KR102607383B1 - 자금세탁의심거래 파악 방법 및 그 장치 - Google Patents

자금세탁의심거래 파악 방법 및 그 장치 Download PDF

Info

Publication number
KR102607383B1
KR102607383B1 KR1020210000844A KR20210000844A KR102607383B1 KR 102607383 B1 KR102607383 B1 KR 102607383B1 KR 1020210000844 A KR1020210000844 A KR 1020210000844A KR 20210000844 A KR20210000844 A KR 20210000844A KR 102607383 B1 KR102607383 B1 KR 102607383B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
money laundering
intelligence model
financial transaction
transaction
Prior art date
Application number
KR1020210000844A
Other languages
English (en)
Other versions
KR20220098934A (ko
Inventor
김백규
오동근
손승범
이주현
조상은
Original Assignee
중소기업은행
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 중소기업은행 filed Critical 중소기업은행
Priority to KR1020210000844A priority Critical patent/KR102607383B1/ko
Publication of KR20220098934A publication Critical patent/KR20220098934A/ko
Application granted granted Critical
Publication of KR102607383B1 publication Critical patent/KR102607383B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

자금세탁의심거래 파악 방법 및 그 장치가 개시된다. 자금세탁의심거래 파악장치는 자금세탁의심거래 보고대상을 판별하는 제1 인공지능모델을 이용하여 금융거래정보가 의심보고대상인지 파악되면, 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델을 이용하여 상기 금융거래정보에 대한 의심수준점수를 파악하고, 의심수준점수가 기 정의된 점수 이상이면 금융거래를 보고대상으로 파악하여 보고한다.

Description

자금세탁의심거래 파악 방법 및 그 장치{Method for recognizing suspicious money laundering transactions and apparatus therefor}
본 발명의 실시 예는 자금세탁의심거래를 파악하는 방법 및 그 장치에 관한 것으로, 보다 상세하게는 인공지능모델을 이용하여 자금세탁의심거래를 파악하는 방법 및 그 장치에 관한 것이다.
자금세탁은 불법적인 재산을 적법한 것처럼 가장하기 위하여 자금출처를 은폐하는 행위이다. 자금세탁은 교묘한 방법으로 이루어지므로 단순히 몇몇 조건으로 구성된 룰(rule) 기반으로 이를 파악하는 데에는 한계가 존재하므로, 자금세탁의심거래로 파악되면 은행 등의 금융사 직원이 직접 해당 거래와 관련된 여러 정보를 직접 수집한 후 자금세탁거래인지 여부를 파악하고 이에 대한 보고서를 작성한다. 직원이 직접 분석하고 보고서를 작성하여야 하므로 처리할 수 있는 업무량이 한정될 뿐만 아니라 갈수록 교묘해지는 자금세탁을 발견하는데 많은 시간이 소요되는 문제점이 존재한다.
본 발명의 실시 예가 이루고자 하는 기술적 과제는, 인공지능모델을 이용하여 자금세탁의심거래를 자동으로 파악하는 방법 및 그 장치를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 자금세탁의심거래 파악 방법의 일 예는, 자금세탁의심거래 보고대상을 판별하는 제1 인공지능모델을 이용하여 금융거래정보가 의심보고대상인지 파악하는 단계; 상기 제1 인공지능모델에 의해 의심보고대상으로 파악되면, 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델을 이용하여 상기 금융거래정보에 대한 의심수준점수를 파악하는 단계; 및 상기 의심수준점수가 기 정의된 점수 이상이면 상기 금융거래를 보고대상으로 파악하여 보고하는 단계;를 포함한다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 자금세탁의심거래 파악장치의 일 예는, 자금세탁의심거래 의심보고대상을 판별하는 제1 인공지능모델을 이용하여 금융거래정보가 의심보고대상인지 파악하는 의심대상파악부; 상기 제1 인공지능모델에 의해 의심보고대상으로 파악되면, 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델을 이용하여 상기 금융거래정보에 대한 의심수준점수를 파악하는 의심점수파악부; 및 상기 의심수준점수가 기 정의된 점수 이상이면 상기 금융거래를 보고대상으로 파악하여 보고하는 보고부;를 포함한다.
본 발명의 실시 예에 따르면, 적어도 둘 이상의 인공지능모델을 이용하여 자금세탁의심거래를 신속하고 정확하게 파악할 수 있다. 또 다른 실시 예로, 자금세탁의심거래에 대한 보고서를 자동 생성할 수 있다.
도 1은 본 발명의 실시 예에 따른 자금세탁의심거래파악장치의 개념을 도시한 도면,
도 2는 본 발명의 실시 예에 따른 금융거래정보를 생성하는 방법의 일 예를 도시한 흐름도,
도 3은 본 발명의 실시 예에 따른 금융거래정보의 일 예를 도시한 도면,
도 4는 본 발명의 실시 예에 따른 고객연결관계의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 의심보고대상을 예측하는 제1 인공지능모델의 일 예를 도시한 도면,
도 6은 본 발명의 실시 예에 따른 의심수준점수를 예측하는 제2 인공지능모델의 일 예를 도시한 도면,
도 7은 본 발명의 실시 예에 따른 인공지능모델의 재학습 방법의 일 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따른 인공지능모델을 이용한 자금세탁의심거래 보고대상을 파악하는 방법의 일 예를 도시한 흐름도,
도 9는 본 발명의 실시 예에 따른 의심수준점수를 파악하는 방법의 다른 실시 예를 도시한 도면,
도 10은 본 발명의 실시 예에 따른 자금세탁의심거래보고 보고서를 자동 생성하는 방법의 일 예를 도시한 흐름도,
도 11은 본 발명의 실시 예에 따른 변수 중요도를 파악하는 방법의 일 예를 도시한 도면,
도 12는 본 발명의 실시 예에 따른 템플릿데이터베이스의 일 예를 도시한 도면,
도 13은 템플릿데이터베이스를 이용하여 문장을 생성한 일 예를 도시한 도면,
도 14는 본 발명의 실시 예에 따른 금융거래정보별 보고대상 여부의 분석 결과를 저장한 일 예를 도시한 도면,
도 15 및 도 16은 본 발명의 실시 예에 따른 자금세탁의심거래 보고서의 일 예를 도시한 도면,
도 17은 본 발명의 실시 예에 따른 자금세탁의심거래의 분석 결과를 시각화 이미지로 표시한 일 예를 도시한 도면, 그리고,
도 18은 본 발명의 실시 예에 따른 자금세탁의심거래 파악장치의 일 예의 구성을 도시한 도면이다.
이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 자금세탁의심거래 파악 방법 및 그 장치에 대해 상세히 설명한다.
도 1은 본 발명의 실시 예에 따른 자금세탁의심거래파악장치의 개념을 도시한 도면이다.
도 1을 참조하면, 자금세탁의심거래파악장치(이하, '장치'라 함)(100)는 금융거래정보를 입력받으면 자금세탁의심거래 보고대상을 판별하는 제1 인공지능모델(110)과 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델(120)을 이용하여 자금세탁의심거래 보고대상인지 파악한다. 일 실시 예로, 장치(100)는 은행 등의 금융회사의 시스템 일부로 구현될 수 있다. 또한 장치(100)는 메모리, 프로세서, 입출력장치 등을 포함하는 컴퓨팅 장치나 서버 등으로 구현될 수 있다. 이하의 실시 예의 각 단계는 소프트웨어로 구현되어 장치(100)의 메모리에 탑재된 후 프로세서에 의해 수행될 수 있다.
금융거래정보는 금융시스템에 저장된 입출금거래정보뿐만 아니라 자금세탁의심거래 여부를 보다 정확하게 파악하기 위하여 거래 상대방이나 거래 목적, 거래 패턴 등의 다양한 분석 정보를 함께 포함할 수 있다. 일 실시 예로, 장치(100)는 여러 분석 정보를 포함하는 금융거래정보를 생성한 후 이를 제1 및 제2 인공지능모델(110,120)에 입력하여 자금세탁의심거래 여부를 파악할 수 있다. 다른 실시 예로, 금융거래정보는 종래의 다양한 방법으로 미리 생성되어 장치(100)에 입력될 수 있다. 금융거래정보에 대한 이해를 돕기 위하여 도 2에서는 다양한 정보를 분석하여 금융거래정보를 생성하는 방법의 예를 제시하고, 도 3에서는 금융거래정보에 포함되는 정보의 일 예에 대해 살펴본다.
도 2는 본 발명의 실시 예에 따른 금융거래정보를 생성하는 방법의 일 예를 도시한 흐름도이다.
도 2를 참조하면, 장치(100)는 도 1에서 살핀 바와 같이 금융거래정보를 입력받으면 이를 분석하여 자금세탁의심거래인지 파악한다. 이때 장치(100)가 입력받는 금융거래정보는 입출금거래정보뿐만 아니라 분석의 정확성을 위하여 다양한 분석 정보를 더 포함할 수 있다.
장치(100)는 자금세탁의심거래의 판단 대상을 줄이기 위하여 금융거래정보 중 정상거래를 필터링할 수 있다(S220). 예를 들어, 장치(100)는 자동이체, 카드대금결제, 대출금상환, 이자납부 등 정상거래의 유형을 미리 정의한 후 금융거래가 정상거래에 해당하면 이를 자금세탁의심거래 분석 대상에서 제외한다. 물론 다른 실시 예로 필터링 과정없이 전체 금융거래를 자금세탁의심거래 분석 대상으로 할 수도 있다.
장치(100)는 입출금거래정보를 기초로 금융거래(예를 들어, 송금, 이체, 입금 등)의 거래 상대방을 식별한다(S210). 예를 들어, 장치(100)는 입출금거래정보에 포함된 출금계좌의 계좌주 이름과 수취계좌의 계좌주 이름을 기초로, 금융거래가 순수 개인간 거래인지, 개인과 회사(또는 기관 등) 사이의 거래인지, 아니면 회사(기관)와 회사(기관) 사이의 거래인지를 파악할 수 있다. 장치(100)는 한국인이나 외국인 등의 이름을 포함하는 인명사전 또는 회사나 기관 등의 이름을 포함하는 회사이름사전을 이용하여 금융거래의 상대방 계좌주의 이름이 순수 개인인지 아니면 회사나 기관인지를 파악할 수 있다. 이 외에도 계좌의 상대방이 순수 개인인지 아니면 회사나 기관인지 파악하는 종래의 다양한 방법이 본 실시 예에 적용될 수 있다.
일 실시 예로, 장치(100)는 금융거래가 순수 개인 간 거래가 아니면 해당 금융거래를 자금세탁의심거래의 심사 대상에서 제외할 수 있다. 다시 말해, 장치(100)는 순수 개인 간 거래에 대해서만 본 실시 예의 방법을 이용하여 자금세탁의심거래 여부를 파악할 수 있다. 물론 다른 실시 예로, 장치(100)는 순수 개인 간 거래뿐만 아니라 모든 거래에 대해서 자금세탁의심거래 여부를 파악할 수도 있다. 다만 본 실시 예는 설명의 편의를 위하여 이하에서는 순수 개인간 거래에 대해서만 자금세탁의심거래 여부를 파악하는 경우를 가정하여 설명한다.
장치(100)는 입출금거래의 적요 내용을 기초로 금융거래의 내용(즉, 목적)을 분석한다(S230). 예를 들어, 장치(100)는 송금이나 입금시 고객이 기재하거나 시스템에 의해 자동으로 기록된 적요 내용을 기초로 금융거래가 가족간 생활비 거래인지 직장 동료간 거래인지, 법인과의 거래인지 아니면 해외 유학비 송금인지 등 거래의 목적을 식별할 수 있다.
일 실시 예로, 장치(100)는 복수의 거래 목적(예를 들어, 가족간 거래, 동료간 거래, 해외 송금 등)에 대하여 미리 정의된 텍스트 패턴 정보를 이용하여 거래 목적을 식별할 수 있다. 예를 들어, 장치(100)는 입출금거래의 적요란에 기재된 내용을 형태소 분석하여 주요 키워드(예를 들어, 명사 등)를 추출하고, 추출한 주요 키워드의 패턴과 가장 유사한 텍스트 패턴을 파악하여 거래 목적을 식별할 수 있다.
거래 목적별 텍스트 패턴 정보는 다양한 방법으로 미리 정의될 수 있다. 예를 들어, 장치(100)는 자금세탁의심거래로 과거 분류된 입출금거래(이하, 자금세탁 입출금거래)의 적요 내용과 자금세탁의심거래로 분류되지 않은 과거 정상적인 입출금거래(이하, 정상 입출금거래)의 적요 내용을 수집한다. 그리고 장치(100)는 각 적요 내용을 형태소 분석하여 키워드(예를 들어, 명사 등)를 추출한다. 장치(100)는 자금세탁 입출금거래와 정상 입출금거래의 적요 내용으로부터 추출한 키워드들을 자금세탁 입출금거래와 정상 입출금거래를 구분하는데 주는 영향을 기초로 가중치를 부여한다. 예를 들어, 적요 내용에서 추출한 제1~n 키워드에 대하여 자금세탁 입출금거래와 정상 입출금거래의 적요에 나타나는 빈도의 크기에 따라 각 키워드에 서로 다른 가중치를 부여할 수 있다. 가중치의 부여 등은 사용자에 의해 직접 수행될 수도 있다.
장치(100)는 각 키워드의 가중치를 기준으로 각 거래 목적을 구분할 수 있는 상위 키워드를 조합한 텍스트 패턴을 생성한다. 이러한 텍스트 패턴은 사용자의 경험 등을 기초로 사용자에 의해 정의될 수 있다. 장치(100)는 거래 목적별 정의된 텍스트 패턴을 저장하고 이후에 이를 이용하여 거래 목적을 식별할 수 있다.
장치(100)는 고객 연결관계를 파악할 수 있다(S240). 예를 들어, 장치(100)는 제1 고객과 일정 기간 내 금융거래가 존재하는 적어도 하나 이상의 제2 고객을 파악하고, 또한 제2 고객과 일정 기간 내 금융거래가 존재하는 적어도 하나 이상의 제3 고객을 파악하는 과정을 수행할 수 있다. 이와 같은 방법을 통해 장치(100)는 도 4와 같이 특정 고객을 중심으로 금융거래의 연결관계를 파악할 수 있다. 고객 연결관계의 파악에 대해서는 도 4에서 다시 살펴본다.
장치(100)는 이상에서 파악한 거래 상대방 식별정보(즉, 거래 상대방이 순수 개인인지 여부), 거래 목적(친구간 거래, 가족간 거래 등), 거래관계정보 등을 포함하는 금융거래정보를 생성할 수 있다.
도 3은 본 발명의 실시 예에 따른 금융거래정보의 일 예를 도시한 도면이다.
도 3을 참조하면, 금융거래정보(300)는 입출금거래정보(310), 고객정보(320), 거래상대방식별정보(330), 고객간연결관계(340), 거래목적(350), 거래행동패턴(360) 등을 포함할 수 있다. 본 실시 예의 금융거래정보(300)는 본 발명의 이해를 돕기 위한 하나의 예일 뿐 금융거래정보(300)에 포함되는 정보의 종류와 개수는 실시 예에 따라 다양하게 변형 가능하다.
입출금거래정보(310)는 입금, 출금, 이체 등의 금액과 계좌번호, 계좌주 정보 등 입출금거래와 관련하여 금융시스템에 저장된 정보를 포함한다. 예를 들어, 입출금거래정보(310)는 입금을 하였다면 입금시점, 입금장소, 입금자, 입금액, 입금계좌번호 등 입금과 관련하여 금융시스템에 저장된 각종 정보를 포함할 수 있다. 다른 예로, 이체를 하는 경우 입출금거래정보(310)는 송금계좌와 계좌주, 수취계좌와 계좌주, 이체일시, 이체금액, 이체장소 등 이체와 관련하여 금융시스템에 저장된 각종 정보를 포함할 수 있다. 본 실시 예에서 입출금 등의 금융거래는 국가에 의해 정식으로 발행되어 유통되는 정규화폐뿐만 아니라 '비트코인' 등의 암호화폐의 거래를 모두 포함할 수 있다.
고객정보(320)는 고객의 이름, 직업, 나이 등 금융시스템에 저장된 고객에 관한 각종 정보를 포함한다. 예를 들어, A 고객이 누군가에게 송금한 경우에, 고객정보(320)는 A 고객에 대하여 금융시스템 등에 기 저장된 정보 중 본 실시 예를 위하여 필요한 정보를 추출하여 생성할 수 있다.
거래상대방식별정보(330)는 금융 거래의 상대방이 순수 개인인지 아니면 회사나 법인인지에 대한 정보를 포함한다. 도 2에서 살핀 바와 같이 장치(100)는 금융거래의 양 당사자의 이름을 이용하여 거래 상대방이 순수 개인인지 아니면 회사나 법인인지 파악할 수 있다. 예를 들어, 거래상대방식별정보(330)는 거래 상대방이 외국인인지에 대한 정보를 포함할 수도 있다.
고객간연결관계(340)는 고객과 입출금 거래 내역이 존재하는 다른 고객과의 연결관계를 나타내는 정보이다. 예를 들어, 고객간연결관계(340)는 고객이 송금한 금액이 어느 경로로 최종 누구에게 입금되었는지에 관한 정보를 포함할 수 있다. 고객간연결관계의 일 예가 도 4에 도시되어 있다.
거래목적(350)은 금융거래가 어떤 목적으로 이루어졌는지에 대한 내용을 포함한다. 예를 들어, 도 2에서 살핀 바와 같이 가족간 거래, 직장 동료간 거래 등 기 정의된 복수 개의 거래 목적 중 금융거래가 어디에 해당하는지 입출금거래내역의 적요에 기재된 텍스트를 이용하여 파악할 수 있다.
거래행동패턴(360)은 금융거래의 거래시간, 거래장소, 거래채널(예를 들어, ATM, 온라인뱅킹, 스마트뱅킹, 창구이용 등), 금액, 빈도 등의 패턴을 저장한다. 예를 들어, 거래행동패턴(360)은 가상통화 거래 전 유사금액의 타인 출금건수 등과 같이 고객의 거래 행동에 대한 다양한 정보를 포함할 수 있다.
도 4는 본 발명의 실시 예에 따른 고객연결관계의 일 예를 도시한 도면이다.
도 4를 참조하면, 장치(100)는 고객(400)과 일정 기간 내 입출금거래 내역이 존재하는 제1 단계의 고객들(410,412,414,416)을 파악한다. 또한 장치(100)는 제1 단계의 고객들(410,412,414,416)과 일정 기간 내 입출금거래 내역이 존재하는 제2 단계의 고객들(420,422,424)을 파악한다. 이와 같은 방법으로, 장치(100)는 제N(N은 3 이상의 자연수) 단계의 고객들을 계속하여 파악할 수 있다. 예를 들어, 고객연결관계를 통해 중심고객(400), 제1-1고객(410), 제2-2고객(422), 제2-3고객(424), 제1-2고객(412) 사이에 자금 흐름의 폐루프(430,432,434,436,438)를 발견할 수 있다. 본 실시 예는 설명의 편의를 위하여 소수의 고객들의 연결관계를 도식화하여 도시하고 있으나, 고객들의 연결관계의 파악은 수십단계 이상 진행할 수 있다. 또한 각 고객을 노드로 정의하면 고객연결관계는 노드 연결 구조가 되므로, 노드사이의 연결 관계를 분석하는 종래의 다양한 분석 알고리즘이 본 실시 예에 적용될 수 있다.
도 5는 본 발명의 실시 예에 따른 의심보고대상을 예측하는 제1 인공지능모델의 일 예를 도시한 도면이다.
도 5를 참조하면, 제1 인공지능모델(110)은 자금세탁의심거래 보고 및 미보고 대상의 금융거래정보를 포함하는 제1 학습데이터(500)를 이용하여 의심보고대상(510)을 예측하도록 학습한다. 제1 인공지능모델(100)은 딥러닝 또는 머신러닝 등을 이용하는 인공지능모델로서, CNN(Convolution Neural Network), RNN(Recurrent Neural Network), LGBM(Light Gradient Boosting Method) 등 종래의 다양한 아키텍처로 구현될 수 있다.
제1 학습데이터(500)는 자금세탁의심거래 보고 대상인 금융거래정보와 자금세탁의심거래 미보고 대상인 금융거래정보를 포함한다. 금융거래정보의 일 예는 도 2 및 도 3에서 살핀 바와 같다. 제1 학습데이터(500)는 복수의 금융거래정보에 자금세탁의심거래 보고대상 여부를 라벨링(labeling)한 데이터이다. 제1 인공지능모델(110)은 제1 학습데이터(500)를 입력받으면 의심보고대상(510)을 예측(예를 들어, 의심보고대상이 되는 확률값으로 0~1 사이의 값)한 후 제1 학습데이터(500)의 라벨링 값(즉, ground truth)과 비교하여 내부 파라미터 등을 조정하는 학습과정을 수행한다.
도 6은 본 발명의 실시 예에 따른 의심수준점수를 예측하는 제2 인공지능모델의 일 예를 도시한 도면이다.
도 6을 참조하면, 제2 인공지능모델(120)은 자금세탁의심거래에 해당하는 복수의 금융거래정보의 의심수준점수를 포함하는 제2 학습데이터(600)를 이용하여 의심수준점수(610)를 예측하도록 학습한다. 제2 인공지능모델(120)은 CNN, RNN, LGBM 등 다양한 아키텍처로 구현될 수 있으며 특정 아키텍처로 한정되는 것은 아니다.
제2 인공지능모델(120)은 자금세탁의심거래에 해당하는 금융거래정보와 이에 대한 의심수준점수를 포함하는 제2 학습데이터(600)를 입력받으면 학습데이터의 금융거래정보에 대한 의심수준점수(610)를 예측하고, 예측한 의심수준점수와 학습데이터에 포함된 의심수준점수(즉, ground truth)를 비교하여 내부 파라미터 등을 조정하는 학습과정을 수행한다.
도 7은 본 발명의 실시 예에 따른 인공지능모델의 재학습 방법의 일 예를 도시한 도면이다.
도 7을 참조하면, 장치(100)는 도 6 및 도 7에서 살핀 제1 인공지능모델(110) 또는 제2 인공지능모델(120)을 일정 기간 단위로 재학습시킬 수 있다. 예를 들어, 장치(100)가 학습 완료된 제1 인공지능모델(110) 또는 제2 인공지능모델(120)을 이용하여 금융거래정보에 대한 의심보고대상 또는 의심수준점수 등을 파악하는 과정을 일정 기간 동안 수행하면 새로운 금융거래정보에 대한 의심보고대상 또는 의심수준점수의 데이터가 누적될 수 있다. 또한 자금세탁의심거래의 유형이나 방법이 시간이 지남에 따라 변경될 수 있다.
따라서 장치(100)는 제1 인공지능모델(110) 및 제2 인공지능모델(120)의 성능을 향상시킬 수 있도록 일정 기간 단위로 새롭게 누적된 학습데이터를 이용하여 재학습시킬 수 있다. 예를 들어, 장치(100)는 t3 시점에서 t0~t3 구간에 존재하는 금융거래정보를 이용하여 생성한 학습데이터를 이용하여 제1 인공지능모델 및 제2 인공지능모델을 학습시킬 수 있다. t4 시점이 되면, 장치(100)는 t1~t4 구간에 존재하는 금융거래정보를 이용하여 생성한 학습데이터를 이용하여 제1 인공지능모델 및 제2 인공지능모델을 학습시킬 수 있다. 즉, 장치(100)는 일정 단위 기간(tn, 예를 들어, 1개월 단위)마다 과거 과거 일정 기간 동안(예를 들어, 3개월 기간)의 금융거래정보를 이용하여 생성한 학습데이터를 이용하여 제1 인공지능모델(110) 및 제2 인공지능모델(120)을 재학습시킬 수 있다.
도 8은 본 발명의 실시 예에 따른 인공지능모델을 이용한 자금세탁의심거래 보고대상을 파악하는 방법의 일 예를 도시한 흐름도이다.
도 8을 참조하면, 장치(100)는 금융거래정보를 입력받으면 제1 인공지능모델(110)을 이용하여 의심보고대상인지 판별한다(S800). 다시 말해, 학습 완료된 제1 인공지능모델(110)은 금융거래정보를 입력받으면 의심보고대상인지 예측하여 출력한다.
의심보고대상에 해당하면(S810), 장치(100)는 금융거래정보를 제2 인공지능모델에 입력하여 의심수준점수를 파악한다(S820). 장치(100)는 의심수준점수가 기 정의된 점수(즉, 기준값) 이상이면(S830), 금융거래정보를 보고대상으로 선정한다(S840).
다른 실시 예로, 장치(100)는 의심수준점수가 기 정의된 점수 이상인 경우에 미리 정의된 필터링 조건을 이용하여 보고대상 여부를 다시 한 번 더 파악하는 과정을 더 포함할 수 있다. 예를 들어, 필터링 조건이 거래금액 기준을 포함하면, 장치(100)는 금융거래정보에 포함된 거래금액이 필터링 조건의 거래금액 기준 미만이면, 의심수준점수가 기준값 이상이어도 해당 금융거래정보를 보고 대상에서 제외할 수 있다. 필터링 조건은 실시 예에 따라 다양하게 설정될 수 있다.
또 다른 실시 예로, 장치(100)는 의심수준점수 파악의 정확성을 위하여 의심수준점수가 기준값 이상인 경우와 기준값 미만인 경우를 나누어 의심수준점수를 재차 판별하는 과정을 더 포함할 수 있으며, 이에 대한 예가 도 9에 도시되어 있다.
또 다른 실시 예로, 장치(100)는 금융거래정보가 자금세탁의심거래 보고대상으로 판별되면 보고서를 자동 생성하여 제공하는 과정을 더 포함할 수 있으며, 이에 대해서는 도 10 내지 도 17에서 다시 살펴본다.
도 9는 본 발명의 실시 예에 따른 의심수준점수를 파악하는 방법의 다른 실시 예를 도시한 도면이다.
도 9를 참조하면, 장치(100)는 제2 인공지능모델(120) 외에 제3 인공지능모델(900)과 제4 인공지능모델(910)을 더 포함할 수 있다. 제3 인공지능모델(900)과 제4 인공지능모델(910) 모두 자금세탁의심거래에 해당하는 금융거래정보의 의심수준점수를 포함하는 학습데이터를 이용하여 학습시킨 모델일 수 있다. 다시 말해, 제3 및 제4 인공지능모델(900,910)은 도 7에서 살펴본 제2 인공지능모델(120)의 제2 학습데이터를 이용한 학습 과정을 통해 학습될 수 있다.
다만, 제3 인공지능모델(900)의 학습을 위한 제3 학습데이터는 의심수준점수의 분포가 높은 점수쪽으로 치우진 학습데이터이고, 제4 인공지능모델(910)의 학습을 위한 제4 학습데이터는 의심준점수의 분포가 낮은 점수쪽으로 치우진 학습데이터로서, 두 인공지능모델(900,910)의 학습데이터의 데이터 분포가 서로 상이할 수 있다. 예를 들어, 제3 학습데이터는 의심수준점수가 기 정의된 값(예를 들어, 중간값)을 기준으로 중간값 이상인 데이터가 중간값 이하의 데이터보다 더 많도록 구성한 학습데이터이고, 제4 학습데이터는 그 반대로 의심수준점수가 기 정의된 값(예를 들어, 중간값)을 기준으로 중간값 이하의 데이터가 중간값 이상의 데이터보다 더 많도록 구성한 학습데이터일 수 있다.
장치(100)는 제2 인공지능모델(120)이 출력한 의심수준점수가 기준값보다 크면 금융거래정보를 다시 제3 인공지능모델(900)에 입력하여 의심수준점수를 다시 파악하고, 제2 인공지능모델(120)이 출력한 의심수준점수가 기준값보다 작으면 금융거래정보를 제4 인공지능모델(910)에 입력하여 의심수준점수를 다시 파악한다.
장치(100)는 제3 인공지능모델(900)이 출력한 의심수준점수가 기준값 이상이면 금융거래정보를 자금세탁의심거래 보고 대상으로 판별하고, 기준값 미만이면 비보고 대상이라고 판단할 수 있다. 또한 장치는 제4 인공지능모델(910)이 출력한 의심수준점수가 기준값 이상이면 금융거래정보를 자금세탁의심거래 보고 대상으로 판별하고, 기준값 미만이면 미보고 대상이라고 판단할 수 있다. 따라서 제2 인공지능모델(120)이 예측한 의심수준점수가 기준값 이상이어도 보고 대상에 해당하지 않는 경우가 발생할 수 있고, 제2 인공지능모델(120)이 예측한 의심수준점수가 기준값 미만이어도 보고 대상에 해당하는 경우가 발생할 수 있다.
도 10은 본 발명의 실시 예에 따른 자금세탁의심거래보고 보고서를 자동 생성하는 방법의 일 예를 도시한 흐름도이다.
도 10을 참조하면, 장치(100)는 금융거래정보가 자금세탁의심거래 보고 대상으로 판별되는 경우에 금융거래정보를 구성하는 변수 중 자금세탁의심거래 보고대상으로 판별하는데 큰 영향을 미친 변수가 어떤 것인지 파악하여 보고서를 자동 생성할 수 있다.
자금세탁의심거래 보고대상으로 판단하는데 영향을 미친 주요 변수를 파악하기 위하여, 먼저 장치(100)는 금융거래정보를 구성하는 각 변수의 조합을 제1 인공지능모델(110) 및/또는 제2 인공지능모델(120)에 입력하여 출력값을 파악한다(S1000). 장치(100)는 각 변수의 조합에 대한 모델의 출력값을 기준으로 각 변수가 각 모델(110,120)의 출력에 미치는 중요도를 파악한다(S1010). 각 변수의 중요도를 파악하는 구체적인 방법의 일 예가 도 11 및 도 12에 도시되어 있다.
장치(100)는 각 변수별 기 정의된 문장 템플릿이 저장된 템플릿데이터베이스로부터, 각 변수의 중요도를 기준으로 상위 또는 하위의 일정 개수의 변수에 해당하는 템플릿 문장을 추출한 후 추출한 문장에 금융거래정보의 변수 값을 대입하여 보고서를 자동 생성한다(S1020). 템플릿데이터베이스는 각 변수의 값에 따른 템플릿 문장을 포함하고 있으며, 이에 대한 일 예가 도 12에 도시되어 있다. 템플릿 문장을 이용한 보고서의 자동 생성에 대해서는 도 12 내지 도 16에서 다시 살펴본다.
도 11은 본 발명의 실시 예에 따른 변수 중요도를 파악하는 방법의 일 예를 도시한 도면이다.
도 11을 참조하면, 장치(100)는 금융거래정보를 구성하는 복수의 변수(1100)에 대한 변수조합(1110)을 생성한다. 예를 들어, 금융거래정보를 구성하는 변수의 개수가 N개이면, 변수 1개로 구성되는 경우, 장치(100)는 변수 2개로 구성되는 경우, 변수 N개로 구성되는 경우 등과 같이 다양한 변수 조합을 생성할 수 있다. 다만, 변수의 개수가 많으면 그 변수 조합의 개수 또한 매우 많아지므로 실시 예에 따라 모든 변수의 조합을 생성하지 않고 무작위로 기 정의된 개수만큼의 변수 조합만을 생성할 수도 있다.
장치(100)는 변수조합(1100)에 해당하는 변수 값만으로 구성된 금융거래정보를 인공지능모델(1120)(예를 들어, 제1 인공지능모델(110) 또는 제2 인공지능모델(120))에 입력하여 의심보고대상 및/또는 의심수준점수에 대한 예측값(1130)을 획득한다. 장치(100)는 각 변수조합의 예측값(1130)을 이용하여 각 변수가 제1 인공지능모델 또는 제2 인공지능모델의 예측값에 기여한 정도를 변수 중요도(1140)로 파악하여 출력한다. 예를 들어, 변수조합(1100)의 예측값이 클수록 해당 변수조합에 포함된 각 변수의 중요도가 크다고 할 수 있다.
변수조합의 예측값(1130)을 기준으로 각 변수에 가중치를 부여하여 각 변수의 중요도(1140)를 파악하는 구체적인 방법을 변수 a,b,c의 세 개인 경우를 가정하여 살펴보면 다음과 같다.
먼저 장치(100)는 세 개의 변수를 이용한 변수조합(1110)에 대한 인공지능모델(1120)의 출력값(즉, 예측값)을 파악하고, 각 출력값에서 각 변수의 기여값을 산출한다. 예를 들어, 각 변수조합에 대한 인공지능모델(1120)의 예측값이 다음 [표 1]과 같다면, 장치(100)는 각 변수조합에 대한 기여값(S)을 [표 1]과 같이 구할 수 있다. 예를 들어, 두 변수 조합(a,b)에 의한 인공지능모델(1120)의 예측값(0.5)에서 변수 a의 기여값(S)은 예측값(0.5)에서 b 변수 단독의 예측값(0.3)을 뺀 값이 될 수 있다.
변수조합 인공지능모델의 예측값(F) 기여값(S)
a F(a)=0.2 Sa(a)=0.2
b F(b)=0.3 Sb(b)=0.3
c F(c)=0.4 Sc(c)=0.4
a,b F(a,b)=0.5 Sab(a)=F(a,b)-F(b)=0.2
Sab(b)=F(a,b)-F(a)=0.3
a,c F(a,c)=0.8 Sac(a)=F(a,b)-F(c)=0.4
Sac(c)=F(a,c)-F(a)=0.6
b,c F(b,c)=0.3 Sbc(b)=F(b,c)-F(c)=-0.1
Sbc(c)=F(b,c)-F(b)=0.0
a,b,c F(a,b,c)=1.0 Sabc(a)=F(a,b,c)-F(b,c)=0.7
Sabc(b)=F(a,b,c)-F(a,c)=0.2
Sabc(c)=F(a,b,c)-F(a,b)=0.5
장치(100)는 각 변수의 상황별 조합의 출현 확률을 이용하여 각 변수의 가중치를 구한다.
상황 상황별 변수조합의 출력확률 P 각 변수별 기여의 가중치(A) 최종 가중치
(B=P*A)
Pabc
(세 변수를 선택할 때a,b,c 조합이 선택될 확률)		 1 1/3
(변수가 3개이므로 각 변수의 기여의 가중치는 1/3)		 1/3
Pa
(하나의 변수를 선택할 때 변수a를 선택할 확률)		 1/3 1/1
(변수가 1개이므로 변수의 기여의 가중치는 1)		 1/3
Pb
(하나의 변수를 선택할 때 변수b를 선택할 확률)		 1/3 1/1 1/3
Pc
(하나의 변수를 선택할 때 변수c를 선택할 확률)		 1/3 1/1 1/3
Pab
(두 변수를 선택할 때 변수a,b를 선택할 확률)		 1/3 1/2
(변수가 2개이므로 각 변수의 기여의 가중치는 1.2)		 1/6
Pac
(하나의 변수를 선택할 때 변수a,c를 선택할 확률)		 1/3 1/2 1/6
Pbc
(하나의 변수를 선택할 때 변수b,c를 선택할 확률)		 1/3 1/2 1/6
장치는 [표 1]과 [표 2]의 결과를 이용하여 각 변수의 중요도를 [표 3]과 같이 산출할 수 있다. 예를 들어, 변수a의 중요도는 변수 한 개로 구성된 변수조합에서의 변수 a의 기여도, 변수 두 개로 구성된 변수조합에서 변수 a의 기여도, 변수 세 개로 구성된 변수조합에서 변수 a의 기여도의 합으로 구할 수 있다.
변수 1개 사용시 기여도(C1) 변수 2개 사용시 기여도(C2) 변수 3개 사용시 기여도(C3) 변수 중요도
(C1+C2+C3)
변수a 1/3 * S(a)
=1/3*0.2		 1/6*(S(a)+S(a))
=1/6*(0.2+0.4)		 1/3*S(a)
=1/3*0.7		 0.4
변수b 1/3 * S(b)
=1/3*0.3		 1/6*(S(a)+S(a))
=1/6*(0.3+(-0.1))		 1/3*S(b)
=1/3*0.2		 0.2
변수c 1/3 * S(c)
=1/3*0.4		 1/6*(S(c)+S(c))
=1/6*(0.6+(0.0)		 1/3*S(c)
=1/3*0.5		 0.1
총합 1.0
이상의 예는 이해를 돕기 위한 하나의 예일 뿐 인공지능모델의 예측값에 기여하는 각 변수의 중요도를 파악하는 종래의 다양한 방법이 본 실시 예에 적용될 수 있다.
도 12는 본 발명의 실시 예에 따른 템플릿데이터베이스의 일 예를 도시한 도면이고, 도 13은 템플릿데이터베이스를 이용하여 문장을 생성한 일 예를 도시한 도면이다.
도 12 및 도 13을 함께 참조하면, 템플릿데이터베이스는 금융거래정보를 구성하는 각 변수(1200,1210,1220)에 대한 문장 템플릿(1202,1204,1212,1214,1222,1224)을 포함한다. 예를 들어, 금융거래정보에 변수에 대한 값의 종류(예를 들어, Y 또는 N)나 범위 등 변수 값에 따른 적어도 하나 이상의 문장 템플릿이 존재할 수 있다. 본 실시 예는 설명의 편의를 위하여 각 변수별 두 개의 문장 템플릿의 예를 도시하고 있으나, 이는 하나의 예일 뿐 각 변수별 존재하는 문장 템플릿의 개수는 실시 예에 따라 다양할 수 있다.
예를 들어, 변수1(1200)이 '거래상대방이 외국인'인지 여부에 대한 값(Y 또는 N)을 포함하는 변수(1300)이면, 문장템플릿1a(1202)는 '~거래상대방 중 외국인 거래이력이 OO 바~"(1310)를 포함하고, 문장템플릿1b(1204)는 ' ~거래상대방 중 외국인 거래이력이 없고"를 포함하는 문장일 수 있다. 장치(100)는 금융거래정보의 변수1의 값이 'Y'(1320)이 이면, 문장템플릿1a(1202)을 이용하여 '~거래상대방 중 외국인 거래이력이 있는 바~"(1330)와 같이 생성할 수 있다.
다른 예로, 변수2(1210)가 '가상통화 거래 전 유사금액 타인 출금 건수'에 대한 값을 포함하는 변수(1300)이면, 문장템플릿2a(1212)는 '~ 송금 전 두 시간 이내 ~ 유사 금액 상대방이 입금 ~ 동일 패턴 한달 내 00건'(1310)이고, 문장템플릿2b(1214)는 '가상통화 거래 전 유사금액 타인 출금 건수가 없고'를 포함하는 문장일 수 있다. 장치는 변수2의 값이 '16건'이(1320)면, 문장템플릿2a를 이용하여 '~ 송금 전 두 시간 내에 ~ 유사 금액 상대방이 입금 ~ 동일 패턴 한달 내 16건'(1330)이라는 문장을 생성할 수 있다. 문장템플릿2a(1212)에 포함된 '~'의 빈 부분은 변수2(1210)가 아닌 다른 변수 값에 의해 채워질 수 있다.
이 외에도 템플릿데이터베이스는 각 변수에 대한 다양한 문장템플릿을 미리 정의하고 있을 수 있다. 실시 예에 따라 템플릿데이터베이스에 존재하는 변수의 종류와 개수, 각 변수별 문장템플릿은 다양하게 변형가능하다.
도 14는 본 발명의 실시 예에 따른 금융거래정보별 보고대상 여부의 분석 결과를 저장한 일 예를 도시한 도면이다.
도 14를 참조하면, 장치(100)는 인공지능모델(110,120)을 이용하여 금융거래정보가 보고대상으로 판별되면, 금융거래정보의 식별정보(1410), 각 변수의 중요도(1420,1430)와 각 변수의 값(1422,1432), 그리고 각 변수의 값에 해당하는 문장템플릿(1424,1434)을 템플릿데이터베이스에서 추출하여 저장할 수 있다. 장치(100)는 일정 기간(예를 들어, 1일 단위) 동안 복수의 금융거래정보에 대한 자금세탁의심거래 분석 결과를 리스트(1400)에 저장할 수 있다. 장치(100)는 리스트(1400)로 저장된 금융거래정보별 자금세탁의심거래 분석결과를 이용하여 보고서 등을 자동생성할 수 있다.
도 15 및 도 16은 본 발명의 실시 예에 따른 자금세탁의심거래 보고서의 일 예를 도시한 도면이다.
도 15 및 도 16을 참조하면, 장치(100)는 각 변수의 문장을 조합하는 순서를 미리 정의하고 있을 수 있다. 예를 들어, 장치(100)는 변수3에 대한 문장(1510), 변수1에 대한 문장(1520), 변수2에 대한 문장(1530) 등과 같이 각 변수에 대한 문장의 나열 순서(1500)를 미리 정의하고 있을 수 있다.
장치(100)는 금융거래정보가 자금세탁의심거래 보고대상으로 판별되면, 도 14의 리스트(1400)를 이용하여 금융거래정보를 구성하는 각 변수의 중요도(1420,1430)를 기초로 상위 일정 개수의 주요 변수를 파악하고, 각 주요 변수의 문장템플릿(1424,1434)에 각 변수의 값(1422,1432)을 대입하여 각 변수에 대한 문장을 생성할 수 있다. 예를 들어, 변수의 중요도를 기초로 파악된 변수가 제1 변수 및 제2 변수이고, 제3 변수는 주요 변수에 해당하지 않는다면, 장치(100)는 변수3에 대한 문장(1510) 없이 변수 1에 대한 문장(1520)과 변수 2에 대한 문장(1530) 등을 문장 배열순서에 맞게 배열한 보고서를 생성할 수 있다.
도 17은 본 발명의 실시 예에 따른 자금세탁의심거래의 분석 결과를 시각화 이미지로 표시한 일 예를 도시한 도면이다.
도 17을 참조하면, 장치(100)는 금융거래정보가 자금세탁의심거래로 판별되면 금융거래정보를 구성하는 변수 중 중요도를 기준으로 상위 및/또는 하위의 일정개수의 변수(170,1712,1714,1720,1722)를 파악한다. 장치(100)는 각 변수의 중요도를 기준으로 상위 일정 개수의 변수(1710,1712,1714) 및/또는 하위 일정 개수의 변수(1720,1722)를 중요도에 따라 서로 다른 크기의 시각화 이미지로 표시한다. 예를 들어, 장치(100)는 가로의 막대 그래프에서 중요도의 크기에 따라 막대 그래프에서 차지하는 비중을 서로 다르게 표시할 수 있다. 본 실시 예에서, 변수 '거래상대방 전기통신금융사기 연루 계좌 여부'(1710)가 자금세탁의심거래로 판단하는데 가장 큰 영향을 미친 변수임을 알 수 있다.
다른 실시 예로, 장치(100)는 중요도를 기준으로 상위 일정 개수의 변수(1710,1712,1714)만을 표시하여 금융거래정보가 자금세탁의심거래로 판별되는데 주요한 원인이 되는 변수가 무엇인지 표시할 수 있다. 다른 실시 예로, 장치(100)는 중요도를 기준으로 하위 일정 개수(1720,1722)의 변수를 상위 일정 개수(1710,1712,1714)의 변수와 함께 표시하여 미보고 대상으로 판단되는 주요 원인이 되는 주요 변수도 함께 표시할 수 있다.
도 18은 본 발명의 실시 예에 따른 자금세탁의심거래 파악장치의 일 예의 구성을 도시한 도면이다.
도 18을 참조하면, 장치(100)는 제1 인공지능모델(1810), 제2 인공지능모델(1820), 의심대상파악부(1830), 의심점수파악부(1840), 보고부(1850), 학습부(1860), 학습데이터생성부(1870)를 포함한다. 장치(100)가 학습완료된 제1 인공지능모델(1810) 및 제2 인공지능모델(1820)을 이용하는 경우 학습부(1860) 및 학습데이터생성부(1870)는 생략될 수 있다. 이 외에도 장치(100)는 실시 예에 따른 구성의 일부를 생략하거나 다른 구성을 부가하여 구현할 수 있다. 본 실시 예의 각 구성(1810~1870)은 소프트웨어로 구현되어 메모리 탑재된 후 프로세서에 의해 수행될 수 있다.
의심대상파악부(1830)는 금융거래정보를 입력받으면 제1 인공지능모델(1810)을 이용하여 금융거래정보가 의심보고대상인지 파악한다. 제1 인공지능모델(1810)은 금융거래정보를 입력받으면 자금세탁의심거래 의심보고대상을 판별하는 인공지능모델로서, 일 예가 도 6에 도시되어 있다.
의심점수파악부(1840)는 제1 인공지능모델(1810)에 의해 의심보고대상으로 파악되면, 제2 인공지능모델(1820)을 이용하여 금융거래정보에 대한 의심수준점수를 파악한다. 제2 인공지능모델(1820)은 금융거래정보를 입력받으면 의심수준점수를 출력하는 인공지능모델로서, 그 일 예가 도 7에 도시되어 있다. 다른 실시 예로, 의심점수파악부(1840)는 제2 인공지능모델(1820) 외에 도 9에서 살핀 제3 인공지능모델(900)과 제4 인공지능모델(910)을 함께 이용하여 의심수준점수를 파악할 수 있다.
보고부(1850)는 의심수준점수가 기 정의된 점수 이상이면 금융거래정보를 자금세탁의심거래 보고대상으로 파악한다. 보고부(1850)는 자금세탁의심거래 보고대상으로 파악된 금융거래정보에 대한 보고서를 자동 생성할 수 있으며, 보고서 생성 방법에 대한 예가 도 10 내지 도 17에 도시되어 있다.
학습데이터생성부(1870)는 자금세탁의심거래 보고 대상 및 미보고 대상의 금융거래정보를 이용하여 제1 인공지능모델(1810) 및/또는 제2 인공지능모델(1820)을 위한 학습데이터를 생성한다. 예를 들어, 학습데이터생성부(1870)는 복수의 금융거래정보에 자금세탁의심거래 보고 대상 여부를 라벨링하여 제1 인공지능모델(1810)의 학습을 위한 제1 학습데이터를 생성할 수 있다. 다른 예로, 학습데이터생성부(1870)는 제2 인공지능모델을 위하여 자금세탁의심거래 보고 대상에 해당하는 금융거래정보에 대한 의심수준점수를 포함하는 제2 학습데데이터를 생성할 수 있다. 다른 실시 예로, 의심점수파악부(1830)가 도 9에서 살핀 제3 및 제4 인공지능모델을 포함하는 경우에, 학습데이터생성부(1870)는 제3 및 제4 인공지능모델을 위한 제3 및 제4 학습데이터를 생성할 수 있다.
학습부(1860)는 학습데이터생성부(1870)에 의해 생성한 학습데이터를 이용하여 제1 인공지능모델(1810) 및/또는 제2 인공지능모델(1820)을 학습시킨다. 학습부(1860)는 일정 기간 단위로 제1 인공지능모델(1810) 및/또는 제2 인공지능모델(1820)을 재학습시킬 수 있으며, 이에 대한 일 예가 도 7에 도시되어 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (16)

  1. 자금세탁의심거래 파악장치가 수행하는 자금세탁의심거래 파악방법에 있어서,
    자금세탁의심거래 보고대상을 판별하는 제1 인공지능모델을 이용하여 금융거래정보가 의심보고대상인지 파악하는 단계;
    상기 제1 인공지능모델에 의해 의심보고대상으로 파악되면, 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델을 이용하여 상기 금융거래정보에 대한 의심수준점수를 파악하는 단계; 및
    상기 의심수준점수가 기 정의된 점수 이상이면 상기 금융거래를 보고대상으로 파악하여 보고하는 단계;를 포함하고,
    상기 보고하는 단계는,
    상기 금융거래정보의 각 변수가 상기 제1 인공지능모델 또는 상기 제2 인공지능모델의 출력에 미치는 중요도를 파악하는 단계; 및
    각 변수별 기 정의된 템플릿 문장이 저장된 템플릿데이터베이스로부터, 상기 중요도를 기준으로 상위 또는 하위의 일정 개수의 변수에 해당하는 템플릿 문장을 추출한 후 추출한 문장에 상기 금융거래정보의 변수 값을 대입하여 보고서를 생성하는 단계;를 포함하고,
    상기 중요도를 파악하는 단계는,
    상기 금융거래정보를 구성하는 복수의 변수에 대한 다양한 조합을 상기 제1 인공지능모델 또는 상기 제2 인공지능모델에 입력하여 각 조합에 대한 예측값을 획득하는 단계; 및
    각 조합의 예측값을 기반으로 각 변수의 중요도를 산출하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  2. 삭제
  3. 제 1항에 있어서, 상기 보고하는 단계는,
    상기 중요도를 기준으로 상위 일정 개수의 변수 또는 하위 일정 개수의 변수를 중요도에 따라 서로 다른 크기의 시각화 이미지로 표시하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  4. 제 1항에 있어서, 상기 보고하는 단계는,
    상기 금융거래정보의 거래금액이 기 설정된 금액 이상이면 보고대상으로 파악하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  5. 제 1항에 있어서, 상기 의심수준점수를 파악하는 단계는,
    상기 의심수준점수가 기 정의된 점수 이상이면, 의심수준점수의 분포가 중간값 이상의 데이터가 중간값 이하의 데이터보다 더 많은 학습데이터를 이용하여 자금세탁의심거래 의심수준점수를 예측하도록 학습시킨 제3 인공지능모델에 상기 금융거래정보를 입력하여 의심수준점수를 다시 예측하는 단계; 및
    상기 의심수준점수가 기 정의된 점수 미만이면, 의심수준점수의 분포가 중간값 이하의 데이터가 중간값 이상의 데이터보다 더 많은 학습데이터를 이용하여 자금세탁의심거래 의심수준점수를 예측하도록 학습시킨 제4 인공지능모델에 상기 금융거래정보를 입력하여 의심수준점수를 다시 예측하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  6. 제 1항에 있어서,
    자금세탁의심거래 보고 대상 및 미보고 대상으로 판별된 금융거래정보를 포함하는 제1 학습데이터를 이용하여 상기 제1 인공지능모델을 학습시키는 단계; 및
    자금세탁의심거래 의심수준점수를 평가한 금융거래정보를 포함하는 제2 학습데이터를 이용하여 상기 제2 인공지능모델을 학습시키는 단계;를 의심보고대상인지 파악하는 단계 전에 더 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  7. 제 6항에 있어서,
    입출금거래의 고객 명칭과 거래 상대방의 명칭을 기 정의된 기관이나 회사관련 명칭 리스트 또는 인명사전과 비교하여 순수 개인간 거래인지 판단하는 단계;
    순수 개인간 거래에 해당하는 금융거래정보를 포함하는 상기 제1 학습데이터 또는 상기 제2 학습데이터를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  8. 제 6항에 있어서,
    고객과 일정 기간 내 직접 입출금 거래한 제1 단계 상대방을 파악하는 단계;
    상기 제1 단계 상대방과 일정 기간 내 직접 입출금 거래한 제2 단계 상대방을 파악하는 단계를 반복 수행하여 제N(N은 3 이상의 자연수) 단계 상대방까지 파악하는 단계; 및
    상기 고객부터 상기 제N 단계 상대방까지의 연결관계를 포함하는 금융거래정보를 포함하는 상기 제1 학습데이터 또는 상기 제2 학습데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  9. 제 6항에 있어서,
    고객의 입출금거래 적요에 기재된 텍스트의 키워드를 분석하여 상기 입출금거래를 기 정의된 복수의 거래목적 중 어느 하나로 파악하는 단계;
    거래목적을 포함하는 금융거래정보를 포함하는 상기 제1 학습데이터 또는 상기 제2 학습데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악 방법.
  10. 자금세탁의심거래 의심보고대상을 판별하는 제1 인공지능모델을 이용하여 금융거래정보가 의심보고대상인지 파악하는 의심대상파악부;
    상기 제1 인공지능모델에 의해 의심보고대상으로 파악되면, 자금세탁의심거래 의심수준을 파악하는 제2 인공지능모델을 이용하여 상기 금융거래정보에 대한 의심수준점수를 파악하는 의심점수파악부; 및
    상기 의심수준점수가 기 정의된 점수 이상이면 상기 금융거래를 보고대상으로 파악하여 보고하는 보고부;를 포함하고,
    상기 보고부는,
    상기 금융거래정보의 각 변수가 상기 제1 인공지능모델 또는 상기 제2 인공지능모델의 출력에 미치는 중요도를 파악하는 중요도파악부; 및
    각 변수별 기 정의된 템플릿 문장이 저장된 템플릿데이터베이스로부터, 상기 중요도를 기준으로 상위 또는 하위의 일정 개수의 변수에 해당하는 템플릿 문장을 추출한 후 추출한 문장에 상기 금융거래정보의 변수 값을 대입하여 보고서를 생성하는 보고서생성부;를 포함하고,
    상기 중요도파악부는, 상기 금융거래정보를 구성하는 복수의 변수에 대한 다양한 조합을 상기 제1 인공지능모델 또는 상기 제2 인공지능모델에 입력하여 각 조합에 대한 예측값을 획득하고, 각 조합의 예측값을 기반으로 각 변수의 중요도를 산출하는 것을 특징으로 하는 자금세탁의심거래 파악장치.
  11. 삭제
  12. 제 10항에 있어서,
    자금세탁의심거래 보고 대상 및 미보고 대상으로 판별된 금융거래정보를 포함하는 학습데이터를 이용하여 상기 제1 인공지능모델을 학습시키고, 자금세탁의심거래 의심수준점수를 평가한 금융거래정보를 포함하는 학습데이터를 이용하여 상기 제2 인공지능모델을 학습시키는 학습부;를 더 포함하는 것을 특징으로 하는 자금세탁의심거래 파악장치.
  13. 제 10항에 있어서,
    상기 제1 인공지능모델 또는 상기 제2 인공지능모델의 학습을 위하여, 입출금거래의 고객 명칭과 거래 상대방의 명칭을 기 정의된 기관이나 회사관련 명칭 리스트 또는 인명사전과 비교하여 순수 개인간 거래인지 판단한 후 순수 개인간 거래에 해당하는 금융거래정보를 포함하는 학습데이터를 생성하는 학습데이터생성부;를 더 포함하는 것을 특징으로 하는 자금세탁의심거래 파악장치.
  14. 제 10항에 있어서,
    고객과 일정 기간 내 직접 입출금 거래한 제1 단계 상대방을 파악하고, 상기 제1 단계 상대방과 일정 기간 내 직접 입출금 거래한 제2 단계 상대방을 파악하는 단계를 반복 수행하여 제N(N은 3 이상의 자연수) 단계 상대방까지 파악한 후, 상기 고객부터 상기 제N 단계 상대방까지의 연결관계가 존재하는 금융거래정보를 포함하는 학습데이터를 생성하는 학습데이터생성부;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악장치.
  15. 제 10항에 있어서,
    고객의 입출금거래 적요에 기재된 텍스트의 키워드를 분석하여 상기 입출금거래를 기 정의된 복수의 거래목중 중 어느 하나로 파악한 후, 거래목적을 포함하는 금융거래정보가 존재하는 학습데이터를 생성하는 학습데이터생성부;를 포함하는 것을 특징으로 하는 자금세탁의심거래 파악장치.
  16. 제 1항 및 제 3항 내지 제 9항 중 어느 한 항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020210000844A 2021-01-05 2021-01-05 자금세탁의심거래 파악 방법 및 그 장치 KR102607383B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210000844A KR102607383B1 (ko) 2021-01-05 2021-01-05 자금세탁의심거래 파악 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210000844A KR102607383B1 (ko) 2021-01-05 2021-01-05 자금세탁의심거래 파악 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20220098934A KR20220098934A (ko) 2022-07-12
KR102607383B1 true KR102607383B1 (ko) 2023-11-29

Family

ID=82420118

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210000844A KR102607383B1 (ko) 2021-01-05 2021-01-05 자금세탁의심거래 파악 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102607383B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102640624B1 (ko) * 2023-05-26 2024-02-23 박만성 자금세탁방지(AML) 서비스를 제공하기 위한 클라우드 기반 SaaS형 자금세탁방지 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101934326B1 (ko) * 2018-04-17 2019-01-02 (주)시큐레이어 다중 fds 시스템 기반 실시간 블랙리스트 공유 방법 및 이를 사용한 트래커 서버
WO2020102395A1 (en) * 2018-11-14 2020-05-22 C3.Ai, Inc. Systems and methods for anti-money laundering analysis

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101717596B1 (ko) * 2015-02-12 2017-03-17 주식회사 핑거 이상거래 탐지장치 및 탐지방법
KR20180059203A (ko) * 2016-11-25 2018-06-04 공주대학교 산학협력단 지불 거절 사기 사용자의 예측 방법 및 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101934326B1 (ko) * 2018-04-17 2019-01-02 (주)시큐레이어 다중 fds 시스템 기반 실시간 블랙리스트 공유 방법 및 이를 사용한 트래커 서버
WO2020102395A1 (en) * 2018-11-14 2020-05-22 C3.Ai, Inc. Systems and methods for anti-money laundering analysis

Also Published As

Publication number Publication date
KR20220098934A (ko) 2022-07-12

Similar Documents

Publication Publication Date Title
Finlay Predictive analytics, data mining and big data: Myths, misconceptions and methods
US20200134231A1 (en) Layered Masking of Content
US8838499B2 (en) Methods and systems for life stage modeling
CN110892442A (zh) 用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备
US20210182859A1 (en) System And Method For Modifying An Existing Anti-Money Laundering Rule By Reducing False Alerts
US8355896B2 (en) Co-occurrence consistency analysis method and apparatus for finding predictive variable groups
Akinbowale et al. The integration of forensic accounting and big data technology frameworks for internal fraud mitigation in the banking industry
JP2016206878A (ja) 営業員育成支援システムおよび営業員育成支援方法
Mahootiha et al. Designing a new method for detecting money laundering based on social network analysis
CN109840676A (zh) 基于大数据的风控方法、装置、计算机设备及存储介质
KR102607383B1 (ko) 자금세탁의심거래 파악 방법 및 그 장치
Perez et al. I Call BS: Fraud detection in crowdfunding campaigns
JP6875445B2 (ja) 情報処理装置、情報処理方法及びプログラム
Carvalho et al. Using political party affiliation data to measure civil servants' risk of corruption
CN110245985A (zh) 一种信息处理方法及装置
Elrefai et al. Using artificial intelligence in enhancing banking services
Rahmani et al. Detecting fraudulent transactions in banking cards using scale‐free graphs
Thakur et al. An allotment of H1B work VISA in USA using machine learning
Güntay et al. An explainable credit scoring framework: A use case of addressing challenges in applied machine learning
Zand Towards intelligent risk-based customer segmentation in banking
Tabar et al. Identifying the Suspected Cases of Money Laundering in Banking Using Multiple Attribute Decision Making (MADM)
WO2024013939A1 (ja) 機械学習プログラム、機械学習方法、および情報処理装置
US20240086816A1 (en) Systems and methods for risk factor predictive modeling with document summarization
US20240086815A1 (en) Systems and methods for risk factor predictive modeling with document summarization
Shortland et al. Data mining applications in BT

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right