FICO, AI 리스크에 답하다: 트러스트 스코어와 금융 특화 기초 모델

FICO, 금융 서비스 신뢰를 위한 기초 모델 공개

신용점수로 잘 알려진 FICO가 수년간의 머신러닝·AI 경험을 바탕으로 금융 도메인에 최적화된 기초 모델 두 종을 공개했다. 대화·문서 이해를 담당하는 FICO Focused Language(FICO FLM)와 거래 시퀀스 분석에 특화된 FICO Focused Sequence(FICO FSM)로, 두 모델 모두 사내에서 데이터·알고리즘 노하우로 처음부터 학습됐으며 전용 GPU 클러스터에서 운용된다.

왜 자체 기초 모델과 신뢰 계층인가

FICO는 은행·대출기관 등 핵심 고객의 엄격한 신뢰·컴플라이언스 요구에 부합하기 위해 “감사 가능성, 투명성·설명가능성, 출력 모니터링”을 전제 조건으로 삼았다. 이 원칙을 구현하기 위한 핵심이 바로 응답의 근거성과 정확성, 규정 준수 여부를 정량화하는 신뢰 점수 체계다.

FICO 트러스트 스코어: 규제 산업을 위한 가드레일

FICO 트러스트 스코어(FICO Trust Score)는 모델 응답이 학습 데이터 및 맥락과 얼마나 밀접히 정합하는지를 평가하는 가드레일로 작동한다. AWS 등 하이퍼스케일러의 가드레일·컨텍스트 그라운딩과 유사하지만, FICO는 모델을 자체 구축해 학습 데이터셋에 대한 완전한 소유·접근권을 갖고 있으며 고객 데이터와의 안전한 통합까지 지원한다. 점수가 높으면 데이터 커버리지 측면에서 정확하고 오해 소지가 낮음을 뜻하며, 점수가 낮으면 데이터 품질 점검이나 응답 재설계를 유도한다. 금융기관은 자체 리스크 허용 수준에 따라 임계값을 조정할 수 있다.

지식 앵커와 데이터 거버넌스(트러스트 스코어 연계)

FICO는 주제 전문가와 함께 모델이 답해야 할 질문과 응답 방식을 명시하는 ‘지식 앵커’ 개념을 도입했다. 유럽 금융상품 문서처럼 특정 맥락에서 응답의 타당성을 FICO 트러스트 스코어가 평가해 환각 가능성을 억제한다. 또한 고객사 데이터 통합을 통해 특정 업무·규정에 맞춘 미세 조정이 가능하며, 학습에는 개인식별정보(PII)를 가리는 합성 데이터도 활용됐다.

모델별 기능과 아키텍처

FICO FLM — 컴플라이언스와 언더라이팅

FLM은 대화·문서에서 규정 준수 여부를 점검하고 필요한 정보를 추출한다. 은행과 고객 간의 질의응답 흐름을 모니터링해 고객의 일시적 경제적 곤란 징후를 감지하고, 고객 상황을 고려한 맞춤 커뮤니케이션을 지원한다. 또한 고객과의 상호작용과 대출 서류를 함께 검토해 언더라이팅 판단에 참고한다.

FICO FSM — 거래 분석과 이상 탐지

FSM은 개인·기업의 전체 거래 이력을 기억해 정상 패턴을 학습하고, 대금 급증 등 구매 행태 변화가 카드 도난이나 이사 등 합리적 사유인지 구분한다. 전통적 사기 탐지 모델의 ‘장기 패턴 망각’ 문제를 줄이기 위해 대조 학습 헤드(패턴 이내/이탈 판단)와 지도 학습 헤드(행동 변화의 사기 여부·개입 필요성 판단)를 결합한 아키텍처를 채택했다.

소형·도메인 특화 전략의 의미

FICO는 기업 현장에서 범용 대규모 모델보다 소형 도메인 특화 모델 선호가 커지고 있다고 본다. FLM은 100억 미만 파라미터, FSM은 100만 미만 파라미터로 경량이며, 향후 에이전트형 활용에도 유리하다. 금융사는 업무별로 여러 특화 모델을 병행 운용해 환각 유발 지식을 차단할 수 있다. 한편 자체 기초 모델 개발은 난도가 높아 다수 기업이 OpenAI·Anthropic 모델을 미세 조정하지만, Intuit처럼 금융 특화 모델을 내놓는 사례도 늘고 있다.

실제 적용 예시

콜센터 준법 모니터링(FICO 트러스트 스코어)

FLM이 상담 대화에서 필수 고지·금지 표현을 점검하고, FICO 트러스트 스코어 임계값 미만 응답은 관리자 검토로 라우팅한다. 고객의 곤란 신호가 감지되면 취약 고객 보호 스크립트를 자동 제안한다.

거래 패턴 변화 탐지와 고객 보호

FSM이 장기 해외 체류 이력 등 과거 패턴을 유지 학습해 재방문 시 불필요한 사기 경보를 줄이고, 대규모 결제·지역 급변 등 이상 신호는 실시간 개입으로 연결한다.

유럽 금융상품 문서 검토(지식 앵커 기반)

전문가가 정의한 지식 앵커에 따라 관련 조항만을 근거로 응답하도록 유도하고, 트러스트 스코어로 근거 적합성을 평가해 오답·환각 가능성을 낮춘다.