금융 DT 5판 핵심정리 - 디지털금융 기술 (클라우드/인공지능/빅데이터)

1절: 클라우드 컴퓨팅 기술의 이해와 활용

클라우드 컴퓨팅의 정의

• 클라우드 컴퓨팅은 사용자가 자신의 컴퓨터에서 복잡한 작업을 수행하는 대신, 인터넷을 통해 중앙 서버에서 작업을 처리하고 필요할 때마다 이를 이용하는 기술을 의미한다. 예를 들어, 웹 메일(인터넷 메일)은 클라우드 컴퓨팅의 한 형태이다.

주요 제공자

• 주요 클라우드 컴퓨팅 서비스 제공자는 Amazon Web Services (AWS), Microsoft, Google 등이다.

클라우드 서비스 모델

• IaaS (Infrastructure as a Service): 서버, 스토리지 등 기본 인프라를 제공하는 서비스. 예: AWS EC2.
• PaaS (Platform as a Service): 애플리케이션 개발을 위한 플랫폼을 제공하는 서비스. 예: Google App Engine.
• SaaS (Software as a Service): 소프트웨어를 인터넷을 통해 제공하는 서비스. 예: Microsoft Office 365.

클라우드 운영 모델

• 퍼블릭 클라우드 (Public Cloud): 다수의 사용자와 공유하는 공용 클라우드. 예: AWS, Google Cloud.
• 프라이빗 클라우드 (Private Cloud): 한 조직만을 위한 독립 클라우드. 예: 기업 내 자체 클라우드.
• 하이브리드 클라우드 (Hybrid Cloud): 공용 클라우드와 프라이빗 클라우드를 결합한 형태. 예: IBM Hybrid Cloud.
• 커뮤니티 클라우드 (Community Cloud): 특정 커뮤니티나 조직을 위해 구축된 클라우드. 예: 연구 기관 공동 클라우드.
• 멀티 클라우드 (Multi Cloud): 여러 클라우드 서비스를 동시에 사용하는 형태.

클라우드 구현 기술

• 서버 가상화 (Virtualization): 하나의 물리적 서버에서 여러 대의 가상 서버를 운영하는 기술. 예: VMware, Hyper-V.
• 분산 처리 (Distributed Computing): 여러 서버에 작업을 나누어 병렬로 처리하는 기술. 예: Apache Hadoop, Apache Spark.

가상화 기술 유형

• 서버 가상화: 물리적 서버를 가상 서버로 분할하여 운영. 예: VMware vSphere.
• 데스크톱 가상화: 물리적 데스크톱 환경을 가상 환경으로 제공. 예: Citrix XenDesktop.
• 애플리케이션 가상화: 애플리케이션을 가상 환경에서 실행. 예: Docker.

하이퍼바이저(Hypervisor)

• Type 1: 하드웨어 위에서 직접 실행되는 하이퍼바이저. 예: VMware ESXi.
• Type 2: 호스트 운영 체제 위에서 실행되는 하이퍼바이저. 예: Oracle VirtualBox.

컨테이너

• 컨테이너는 애플리케이션과 그 종속성을 함께 묶어 어디서나 일관되게 실행할 수 있게 해주는 가벼운 가상화 기술이다. 하이퍼바이저 가상화는 전체 운영체제를 가상 머신으로 실행하는 반면, 컨테이너는 단일 운영체제 내에서 격리된 애플리케이션을 실행한다.
• Docker: 애플리케이션을 컨테이너로 패키징하여 배포하는 도구.
• Kubernetes: 컨테이너를 관리하고 오케스트레이션하는 도구.
• Docker Swarm: Docker의 컨테이너 오케스트레이션 도구.

클라우드 네이티브 기술

• 클라우드 네이티브는 클라우드 환경에서 최적화된 애플리케이션을 설계, 개발, 배포하는 접근 방식이다. 컨테이너, 마이크로서비스, CI/CD, 데브옵스 등을 활용하며, 확장성, 유연성, 신속한 배포를 중시한다.
• 컨테이너: 애플리케이션을 가볍고 이식 가능한 컨테이너로 실행. 예: Docker.
• 하이브리드 클라우드 플랫폼: 공용 및 프라이빗 클라우드를 결합한 플랫폼. 예: Red Hat OpenShift.
• 데브옵스(DevOps): 소프트웨어 개발과 운영을 통합한 방법론. 예: Jenkins, GitLab CI/CD.

데브옵스(DevOps)

• 소프트웨어 개발(Development)과 운영(Operations)을 통합한 방법론. 주요 개념으로는 지속적 통합(Continuous Integration, CI)과 지속적 배포(Continuous Deployment, CD)가 있다. 예: CI 도구(Jenkins), CD 도구(Spinnaker).

에지 컴퓨팅(Edge Computing)

• 데이터를 중앙 서버가 아닌 로컬 장치나 근처 서버(에지)에서 처리하는 방식. 예: Cisco Edge Computing, AWS Greengrass.

2절: 인공지능 기술의 이해와 활용

인공지능(AI)의 분류

• 강한 인공지능(Strong AI):
  • 스스로 사고하고 진화하며 인간을 뛰어넘는 능력을 가진 인공지능. 기술적, 이론적으로 아직 멀었다. 예: 영화 속 로봇(예: 터미네이터).
• 약한 인공지능(Weak AI, Narrow AI):
  • 특정 목적을 위해 개발된 프로그램. 인간이 미리 심어 놓은 프로그램에 기반. 예: 구글의 알파고, 애플의 시리.

머신 러닝과 딥 러닝

• 머신 러닝:
  • 데이터를 활용해 인공지능을 구현하는 구체적인 접근 방식. 예: Scikit-learn, XGBoost.
• 딥 러닝:
  • 합성곱 신경망(CNN), 심층 신경망(DNN), 순환 신경망(RNN) 등을 이용해 스스로 분석하고 답을 내는 방식. 예: TensorFlow, PyTorch.
  • 신경망 종류:
    • 합성곱 신경망(CNN): 이미지 인식 및 분석에 주로 사용.
    • 심층 신경망(DNN): 여러 층의 뉴런으로 구성되어 복잡한 패턴 인식.
    • 순환 신경망(RNN): 순차적 데이터(예: 텍스트, 음성) 처리에 적합.

알고리즘의 편향과 설명 가능한 인공지능(XAI)

• 편향 문제:
  • 알고리즘에는 인간의 편견이 투영될 수 있어 편향과 불평등을 확산할 수 있음.
• 블랙 박스 문제:
  • 인공지능의 의사결정 이유를 설명할 수 없음. 예: 금융 거래에서의 이상 탐지 시, 이유를 설명하지 못함.
• 설명 가능한 인공지능(XAI):
  • 의사결정 이유를 설명할 수 있도록 하는 기술. 예: LIME, SHAP.

금융권에서의 인공지능 활용

• 챗봇:
  • 고객 응대, 사내 업무 처리(예: 인사 문의, 기술 지원). 예: IBM Watson Assistant.
• 로보 어드바이저:
  • 투자 자문, 포트폴리오 관리. 예: Betterment.
• 신용 평가:
  • 고객의 신용을 평가하고 대출 승인 여부 결정. 예: ZestFinance.
• 리스크 관리:
  • 금융 리스크 분석 및 관리. 예: Kensho.
• 이상 거래 탐지 시스템(FDS):
  • 비정상적인 거래 패턴 탐지. 예: Darktrace.
• 기계 독해(MRC):
  • 문서를 이해하고 질문에 답변하는 기술. 예: Google BERT.

챗봇과 음성 봇

• 챗봇:
  • 고객 응대, 사내 업무 처리. 예: Amazon Lex, Dialogflow.
• 음성 봇:
  • 음성 인식(Speech-to-Text)과 텍스트 변환(Text-to-Speech) 기술 활용. 예: Google Assistant, Amazon Alexa.
  • 음성 인식 기술:
    • 텍스트 변환의 정확도와 자연스러움이 중요. 사용자의 요구를 정확히 파악하고 반응하는 능력.

3절: 빅 데이터 기술의 이해와 활용

빅 데이터의 정의

• 기존 데이터보다 방대한 정형 및 비정형 데이터.
• 기존의 방법이나 도구로 수집, 저장, 분석 등이 어려운 데이터.
• 예: SNS 데이터, IoT 데이터.

빅 데이터의 속성

• 3V: 크기(Volume), 속도(Velocity), 다양성(Variety).
• 추가 속성: 정확성(Veracity), 가치(Value), 시각화(Visualization).

데이터의 정형화 정도에 따른 분류

• 정형 데이터:
  • 고정된 필드에 저장 가능한 데이터.
  • 예: 엑셀 파일, SQL 데이터베이스.
• 반정형 데이터:
  • 인터넷 문서에 포함된 형태의 데이터.
  • 예: HTML 텍스트, XML, JSON.
• 비정형 데이터:
  • 고정된 형식이 없는 데이터.
  • 예: 페이스북 게시물, 유튜브 동영상, 이미지 파일.

빅 데이터 분석 및 활용 기술

• 저장 기술:
  • 하둡, NoSQL.
  • 예: HDFS, Cassandra.
• 분석 기술:
  • 데이터 마이닝, 기계 학습, 자연어 처리, 패턴 인식.
  • 예: RapidMiner, Apache Spark MLlib.
• 표현 기술:
  • R 언어, Python.
  • 예: ggplot2, matplotlib.

빅 데이터의 목적

• 다양한 종류의 많은 양의 데이터 속에서 숨겨진 패턴이나 유용한 정보를 발견하는 것.
• 데이터 생성, 수집, 저장, 처리, 분석, 시각화의 과정.

금융권에서의 빅 데이터 활용

• 대출 심사 기간 단축:
  • 데이터 분석을 통해 대출 심사 기간을 단축.
  • 예: ZestFinance.
• 인력 관리 효율화:
  • 인력 배치 및 운영 최적화.
  • 예: Workday.
• 사이버 사건 사전 탐지:
  • 비정상적인 활동을 사전에 탐지.
  • 예: Darktrace.
• 자금 세탁 방지:
  • 비정상적인 거래를 분석하여 자금 세탁 방지.
  • 예: SAS AML.
• 상품 설계와 마케팅 기획:
  • 고객 데이터를 분석하여 맞춤형 상품과 마케팅 전략 수립.
  • 예: Adobe Marketing Cloud.
• 리스크 관리:
  • 금융 리스크 분석 및 관리.
  • 예: Palantir.

빅 데이터 부수 업무

• 2020년 2월부터 은행, 보험, 금융 투자 회사, 8월부터 신용 평가사 등이 빅 데이터 부수 업무 수행 가능.
• 예: 고객의 개인 신용 정보를 빅 데이터로 변환해 상권 분석, 마케팅 전략 자문 서비스 제공 및 데이터 셋 판매.

데이터 3법 개정

• 개인을 식별할 수 없는 정보(비식별 개인 정보)를 상업적으로 이용할 수 있는 법적 근거 마련.

금융 위원회의 빅 데이터 인프라 구축

• 신용 정보원, 금융 결제원 등과 함께 데이터 개방 유통, 결합을 위한 금융 분야 빅 데이터 인프라 구축을 단계적으로 추진.