1회. 도입 목적과 범위, AML Compliance Analytics Maturity Model
자금세탁 방지 의무가 있는 대부분의 금융 기관과 기업은 자금세탁 방지와 관련된 컴플라이언스 업무 수행을 위해 막대한 인력, 시간, 비용, 노력을 투자하고 있습니다.
자금 세탁 방지 컴플라이언스는 FATF가 설립된 1989년 이후 자금세탁 방지(AML;Anti-Money Laundering), 테러자금조달 방지(CFT; Countering the Financing of Terrorism), 대량살상무기 확산자금조달 금지(CPF; Counter Proliferation financing)로 계속 확산일로에 있어 금융기관의 경우 자금세탁 방지 의무를 준수하기 위한 리소스 관리에 더욱 관심을 기울일 수 밖에 없습니다.
하지만, 금융 산업이 고도화되고, 새로운 형태의 “Money”가 속출하는 상황에서 금융기관은 더욱 많은 자금세탁 유형(Typology)이 발견되고, 고도화되고 밀도 높은 모니터링 체계를 구성하고 있습니다.
고도화되고 밀도 높은 모니터링 체계를 구성하게 되면 더욱 많은 자금세탁 리소스가 투여될 수 밖에 없는 상황에서 이를 타개할 수 있는 다양한 방법들이 모색되고 있습니다.
SAS와 ACAMS가 진행한 설문조사(주석 URL)에 따르면 금융기관은 이러한 위기를 타개하기 위해 인공지능(AI) 및 머신러닝(ML)을 도입을 서두르고 있고, 57%의 설문 응답 기관이 AI/ML을 이미 도입했거나 2-3년 내에 도입 완료할 예정으로 응답하고 있습니다. 본 고에서는 2-3회에 걸쳐 금융기관이 AML을 위한 AI/ML 도입 목적과 적용 방안을 살펴봅니다.
AML을 위한 AI/ML 도입 목적
SAS와 ACAMS의 설문조사에 따르면 “기존 감시 시스템의 오탐 감소” 및 “조사 / 고객 확인을 위한 데이터 보강 자동화”, “고급 모델링 기술로 새로운 위험 탐지” 등의 도입 목적에 의해 AI/ML을 도입한다고 금융기관들은 밝히고 있습니다.
설문조사 결과를 바탕으로 그 원인을 살펴보면, 가장 높은 우선순위인 “조사/고객 확인을 위한 데이터 보강 자동화”의 경우 현재 KYC 단계의 CDD, EDD를 수행하면서 그리고 경보에 대한 조사 분석을 수행하면서 금융기관이 얼마나 많은 리소스를 단순 정보 취합 및 외부 정보 조회에 활용되는지를 알 수 있습니다. 이를 위해 최근 금융 기관은 RPA 등을 활용한 데이터 보강 자동화에 많은 노력을 기울이고 있습니다. 국내 대형 은행의 경우에도 법인 정보 수집 등의 자동화를 위해 RPA를 도입하고 있는 기관이 늘어나고 있습니다.
금융 기관 입장에서 오탐과 새로운 자금세탁 위험이 얼마나 많은 리소스를 투입해야 하는 영역인지 위 조사 결과를 통해 알 수 있습니다. 최근 다른 조사에 따르면 AML을 위한 거래 모니터링 시스템의 경보 중 95% 이상, 워치리스트 필터링 및 제재 스크리닝 영역의 경보 중 99% 이상이 오탐이라는 조사 결과도 있습니다. 오탐이 많이 발생한다는 것은 시스템을 통해 발생된 경보 중 인력을 통해 경보를 리뷰하고 오탐을 걸러내야 한다는 것입니다. 그럼 AI/ML을 활용해 기존 감시 시스템의 오탐을 감소시키기 위해서는 어떤 방법을 활용해야 할까요? 또한, AML 영역에 AI/ML을 도입한다면 어떤 부분에 적용할 수 있을까요?
SAS는 AML 컴플라이언스 영역의 AI/ML 활용을 위한 “AML Compliance Analytics Maturity Model”을 제시하고 있습니다.
AML Compliance Analytics Maturity Model에 의거 Level 0부터 Level 2까지의 다양한 사례들이 전세계적으로 도출되고 있으며 이를 통해 극적인 효과를 얻고 있습니다.
AML Compliance Analytics Maturity Model - Level 0 : 데이터 품질
Level 0는 데이터 품질 단계입니다. 데이터 품질 단계에서는 AI/ML을 도입하기 위한 준비 단계로써 AML 컴플라이언스를 운영하는 모든 데이터를 가로지르는 Single Compliance ID를 가지는 것입니다. 이를 통해 AML Compliance 운영에 포함되는 엔터티(고객, 거래상대방, 상품, 계좌 등 AML의 각 요소)를 단일하게 식별할 수 있도록 해야 합니다. 단일 식별을 위해 데이터 통합 및 관리 단계에서 Data에 대한 Lineage / Governance 체계를 가짐으로써 AML 컴플라이언스에서 강조되고 있는 Data에 대한 투명성(Transparency) 및 추적 가능성(Auditability)을 개선할 수 있습니다. 이런 Data에 대한 개선은 AI/ML을 도입하기 위한 가장 준비단계로써 의미가 있습니다.
다음 회에서는 “AML Compliance Analytics Maturity Model”의 1,2,3단계와 AI/ML 도입방안을 소개해 드릴 예정입니다.
