금융 기관이 자체 지능 구축을 위해 '트랜잭션 파운데이션 모델'로 모이는 이유

금융 기관들은 그동안 사기 탐지, 신용 모델, 추천 엔진 등 특정 작업에 특화된 모델을 개별적으로 구축해 왔다. 하지만 이러한 사일로(Siloed) 시스템은 소비자 행동에 대한 통합된 이해를 방해하며, 데이터 규모가 커질수록 모델 간의 복잡성만 가중시킨다.

이에 대한 해결책으로 **트랜잭션 파운데이션 모델(Transaction Foundation Models)**이 부상하고 있다. 이 모델은 결제, 송금, 행동 신호 등 수십억 건의 금융 이벤트를 학습하여 원시 데이터를 지능으로 변환한다. 특히 Transformer 아키텍처를 정형 데이터(Tabular data)에 적용해, 시간, 기기, 위치 등 맥락을 파악함으로써 기존 알고리즘이 놓치던 신호를 포착한다.

Revolut은 NVIDIA와 협력하여 PRAGMA라는 파운데이션 모델 제품군을 구축했다. NVIDIA Hopper GPU, cuDF, Nemotron 오픈 모델을 활용한 이 시스템은 2,600만 명의 사용자 데이터를 학습하여 신용 점수 산정, 사기 탐지 등 다양한 영역에서 기존 전용 모델보다 뛰어난 성능을 보였다. 또한, 수주가 걸리던 피처 엔지니어링(Feature engineering) 시간을 거의 제로에 가깝게 단축했다.

Mastercard 역시 NVIDIA, AWS, Databricks의 기술을 활용해 결제용 대규모 정형 파운데이션 모델을 개발 중이다. 이 모델은 수천억 건의 데이터를 처리하도록 설계되었으며, 사이버 보안, 개인화, 포트폴리오 최적화 등 다양한 분야에서 기존 머신러닝 기법을 능가하는 성능을 보여주고 있다.