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

Jailbreaking poses a significant risk to the deployment of Large Language Models (LLMs) and Vision Language Models (VLMs). VLMs are particularly vulnerable because they process both text and images, creating broader attack surfaces. However, available resources for jailbreak detection are scarce, particularly in finance. To address this gap, we present FENCE, a bilingual (Korean-English) multimodal dataset for training and evaluating jailbreak detectors in financial applications. FENCE emphasizes domain realism through finance-relevant queries paired with image-grounded threats. Experiments with commercial and open-source VLMs reveal consistent vulnerabilities, with GPT-4o showing measurable attack success rates and open-source models displaying greater exposure. A baseline detector trained on FENCE achieves 99 percent in-distribution accuracy and maintains strong performance on external benchmarks, underscoring the dataset's robustness for training reliable detection models. FENCE provides a focused resource for advancing multimodal jailbreak detection in finance and for supporting safer, more reliable AI systems in sensitive domains. Warning: This paper includes example data that may be offensive.
FENCE: A Financial and Multimodal Jailbreak Detection Dataset
LREC 2026
2026/02/20

Abstract

Large language models (LLMs)-based chatbots are increasingly being adopted in the financial domain, particularly in digital banking, to handle customer inquiries about products such as deposits, savings, and loans. However, these models still exhibit low accuracy in core banking computations-including total payout estimation, comparison of products with varying interest rates, and interest calculation under early repayment conditions. Such tasks require multi-step numerical reasoning and contextual understanding of banking products, yet existing LLMs often make systematic errors-misinterpreting product types, applying conditions incorrectly, or failing basic calculations involving exponents and geometric progressions. However, such errors have rarely been captured by existing benchmarks. Mathematical datasets focus on fundamental math problems, whereas financial benchmarks primarily target financial documents, leaving everyday banking scenarios underexplored. To address this limitation, we propose BankMathBench, a domain-specific dataset that reflects realistic banking tasks. BankMathBench is organized in three levels of difficulty-basic, intermediate, and advanced-corresponding to single-product reasoning, multi-product comparison, and multi-condition scenarios, respectively. When trained on BankMathBench, open-source LLMs exhibited notable improvements in both formula generation and numerical reasoning accuracy, demonstrating the dataset's effectiveness in enhancing domain-specific reasoning. With tool-augmented fine-tuning, the models achieved average accuracy increases of 57.6%p (basic), 75.1%p (intermediate), and 62.9%p (advanced), representing significant gains over zero-shot baselines. These findings highlight BankMathBench as a reliable benchmark for evaluating and advancing LLMs' numerical reasoning in real-world banking scenarios.
BankMathBench: A Benchmark for Numerical Reasoning in Banking Scenarios
LREC 2026
2026/02/19

Abstract

As financial applications of large language models (LLMs) gain attention, accurate Information Retrieval (IR) remains crucial for reliable AI services. However, existing benchmarks fail to capture the complex and domain-specific information needs of real-world banking scenarios. Building domain-specific IR benchmarks is costly and constrained by legal restrictions on using real customer data. To address these challenges, we propose a systematic methodology for constructing domain-specific IR benchmarks through LLM-based query generation. As a concrete implementation of this methodology, our pipeline combines single and multi-document query generation with an enhanced and reasoning-augmented answerability assessment method, achieving stronger alignment with human judgments than prior approaches. Using this methodology, we construct KoBankIR, comprising 815 queries derived from 204 official banking documents. Our experiments show that existing retrieval models struggle with the complex multi-document queries in KoBankIR, demonstrating the value of our systematic approach for domain-specific benchmark construction and underscoring the need for improved retrieval techniques in financial domains.
Query Generation Pipeline with Enhanced Answerability Assessment for Financial Information Retrieval
ICAIF 2025
2025/11/14

연구 스토리

목록보기
Contents

연구배경

금융권에서 AI 기반 고객 서비스가 확대되면서 정확한 정보 검색(Information Retrieval; IR)의 중요성이 커지고 있습니다. 특히 은행은 상품 안내부터 약관 설명까지 다양한 고객 문의를 처리하기 위해 정교한 IR 시스템이 필요합니다. 하지만 기존 금융 정보 검색 벤치마크는 몇 가지 한계가 있었습니다.
•
주로 재무제표가 뉴스 분석에 집중되어 있어 실제 은행 업무에 적용하기 어려움
•
여러 문서를 참조해야 하는 복잡한 질의가 부족
ICAIF 2025 : RAG를 위한 텍스트 임베딩 모델 개발
2025/12/15
Contents

모바일 신분증 시대, 카카오뱅크가 금융권 최초로 신뢰성을 입증하다

카카오뱅크는 지난 9월 한국정보통신기술협회(이하 TTA)가 주관한 모바일 신분증 안면인식 적합성 평과를 통과했습니다. 금융사 뿐 아니라 지난 7월 모바일 신분증 서비스를 개시한 민간 개방 기업 중에서도 자체 기술로 모바일 신분증 안면인식 적합성 평가를 통과한 곳은 카카오뱅크가 유일합니다[1]. 카카오뱅크는 연구소에서 개발한 자체 안면 인식 기술력을 바탕으로 향후 모바일 신분증 서비스를 보다 고도화하며 안정성 또한 강화할 예정입니다.

안면인식 적합성 평가란 무엇인가?

TTA 인증 받은 모바일 신분증 안면인식 모델 개발기
2025/12/10

언론 보도

목록보기
카카오뱅크가 세계적 권위의 AI 및 데이터 과학 분야 국제 학술대회에서 연속으로 논문 채택이 이루어지며 금융 AI 기술 리더십을 입증했다고 11일 밝혔다.
카카오뱅크 금융기술연구소는 최근 개최된 ‘CIKM 2025’와 ‘ICAIF 2025’에서 ▷‘설명 가능한 AI(eXplainable AI, 이하 XAI)’의 연산 가속화 방법론 ▷금융 특화 한국어 정보 검색(IR, Information Retrieval) 벤치마크 데이터셋 구축 등 연구 결과를 발표했다. 금융 AI 분야의 양대 핵심 과제로 꼽히는 ‘AI 모델의 설명 가능성(Explainability) 확보’와 ‘한국어 금융 문맥 처리 정확도 개선’에 대한 해법을 제시해 검증 받았다.
(중략)
카카오뱅크, 글로벌 최정상 AI 학회서 연속 논문 채택
카카오뱅크, KISA와 협력…‘AI 스미싱 문자 확인’ 고도화
카카오뱅크가 금융 인공지능(AI) 보안을 강화하기 위해 개발해온 보안 기술 성과를 선보였다.
카카오뱅크 기술연구소는 24일 개발자 콘퍼런스 '이프카카오25'에서 자체 AI 보안 시스템 개발 성과를 소개했다. 이번에 소개된 연구성과는 △프롬프트 공격 탐지 기술 △다중 대화(멀티턴) 공격 탐지 확장 △출력 가드레일 연구 등 세 가지다.
프롬프트 공격 탐지 기술은 해커가 AI에게 내부 정보를 캐내거나 규칙을 우회하도록 유도하는 입력 공격을 실시간으로 식별·차단한다. 카카오뱅크는 금융 환경에 특화된 데이터셋을 직접 구축해 모델을 학습시켜 단순 패턴 매칭을 넘어 실효성을 높였다. 대표적으로 AI에게 다른 사람의 계좌 비밀번호를 묻는 등 악의적인 정보 탈취를 막는다.
(중략)
카카오뱅크, 실시간 해킹 차단 AI 신기술 공개
2025/09/24
전자신문

카카오뱅크 금융기술연구소

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