금융기관에서 로보어드바이저, 챗봇 등 신기술을 적용한 인공지능 서비스를 속속 도입하고 있지만 최근 출시된 서비스들은 기술 수준의 한계를 보여주고 있다.

알파고 이후 사람들은 인공지능을 스스로 생각하는 시스템으로 생각하지만 이는 오해에 불과하다. 현재 기술로는 기계 ‘스스로’ 학습하는 것이 불가능하며 사람이 특정 주제에 맞는 데이터를 알고리즘에 ‘학습시키는’ 과정이 반드시 필요하다.

금융권에서 인공지능을 도입한 대표적인 사례는 로보어드바이저, 챗봇, 신용평가모델 등을 꼽을 수 있다.

로보어드바이저는 자동화된 알고리즘과 빅데이터를 활용해 투자자에게 최적의 자산을 관리해주는 인공지능이다. 관련 업계는 로보어드바이저 ‘스스로’ 경제상황을 판단하고 그에 맞는 최선의 투자를 수행해 수익을 올려주는 전지전능한 투자 로봇으로 홍보하고 있다.

하지만 현재 로보어드바이저 기술은 단순히 포트폴리오와 시스템 트레이딩을 합친 수준이라는 지적이다.

로보어드바이저는 변수가 많은 경제지표의 미래를 예측할 수 있는 예측모델과 종목 포트폴리오를 효율적으로 구성하고 다양한 트레이딩 전략을 유기적으로 결합시켜야 하는 고난이도의 작업이다.

기술적으로 예측모형 개발은 단기간에 개발되기 어렵고 기업 내에서 개발할만한 인력도 매우 부족한 상황이며, 해외의 유명 기업들 또한 매출 증가에 비해 순이익은 마이너스를 보이고 있는 현실이다.

미국은 자산관리 규모가 160억달러를 초과해야 수익이 나는 구조지만 가장 선도업체인 베터먼트조차 자산규모 50억달러에 불과하며 3000만달러의 운용비용에 비해 수수료 수익(800만달러)은 매우 적은 편이다.

챗봇 및 음성비서 서비스 또한 아직 걸음마 단계다.

챗봇은 사람의 문자대화나 음성 등을 인식해 상황에 맞는 답이나 각종 정보를 제공하는 인공지능이다. 음성을 텍스트로 바꿔주는 기술은 어느 정도 수준까지 올라왔만 언어를 이해시키는 기술 은 아직도 갈 길이 멀다.

실제 네이버나 국내 금융기관에서 도입한 챗봇을 이용해보면 매뉴얼로 돼있는 대답이 대부분이며그 외의 질문은 일괄 대답으로 처리하고 있다. 현재 서비스되는 챗봇과 음성비서의 동작 방식이 대부분 규칙 기반(매뉴얼 기반)으로 개발된 제품이기 때문이다. ‘

IBK경제연구소는 인공지능 기술로 외부에 홍보된 로보어드바이저나 챗봇 보다 ‘신용평가모델이 향후 머신러닝이 핵심적으로 사용될 분야가 될 것으로 전망했다.

일반적으로 은행에서 신용도를 판정하는데 사용하는 로지스틱 회귀모형이나 이상거래 탐지시스템에 적용된 알고리즘은 알고 보면 일종의 낮은 단계의 머신러닝이다.

선진국들은 이미 머신러닝을 활용한 신용평가모형을 도입 중이며 신한은행 등 국내에서도 머신러닝을 활용한 초기모형 개발을 시도 중이다.

전세계적으로 신용평가에 머신러닝을 도입하려는 시도가 증가한 것은 은행 등 제도권 대출서비스를 받기 어려운 사람들의 금융 수요를 수용하기 위해서였다. 핀테크 기업들은 개인신용정보와 다양한 빅데이터를 활용해 머신러닝 기반 신용평가 방법론을 개발했으며 금융거래 이력 없이도 제1금융권의 신용평가수준까지 올라섰다는 평가를 받고 있다.

박강희 연구위원은 “우수한 머신러닝 기법을 보유한 은행일수록 수익이 상승할 가능성이 높기 때문에 머신러닝 활용에 성공한 은행의 경우 이를 외부에 알리지 않을 것”이라며 “신용평가능력은 은행의 핵심역량 중 하나로 내부적으로는 머신러닝 개발 시도가 다양하게 이뤄지겠지만 외부에 성공사례가 알려지기까지는 많은 시간이 걸릴 것”으로 예상했다.