있습니다. 이 단계에 모델 추론이 포함될 수도 있습니다.

6. 의사결정 컬렉션: 최종 변환된 데이터가 의사결정 컬렉션에 입력됩니다. 이는 은행 및 금융 기관이 재무 의사결정 및 감사 업무를 지원하는 데 도움이 됩니다.

고객의 신용도를 정확히 평가하여 정보에 입각한 대출 결정을 내리고 금융 상품을 추천하는 것이 목표입니다. 파이프라인은 조직에서 유지 관리 중인 기존 위험 점수 파이프라인을 나타냅니다.

신용 신청 거절 사유 설명

신용 신청 거절 사유를 이해하는 것은 신청 절차에 반드시 필요한 부분입니다. MongoDB와 대규모 언어 모델(LLM)로 XGBoost 모델 예측(이 튜토리얼에서 사용한 모델)을 설명하는 방법을 알아보세요.

다음은 LLM을 활용한 신용 평가 체계를 설명하는 아키텍처 다이어그램입니다.

클릭하여 확대

그림 2. LLM을 사용한 신용 평가 아키텍처 다이어그램

사용된 위험 프로파일링 머신 러닝 파이프라인은 제품 추천을 위한 프로파일과 관련된 위험을 정의하는 확률 점수를 제공합니다. 이 메시지는 표준화된 방식으로 최종 사용자에게 다시 전달되며, 신청 절차의 최종 상태 정보만 제공됩니다. 제안된 LLM 기반 아키텍처에서는 프롬프트 엔지니어링을 활용하여 최종 고객에게 최종 승인된 상품 상태의 사유를 타당한 이유와 함께 설명할 수 있습니다.

여기에서 코드와 예시 응답을 찾을 수 있습니다. 유사한 메시지를 생성하는 코드는 Python을 사용하여 Jupyter 노트북에서 수행할 수 있습니다. MongoDB Atlas를 설정하고 연결 문자열을 가져오는 방법에 대한 세부 정보는 이 링크에서 확인할 수 있습니다.

아래는 거부 사유 설명의 예시입니다.

클릭하여 확대

그림 3. 거부 사유 설명의 예시

고객에게 전달되는 이 메시지는 설명 가능한 AI의 한 형태로, 위험 프로파일링을 수행하는 모델에서 사용된 특징의 순위를 매겨 LLM에 제공되는 사용자 지정 프롬프트의 일부로 활용합니다. 이는 위에서 설명한 것처럼 최종 고객이 자신의 사용자 프로필을 설명할 수 있도록 보다 구체적인 사유를 생성하는 데 도움이 됩니다. 또한 LLM은 구체적 사유 목록을 요약해 간결한 개요를 제공할 수 있습니다.

이 데모에서는 신용 신청에 대한 평가에 두 가지 접근 방식을 사용합니다. 신용 신청 상태는 이전 섹션에서 설명한 것처럼 20개 이상의 신용 관련 특징을 활용한 머신 러닝 접근 방식을 통해 결정됩니다. 다음은 중요도가 높은 상위 15개 특징 중 일부입니다.

클릭하여 확대

그림 4. 기능 중요도 차트

이 데모에서 사용된 기능의 자세한 내용은 신용 점수 GitHub 리포지토리의 소스 코드를 참조하세요.

머신러닝과 기존 크레딧 점수 산정 방식의 차이점을 설명하기 위해, 일반적인 기존 크레딧 점수 방식이 어떻게 동일한 크레딧 애플리케이션 점수를 매길 수 있지만 일반적으로 소수의 차원만 사용하는지 생각해 보세요. 이 데모에서는 주요 크레딧 점수 제공업체에서 일반적으로 사용하는 몇 가지 기능을 사용합니다.

• 신청자의 상환 기록

• 신용 사용률

• 신용 이력

• 미결제 금액 및 신용 조회 건수

대체 신용 상품 추천

신용 기관은 이미 프로세스 및 신청 포털에 참여 중인 고객의 요구에 부합하는 관련 상품을 적절하게 교차 판매하는 것이 바람직합니다.

금융 기관은 새로운 추천에 대한 이론적 근거에 대한 인간 친화적인 설명을 제공하는 제품 추천 시스템을 구현 수 있으며, 이는 현재의 레거시 시스템에서는 제공하지 않는 새로운 수익 기회를 제공합니다. 근거를 제공하면 고객과 개인화된 관계 구축하고 추천 제품의 수용도를 높일 수 있습니다. 다음은 이를 달성하는 데 사용되는 데이터 아키텍처의 예시 입니다.

클릭하여 확대

그림 5. 추천 시스템 아키텍처

Atlas Vector Search 모든 유형의 데이터에 대해 시맨틱 검색 및 생성 AI 수행할 수 있는 기능 입니다. MongoDB 네이티브 인터페이스를 갖춘 완전 managed 통합 플랫폼에서 운영 데이터베이스 와 벡터 검색 통합합니다. 머신 러닝 모델을 사용하여 벡터 임베딩을 생성한 다음 RAG(검색 강화 생성), 시맨틱 검색, 추천 엔진, 동적 개인화 및 기타 사용 사례를 위해 MongoDB Atlas 에 저장 하고 인덱스 할 수 있습니다.

RAG는 입력 쿼리에 기반해 관련 문서를 조회하기 위해 벡터 검색을 사용하는 패러다임입니다. 그런 다음 조회된 문서를 LLM에 컨텍스트로 제공하여 보다 정확하고 정보에 입각한 응답을 생성하는 데 도움을 줍니다.

위 튜토리얼에서는 신용카드 제품 추천 사용 사례의 해결에 사용 가능한 기술을 언급하고 있습니다. 해당 프로세스의 단계는 다음과 같습니다.

1. 개인 데이터 로드: 각 신용카드 상품은 서로 다른 혜택을 제공합니다. 이들 상품은 가끔 변경되며, 영화 티켓이나 컨시어지 서비스와 같은 다양한 라이프스타일 혜택의 수수료도 변경됩니다. 상품 데이터를 MongoDB에 운영 데이터 저장소(ODS) 로 저장하면 변경 사항을 관리하는 동시에 벡터 인덱스를 함께 빌드할 수 있습니다.

   • 대량 데이터 포인트는 필요에 따라 적절히 업데이트, 삭제, 삽입 또는 교체할 수 있습니다.

   • 신용 카드 상품 설명이 매우 길기 때문에, 이를 더 작은 청크로 분할하면 관련 정보를 효율적으로 조회하는 데 도움이 됩니다.

   • LLM을 활용하여 제품 설명을 모든 주요 제품 기능과 비용을 포함하는 요약으로 간결하게 만들 수 있습니다. 이 변경 사항을 통해 관련 제품을 신속하게 조회하고 추천할 수 있습니다.

2. LLM 기반 추천: 이 사용 사례에서 LLM은 추천 시스템으로 사용되며, 이전 단계에서 생성된 사용자 프로필을 입력으로 하여 MongoDB Atlas에 저장된 제품 벡터와의 의미적 유사성을 수행하기 위한 서브 쿼리를 생성하는 데 사용됩니다.

3. 개인화된 메시지를 통한 제품 추천: 추천된 제품은 LLM에 대한 사용자 지정 프롬프트에서 사용되어 최종 사용자를 위한 관련 제품 추천 요약을 생성합니다.

   • 이를 통해 금융 기관은 추천을 개인화하고 최종 고객에게 적합한 제안을 제공함으로써 전환율을 높일 수 있습니다.

   • 상품 추천은 고객 참여를 높이고 사용자 경험을 개선하여 제공되는 상품의 '추천 가능성' 점수를 향상시킵니다.

여기에서 대체 제품 권장 사항의 코드와 예제를 찾을 수 있습니다. 다음은 몇 가지 예입니다. Jupyter 노트북에서 Python 사용하여 제품 추천을 생성하고 제품 추천 설명을 사용자 지정하는 코드를 만들 수 있습니다.

클릭하여 확대

그림 6. 승인된 애플리케이션 예시