home
About
home
금융기술연구소
조직 구성
주요 연혁
우리의 연구
주요 성과
연구 스토리
연구 협업 제안
언론 보도
카카오뱅크 >
기술블로그 >
home

카카오뱅크 금융기술연구소

우리의 목표

보다 가치 있는 기술의 실현

금융 혁신 기술 탐구

기술 발전의 흐름을 조명하고, 부상하는 최신 기술을 금융산업에 접목시키기 위한 연구를 수행합니다

기술 생태계 기여

연구 성과를 함께 공유하며 금융기술 생태계 활성화에 기여합니다

금융산업의 안전성을 담보하고 혁신 기반을 마련하는 기술 도약의 산실

주요 성과

목록보기

Abstract

Access to financial tabular data is often restricted owing to strict regulations surrounding personal information. Despite the advanced generative capabilities of large language models (LLMs), methodologies for the effective creation or expansion of financial tabular datasets remains undeveloped. The complexity of attribute relationships and the diverse data ranges in financial services present significant challenges in processing and understanding these datasets. To address these issues, we propose an expertise-centric prompting framework for synthesizing realistic and accessible pseudo-financial data. This framework involves a collaboration between financial experts and LLMs, focusing on schema calibration and attribute constraints. Moreover, we introduce new metrics to evaluate the realism of these pseudo datasets. We validated the effectiveness of the proposed framework and metrics on both English and Korean datasets, encompassing card transactions, loan statements, and deposits and savings, utilizing pre-trained LLMs such as KoGPT, ClovaX, LLAMA 2-Chat, GPT-3.0, and ChatGPT-3.5/4.0.
Expertise-Centric Prompting Framework for Financial Tabular Data Generation using Pre-trained Large Language Models
Neurips 2024 Workshops
2024/12/10

Abstract

Federated Learning (FL) for face recognition aggregates locally optimized models from individual clients to construct a generalized face recognition model. However, previous studies present two major challenges: insufficient incorporation of self-supervised learning and the necessity for clients to accommodate multiple subjects. To tackle these limitations, we propose FedFS (Federated Learning for personalized Face recognition via intra-subject Self-supervised learning framework), a novel federated learning architecture tailored to train personalized face recognition models without imposing subjects. Our proposed FedFS comprises two crucial components that leverage aggregated features of the local and global models to cooperate with representations of an off-the-shelf model. These components are (1) adaptive soft label construction, utilizing dot product operations to reformat labels within intra-instances, and (2) intra-subject self-supervised learning, employing cosine similarity operations to strengthen robust intra-subject representations. Additionally, we introduce a regularization loss to prevent overfitting and ensure the stability of the optimized model. To assess the effectiveness of FedFS, we conduct comprehensive experiments on the DigiFace-1M and VGGFace datasets, demonstrating superior performance compared to previous methods.
Federated Learning for Face Recognition via Intra-subject Self-supervised Learning
BMVC 2024
2024/11/25

Abstract

To mitigate the annual financial losses caused by SMS phishing (smishing) in South Korea, we propose an explainable smishing detection framework that adapts to a Korean-centric large language model (LLM). Our framework not only classifies smishing attempts but also provides clear explanations, enabling users to identify and understand these threats. This end-to-end solution encompasses data collection, pseudo-label generation, and parameterefficient task adaptation for models with fewer BertScore 0.90 0.68 BLEU 0.70 0.25 0.19 0.12 0.06 0.52 0.35 0.18 Accuracy 1.00 0.75 0.45 0.22 0.50 0.25 0.25 0.50 0.25 ROUGE 1.25 1.25 2.50 3.75 5.00 Logicalness 2.50 1.25 1.25 2.50 2.50 3.75 3.75 F1 (Normal) 1.00 0.75 0.50 3.75 0.75 5.00 1.00 F1 (Smishing) Format Adherence than five billion parameters. Our approach achieves a 15% improvement in accuracy over GPT-4 and generates high-quality explanatory text, as validated by seven automatic metrics and qualitative evaluation, including human assessments.
KorSmishing Explainer: A Korean-centric LLM-based Framework for Smishing Detection and Explanation Generation
EMNLP 2024
2024/11/12

연구 스토리

목록보기
Contents

SHAP 알고리즘 가속화 필요성

카카오뱅크 금융기술연구소에서는 인공지능 알고리즘을 실제 비즈니스 문제에 활용하기 위해 다양한 R&D 활동을 수행하고 있습니다. 이러한 활동 중 하나로 설명가능 인공지능(eXplainable AI, 이하 XAI)에 대해 여러 차례 소개해드렸습니다. 이번 글에서는 산학협력으로 완성한 XAI 알고리즘 가속화 결과에 대해서 이야기 나누고자 합니다.
XAI 알고리즘 관련 소개글
다양한 XAI 알고리즘 중에서, 이전에 소개해드린 SHAP (Shapley Additive exPlanations)은 새플리값(Shapley Value)이라는 수리경제학적 이론에 기초한 방법론입니다. SHAP은 아래 수식과 같이 입력과 출력의 형태를 갖는 모든 함수에 대해 적용하여 설명 결과를 산출할 수 있다는 장점을 갖지만, 알고리즘 특성상 많은 계산량을 요구하기 때문에 SHAP 가속화 연구를 진행하게 되었습니다.
βp^(f,x)=∑S⊆F∖{p}(∣F∣1,∣S∣,∣F∣−∣S∣−1)−1[fS∪{p}(xS∪{p})−fS(xS)]\hat{\beta_p}(f,x) = \sum_{S\subseteq{F\setminus{\{p\}}}} \binom{|F|}{1,|S|,|F|-|S|-1}^{-1} [f_{S\cup\{p\}}(x_{S\cup\{p\}})-f_{S}(x_{S})]
가속화가 필요한 이유는 크게 2가지 입니다. 먼저, “실시간성”을 보장해야 하는 업무가 있습니다. 카카오뱅크에서는 고객의 소중한 자산을 지키기 위해 이상거래탐지 업무에 AI를 활용하고 있습니다. 가령, 개발한 이상거래탐지 인공지능 알고리즘이 보이스피싱으로 의심되는 거래를 실시간으로 탐지했는데, 탐지된 이유를 살펴보기 위한 XAI 결과를 3초 이상 기다려야 한다고 생각해보겠습니다. 이 때, 탐지된 대상이 실제 보이스피싱 피해자가 범죄자 계좌로 송금하는 거래였다면, 3초 뒤가 아니라 실시간으로 빠르게 해당 고객의 금융거래를 제한하여 추가적인 피해를 막아야 합니다.
AI를 설명하면서 속도도 빠르게 할 순 없을까? SHAP 가속화 이야기
2024/12/27
카카오뱅크가 이번 서비스를 개발하면서 가장 중점을 둔 부분은 특정 메시지를 스미싱으로 판단하게 된 이유를 한번 더 자세히 알려주는 기능입니다. 간단히 스미싱 여부만 알려줄 경우 이용자가 선뜻 신뢰하기 어렵기에, 덧붙인 판단 근거로 이해도를 높여 해당 정보를 신뢰할지 스스로 결정할 수 있도록 도움을 주고자 했습니다. 최근 생성형 AI 모델들은 사용자 의도를 잘 파악해 자연스러운 판단 근거 생성에 사용해 볼 수 있었습니다. 간단한 문자 내용 분류는 규칙 기반(Rule-based) 방식이 정확도와 효율이 높을 수 있지만, 새롭게 생기는 유형에 유연하게 대응하거나 판단 근거까지 생성해 줄 수는 없어서 LLM (Large Language Model)이 유리했습니다.
더 안전한 금융거래를 지원하는 ‘AI 스미싱 문자 확인’ 서비스
Contents
매일 같이 새로운 LLM이 공개되는 지금, 우리는 쏟아지는 LLM 속에서 어떻게 나에게 딱 맞는 모델을 찾을 수 있을까요?
또 우리는 어떻게 “말을 잘 한다” 는 기준을 수치화할 수 있을까요?
금융기술연구소가 if(kakaoAI) 2024에서 발표한 카카오뱅크 시선에 맞춘 LLM을 평가 및 검증 능력의 내재화 경험을 공유합니다.

생성형 AI의 황금기 : 끝없이 등장하는 LLM과 평가 방법들

Language Model 기술이 변곡점을 넘어가면서 LLM을 이용한 새로운 모델들과 LLM에 관한 연구 결과들이 폭발적으로 발표되고 있습니다. 특히 ACL(Association for Computational Linguistics) 학회의 Language Model 관련 논문의 발표 추이를 보면 그 관심을 시간이 지날수록 더더욱 증가하는 것을 알 수 있습니다. 또한 Hugging Face의 Text Generating 분야도 2년 만에 46배 성장하여 이는 비단 학술적인 접근뿐만이 아니라 학계와 산업계의 관심이 지속적으로 확산되고 있음을 보여줍니다.
이렇게 많은 선택지가 쏟아지면 자연스럽게 "어떤 모델이 가장 좋을까?"라는 질문이 생깁니다. 그 배경에는 각 서비스와 데이터가 모두 다르고 필요한 속도, 환경, 성능 등 다양한 요인들을 고려해야 하기 때문입니다. 모델 선택은 이러한 요소들을 종합적으로 고려해야 하는 복잡한 과정이며 특정 상황에 가장 적합한 모델을 선택하기 서비스 별 특화 기준이 필요합니다.
LLM 평가 프레임워크 구축기 : 최적의 LLM을 선택하는 방법, DUO
2024/11/26

언론 보도

목록보기
바야흐로 거대언어모델(LLM) 시대다. 오픈AI의 GPT, 메타의 라마, 구글의 제미나이, 아마존의 타이탄 등 빅테크에서 LLM을 쏟아내고 고도화하고 있다. LLM은 다양한 산업군에 적용될 것으로 보인다. 디지털 전환에 관심이 많은 금융권에서도 LLM에 관심을 보인다. 온라인 고객센터부터 시작해 궁극적으로 영업점에도 LLM을 도입하고 싶어한다. 그러나 LLM의 최대 단점은 AI의 거짓말, 즉 ‘환각(할루시네이션)’이다. 특히 ‘돈’이 오가는 은행에서 환각은 치명적이다. 그래서 은행에게 필요한 것은 LLM을 잘 평가하는 일이다.
“생성AI도 시험치자” LLM 테스트 만든 카카오뱅크
2024/12/13
바이라인네트워크
카카오뱅크, 카이스트 손잡고 XAI 속도 10배 높였다
2024/10/25
전자신문

카카오뱅크 금융기술연구소

Financial Tech Lab
Copyright ⓒ KakaoBank Corp. All rights reserved.