AI와 신용 평가

금융 혁신의 새로운 패러다임
신용 평가 분야에 AI 기술이 가져온 변화를 심도 깊게 다룬다. 신용 평가는 개인과 기업 금융 생활의 핵심이다. AI는 이를 자동화하고 보다 정교하고 정확한 예측을 가능하게 만든다. 이 책은 신용 평가의 전통적인 방식에서부터 AI 도입 이후의 변화까지 폭넓게 설명하며 신용 평가 모형이 어떻게 발전해 왔고 AI 기술이 이를 어떻게 혁신했는지 논한다. AI가 신용 평가에 미친 주요 영향으로는 데이터 활용의 확장, 신용도 예측의 정확성 향상, 그리고 AI 기반의 자동화된 의사 결정 과정에서의 성능 향상 등이 있다. 또한, AI 도입 후 발생한 공정성 문제와 해석의 어려움 등 다양한 이슈를 다루며 문제 해결 방안을 제시한다. AI 신용 평가의 도입이 개인과 기업에게 가져오는 편익과 함께, 관련 위험 요소를 함께 짚어보며 독자들에게 신용 평가의 본질적 의미와 그 미래에 대해 깊은 통찰을 제공한다.

AI 기술이 신용 평가에 미친 영향을 다룬다. 신용 평가의 전통적 방식에서 AI 도입 이후의 변화, 데이터 활용의 확장과 정확성 향상 등을 설명한다. AI의 공정성 문제와 해석의 어려움을 해결하기 위한 방안도 제시한다. 신용 평가 모형의 진화와 미래를 전망한다.

최성민
한국신용정보원 전략기획팀장으로 재직 중이다. 서울대학교 산업공학과에서 학사, KAIST 테크노경영대학원에서 경영학 석사(MBA) 학위를 취득하고, 연세대학교에서 “An Empirical Study on Credit Evaluation Model for Sole Proprietor based on the Reference Model”로 경영학 박사(Ph.D.) 학위를 받았다. LG CNS 정보기술연구소와 하나금융연구소, 은행연합회 등을 거치며 IT와 금융에 대해 연구했으며 그간 “공개된 개인정보의 신용평가 활용과 법적 쟁점”(2023), “개인 신용평가에서의 금융소비자 보호에 관한 연구: 인공지능 방법론 기반 신용평가모형을 중심으로”(2022), “신용정보법 제‧개정에 따른 신용정보업의 변화 연구”(2019) 등 신용 평가 분야에 대한 다양한 논문을 학회지에 게재했다. 『테크노 사피엔스: 디지털로 입고, 먹고, 자는 신인류』(2020)를 공저했으며, 이 중 제4장 “블록체인이 만들어 낸 새로운 비즈니스: 경제&금융”을 저술했다. 금융위원장 표창(2019년), 한국신용정보원장 표창(2020년), 한국정보보호학회장상(2021년) 등을 수상했다.

AI 신용 평가와 금융

01 신용 평가의 과거와 현재
02 신용 평가 모형의 진화와 AI
03 개인 신용 평가와 AI (1): 데이터
04 개인 신용 평가와 AI (2): 방법론
05 기업 신용 평가와 AI (1): 데이터
06 기업 신용 평가와 AI (2): 방법론
07 AI 신용 평가와 공정성
08 AI 신용 평가와 설명 가능성
09 AI 신용 평가와 성능 확인
10 AI 신용 평가와 금융 규제

신용 평가 모형은 평가 대상과 활용 목적에 따라 각각 그 유형이 다르다. 먼저 평가 대상은 크게 개인과 기업으로 구분할 수 있는데, 금융회사는 이 평가 대상을 ‘차주(借主, creditor)’라고 부른다. 이 뜻은 ‘돈을 빌리는 측의 사람’이라는 의미로, 신용 평가 모형에서는 이 차주가 어떤 그룹에 속하느냐에 따라 차주 특성에 맞는 별도의 모형을 활용하여 평가를 진행하게 된다.
－01_“신용 평가의 과거와 현재” 중에서

하지만 현재 실무에서는 소셜 미디어 활동 이력 등의 디지털 발자국 데이터나 심리 테스트 결과 등은 사용되는 경우가 드물다. 그 이유는 이러한 데이터를 개인 신용 평가에 활용하는 것에 대해 개인들의 심리적 저항과 거부감이 매우 크기 때문이다. 그렇기에 우리나라의 경우, 건강 보험·국민연금 납부 내역, 통신료·공공요금 성실 납부 정보 등을 개인이 직접 제출하거나, 개인 신용 평가 회사나 금융회사가 개인의 동의를 거쳐 관련 데이터를 수집하고 이를 가점 형태로 반영하는 방식이 주로 활용된다.
－03_“개인 신용 평가와 AI (1): 데이터” 중에서

기업 신용 평가를 위한 계량 모형은 1968년 뉴욕대학 교수였던 에드워드 올트먼(Edward Altman)이 개발한 ‘Z-스코어’ 모형에서 그 역사가 시작되었다. 이 모형은 평가 대상 기업의 운전 자본, 이익 잉여금, 세전 이익, 매출액 등과 총자산을 비교한 재무 비율을 활용해 기업의 부도 가능성을 예측한 모형으로서, 기업의 신용도를 재무 정보를 활용해 예측하고 이를 점수화한 최초의 기업 신용 평가 모형으로 크게 주목받았다. 이후 다양한 통계 방법론을 적용한 모형들에 대한 연구가 이루어졌으며 최근에는 기존의 통계 방법론의 한계를 극복하면서도 성능을 향상시킬 수 있는 머신 러닝 방법론을 적용한 모형들이 시도되고 있다.
－06_“기업 신용 평가와 AI (2): 방법론” 중에서

K-S 통계량은 우량 집단과 불량 집단의 누적 분포 차이를 나타내는 평가 지표로서, 수치상으로 계산할 때는 누적 우량 비율과 누적 불량 비율 간 차이의 최댓값을 가지고 기준값과 비교하게 되는데, 일반적으로 50이 넘으면 최소 기준치는 충족하였다고 평가한다. 한편, AUROC는 X축이 혼동 행렬에서 산출되는 비율을 그래프로 표현한 ROC(receiver operating characteristic) 곡선에서 산출되는 수치로 성능을 확인하며 0에서 1 사이의 산출되는 값에서 일반적으로 0.6 이상을 적정하다고 본다.
－09_“AI 신용 평가와 성능 확인” 중에서