금융 서비스

당신의 Web3 에이전트는 안전합니까? MCP로 블록체인 트랜잭션의 보안 허점을 막는 법

Fri, 05 Dec 2025 17:00:00 +0000

해당 블로그의 원문은 2025년 12월 6일 Google Cloud 블로그(영문)에 게재되었습니다.

Google Cloud는 AI와 Web3라는 두 가지 혁신적인 기술의 독특한 교차점에 있습니다. 블록체인과 상호작용할 수 있는 AI 에이전트의 등장은 자동화된 금융 전략, 빠른 결제, 그리고 복잡한 DeFi(탈중앙화 금융) 작업을 실행하거나 여러 체인에 걸쳐 자산을 연결(bridging)하는 등 더욱 복잡한 시나리오의 세계를 열어줍니다.

하지만 이 새로운 패러다임의 실질적인 실행 가능성은 누가 에이전트를 호스팅하고, 누가 작업에 필요한 개인 키를 소유하는가에 달려 있습니다.

핵심 문제는 간단합니다. 대부분의 암호화폐 사용자는 에이전트 키를 관리하기 위해 직접 보안 서버를 운영하지 않을 것이므로, 서비스 제공업체는 두 가지 주요 아키텍처 중 하나를 선택할 가능성이 높습니다. 첫째는 사용자가 개인 키를 제어하는 제3자 에이전트에게 자금을 위임하는 커스터디얼 모델(Custodial Model)이고, 둘째는 에이전트가 생성한 트랜잭션을 사용자가 자신의 개인 키로 직접 서명하는 논커스터디얼 모델(Non-custodial Model)입니다.

오늘날 대부분의 예시는 에이전트가 직접 개인 키를 보유하는 형태를 보여주며, 대부분의 암호화폐 모델 컨텍스트 프로토콜(MCP) 서버는 개인 키로 구성해야만 사용할 수 있습니다. 하지만 이것이 유일한 선택지는 아닐 수 있습니다.

에이전트 제어 모델 (Agent-Controlled Model)

이 모델은 사용자가 제3자가 호스팅하는 에이전트와 상호작용하는 환경을 위해 설계되었으며, 이는 기술 대중화를 위한 현실적인 가정입니다. 이 시나리오에서 사용자는 에이전트에게 자신의 개인 키를 제공하지 않습니다. 대신, 에이전트는 자체 키를 가지며, 사용자는 에이gent가 자신을 대신하여 자산을 사용할 수 있도록 허용량(allowance)을 부여합니다.

동작 방식

에이전트 제어 모델 시퀀스 다이어그램

에이전트가 지갑을 가집니다: 에이전트는 하나 또는 여러 개의 개인 키를 소유합니다. 이 지갑들의 개인 키는 사용자가 아닌, 에이전트의 호스트가 안전하게 관리합니다.
사용자가 자금을 위임합니다: 사용자는 개인 지갑(예: MetaMask, 하드웨어 지갑)에서 에이전트의 공개 주소로 특정 금액을 전송합니다.
에이전트가 자율성을 얻습니다: 이제 에이전트는 자신이 제어하는 지갑의 자금에 대해 완전한 자율적 통제권을 갖게 됩니다. 에이전트는 자신의 키를 사용하여 미리 지급된 잔액이 소진될 때까지 토큰을 교환(swap)하거나, NFT를 구매하거나, 다른 에이전트에게 데이터 비용을 지불하는 등의 트랜잭션에 서명하고 실행할 수 있습니다.

내재된 리스크

이 모델은 자동화를 제공하지만, 리스크의 주체를 사용자에게서 에이전트와 그 호스트로 이전시키는 중대한 위험을 내포합니다.

성능 리스크: 에이전트의 성능이 저조할 수 있습니다. 예를 들어, 트레이딩 에이전트가 잘못된 전략을 실행하여 사용자가 위임한 자금을 잃을 수 있습니다.
악의적 행위 리스크: 잘못 설계되었거나 의도적으로 악의적인 에이전트가 자금을 오용할 수 있습니다. 예를 들어, 에이전트가 승인되지 않은 주소로 잔액을 전송할 수 있습니다. 이러한 시나리오를 방지하기 위해, 호스팅 플랫폼은 에이전트의 행동을 제약하는 강력한 안전장치, 감사, 규칙을 갖추어야 합니다. 또 다른 옵션은 자금의 사용 방식을 보장하는 스마트 컨트랙트 안에 에이전트 자금을 안전하게 보관하는 것입니다.
보안 리스크: 제3자 호스트는 이제 사용자가 위임한 자금의 수탁자(custodian)가 됩니다. 만약 호스트 플랫폼이 해킹당해 에이전트의 개인 키가 유출된다면, 사용자가 선지급한 잔액이 주요 공격 대상이 될 것입니다.

자체 호스팅(Self-hosted) 변형 모델

기술적으로 숙련된 소수의 사용자는 개인 서버에서 이 모델을 직접 실행하기를 원할 것입니다. AI 에이전트 개발이 아직 초기 단계에 있기 때문에, 이 소규모 개발자 및 얼리 어답터 그룹이 현재의 주요 사용자층을 형성하고 있습니다.

결과적으로, 이 자체 호스팅 모델은 오늘날 가장 흔하게 접할 수 있는 방식이며, 대부분의 암호화폐 MCP 서버가 이를 지원하도록 구축되고 있습니다. 이 경우, 키가 사용자가 직접 제어하는 환경을 절대 벗어나지 않기 때문에 에이전트에게 개인 키를 제공하는 것이 기술적으로 안전합니다.

자체 호스팅 에이전트 모델 시퀀스 다이어그램

하지만 이 방식 역시 매우 높은 수준의 리스크를 동반합니다. 사용자의 기기가 손상되면 개인 키가 해킹될 수 있으며, 비정상적이거나 승인되지 않은 에이전트의 행동은 상당한 손실로 이어질 수 있습니다.

예를 들어, 사용자가 "500 USD를 UNI로 교환하고 싶어"라고 말했을 때, 에이전트가 UNI를 매도하거나, UNI를 매수하면서 슬리피지(slippage) 비율을 잘못 설정하거나, 혹은 엉뚱한 UNI 토큰을 구매할 수도 있습니다. 이 접근 방식은 테스트 용도로만 사용하는 것을 권장합니다.

트랜잭션 생성자 모델 (Transaction-Crafter Model)

이 모델은 대부분의 사용자 상호작용에 더 적합한, 논커스터디얼(Non-custodial) 방식이며 근본적으로 더 안전한 대안입니다. 여기에서 에이전트는 사용자의 자금을 절대 보유하지 않습니다. 이 모델의 목적은 에이전트 제어 모델과 정확히 동일한 작업을 수행하지만, 트랜잭션에 직접 서명하고 전송하는 대신, 사용자가 직접 서명하고 블록체인 네트워크에 전송할 수 있도록 트랜잭션을 사용자에게 반환합니다.

동작 방식

트랜잭션 생성자 모델 시퀀스 다이어그램

사용자가 에이전트에게 지시합니다: 사용자는 "내 ETH를 USDC로 바꿔줘"와 같이 에이전트에게 작업을 요청합니다.
에이전트가 트랜잭션을 생성합니다: 에이전트는 사용자의 요청을 분석하고, 스왑(swap) 트랜잭션과 같은 원시(raw) 트랜잭션을 구성합니다.
사용자가 트랜잭션에 서명합니다: 에이전트는 이 데이터를 사용자에게 다시 전달합니다. 사용자의 지갑에는 실행하려는 작업이 정확히 무엇인지 보여주는 팝업창이 표시됩니다. 오직 사용자만이 개인 키로 이를 승인하고 서명할 수 있습니다.

Google Cloud 도구로 에이전트 구축하기

이 모델을 시연하기 위해, 저는 여러 Google Cloud 도구를 사용하여 샘플 에이전트를 구축했습니다. 에이전트의 추론은 Gemini 2.0 Flash 모델을 기반으로 하며, Google Agent Development Kit (ADK)를 사용하여 전체 흐름을 조율(orchestration)했습니다. 테스트를 위한 자금은 개발자에게 핵심적인 리소스인 공개 Google Cloud Ethereum Faucet에서 얻었습니다.

ADK를 사용하여 에이전트를 개발하는 것은 매우 간단하며, 다음과 같은 유용한 기능들을 제공합니다.

간단한 테스트 및 개발 환경을 위한 웹 UI
에이전트를 프로덕션 환경에 쉽게 배포할 수 있는 Agent Engine 및 Google Cloud Run과의 강력한 통합
커스텀 프론트엔드와 쉽게 연결하기 위해 에이전트를 API 서버로 실행하는 간단한 방법
MCP 서버, 에이전트 간(A2A) 프로토콜, Google 검색과 같은 도구에 쉽게 연결할 수 있는 툴박스

Google Cloud 스택을 사용하여 에이전트를 구축하는 방법에 대해 더 자세히 알고 싶다면, 이 아티클을 읽어보세요.

이 앱은 크게 두 부분으로 구성됩니다. 바로 트랜잭션을 생성하는 에이전트와, 에이전트로부터 생성된 트랜잭션을 받아 MetaMask로 전달하여 서명과 전송을 처리하는 프론트엔드입니다.

Google ADK를 사용하면 에이전트 개발 자체는 매우 간단하지만, craft_eth_transaction 함수는 지원하는 작업의 종류에 따라 상당히 복잡해질 수 있습니다. 여기에는 다음과 같은 작업들이 포함됩니다.

code_block: <ListValue: [StructValue([('code', 'from google.adk.agents import Agent\r\nfrom web3 import Web3\r\n\r\nETH_RPC_URL = "RPC URL"\r\n\r\n# (This is the tool function defined in the next section)\r\ndef craft_eth_transaction(to_address: str, amount: float, from_address: str, chain_id: int):\r\n # Step 1: Fetch the sender\'s next transaction count (nonce)\r\n # Step 2: Determine transaction type (ETH transfer or smart contract call)\r\n # Step 3: Construct the \'data\' field using ABI\r\n # Step 4: Assemble and return the final, unsigned transaction\r\n\r\n# The Agent is defined with a simple, non-custodial instruction\r\nroot_agent = Agent(\r\n name="transaction_crafter_agent",\r\n model="gemini-2.0-flash",\r\n description="An agent that crafts Ethereum transactions for a front-end to send via MetaMask.",\r\n instruction=(\r\n "You are an agent that crafts ETH transactions. "\r\n "Your only job is to collect the information from the user to craft Ethereum transactions.. "\r\n "The sender\'s address will be provided to you as context, along with the chain ID."\r\n "Use the `craft_eth_transaction` tool to generate the transaction object. "\r\n "The tool will return a JSON object that is ready to be sent to MetaMask. "\r\n "Leave gas and gasPrice fields empty; MetaMask will set them."\r\n "**IMPORTANT:** After using the tool, you must present the final transaction JSON in the response, formatted exactly like this:\\n"\r\n " ```json\\n"\r\n " {\\n"\r\n " \\"to\\": \\"0x...\\",\\n"\r\n " \\"from\\": \\"0x...\\",\\n"\r\n " \\"value\\": \\"0x...\\",\\n"\r\n " \\"nonce\\": \\"0x...\\",\\n"\r\n " \\"chainId\\": \\"0xaa36a7\\"\\n"\r\n " }\\n"\r\n " ```\\n"\r\n ),\r\n tools=[craft_eth_transaction],\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b3d27f850>)])]>

클라이언트 측(client-side)의 로직은 깔끔하며 Web3 상호작용에만 집중합니다. 프론트엔드는 대규모 언어 모델(LLM)이나 에이전트 오케스트레이션(agent orchestration)에 대해 전혀 알 필요가 없습니다. 그저 Google Cloud Run에서 호스팅되는 에이전트의 API 엔드포인트를 호출하고, 표준 JSON 트랜잭션 객체를 반환받아 MetaMask로 전달하기만 하면 됩니다.

에이전트를 API 서버로 쉽게 실행할 수 있는 ADK의 기능 덕분에 이처럼 명확한 관심사 분리(separation of concerns)가 가능합니다. 프론트엔드의 두 가지 주요 기능은 에이전트의 응답에서 트랜잭션을 추출하고, 이를 MetaMask로 보내는 것입니다. 다음은 해당 함수들의 예시입니다.

code_block: <ListValue: [StructValue([('code', '/**\r\n* Step 1: Process the agent\'s response to extract the crafted transaction data.\r\n* The agent\'s only output is a standard, unsigned transaction object.\r\n*/\r\nfunction extractTransactionFromAgentResponse(agentEvents) {\r\n const functionResponse = agentEvents.find(\r\n e => e.content?.parts?.[0]?.functionResponse?.name === \'craft_eth_transaction\'\r\n )?.content.parts[0].functionResponse;\r\n\r\n if (functionResponse?.response?.success) {\r\n // The raw transaction object, ready for the user\'s wallet\r\n return functionResponse.response.transaction;\r\n }\r\n return null;\r\n}\r\n\r\n/**\r\n* Step 2: Pass the crafted transaction to the user\'s wallet for execution.\r\n* This function triggers a MetaMask pop-up, putting the user in full control.\r\n*/\r\nasync function executeMetaMaskTransaction(txData) {\r\n if (!txData || typeof window.ethereum === \'undefined\') {\r\n console.error("Invalid transaction data or MetaMask not found.");\r\n return;\r\n }\r\n\r\n try {\r\n // The \'eth_sendTransaction\' call asks the wallet to sign and send.\r\n // The private key is never exposed to our web application.\r\n const txHash = await window.ethereum.request({\r\n method: \'eth_sendTransaction\',\r\n params: [txData], // txData is the JSON object from the agent\r\n });\r\n\r\n console.log(`Transaction sent successfully! Hash: ${txHash}`);\r\n return txHash;\r\n\r\n } catch (error) {\r\n // This error typically means the user rejected the transaction in MetaMask.\r\n console.error("Transaction failed or was rejected by user:", error);\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b3d27f340>)])]>

에이전트가 사용자의 의도를 확인하는 방법

에이전트와의 대화를 통해 의사 결정을 내리는 것이 에이전트 작업의 과정이라면, MetaMask 팝업창은 그 대화의 최종 결론입니다.

이를 금융 자문가가 투자 전략을 설명한 뒤 최종 서류에 서명을 요청하는 디지털 버전이라고 생각해보세요. 그 서명은 바로 사용자가 해당 행위를 이해하고 동의한다는 것을 의도적이고 명확하게 확인하는 필수 절차입니다. 이는 사용자의 명시적인 승인을 통해 에이전트의 제안을 현실로 만들며, 결정적인 심리적 안정감을 제공합니다. 특히 기반 LLM, 대화의 문맥, 접근 가능한 데이터에 따라 에이전트의 해석이 크게 달라질 수 있다는 점을 고려할 때, 승인 전 지갑 트랜잭션을 두 번 확인하는 것은 언제나 좋은 습관입니다.

MCP 서버는 두 가지 현실을 모두 지원해야 합니다

에이전트가 다른 에이전트에게 서비스 비용을 자율적으로 지불하는 미래 비전을 실현하기 위해서는 에이전트 제어 모델이 필수적입니다. 이러한 경제 생태계의 에이전트들은 운영을 위해 자신만의 자본이 필요할 것입니다.

하지만 트랜잭션 생성자 모델은 그 미래로 나아가는 안전한 다리 역할을 합니다. 이 모델은 에이전트에게 안전하게 자금을 지원하거나, 혹은 더 간단한 작업을 위해 일회성 트랜잭션을 실행하는 데 사용될 수 있습니다. 이러한 유연성이 바로 핵심입니다.

개발자의 관점에서 이 기능을 추가하는 것은 그리 어려운 일이 아닙니다. 만약 MCP 서버가 이미 보유한 키로 트랜잭션을 준비하고 서명할 수 있다면, 최종 서명 단계 없이 동일한 로직을 수행하고 서명되지 않은 트랜잭션을 반환할 수도 있어야 합니다. 이 작은 변화는 사용자를 위해 훨씬 더 안전하고 유연한 패러다임을 열어주며, 나아가 다중 에이전트 시스템에서 전용 "서명 에이전트(signer agent)"와 같은 더 복잡한 설계를 가능하게 할 수도 있습니다.

따라서 폭넓은 채택을 위해 설계된 견고한 MCP 서버라면, 개발자에게 다음과 같은 애플리케이션을 구축할 수 있는 유연성을 제공해야 합니다.

안전하고 사용자 중심적인 금융 결정을 위해 조언하고 트랜잭션을 생성하는 기능
전문화되고 자동화되었으며 명확하게 정의된 작업을 위해 위임된 자금으로 실행하는 기능

Google은 사용자를 보호하면서 진정한 혁신을 촉진하기 위해 이러한 이중 지원을 추구할 것을 권장합니다.

여기에서 Google Cloud를 사용하여 Web3 에이전트를 구축하는 방법에 대해 더 자세히 알아볼 수 있습니다.

PayPal과 Google Cloud, 판매자를 위한 에이전트 커머스 솔루션 소개

Mon, 27 Oct 2025 16:30:00 +0000

* 본 아티클의 원문은 2025년 10월 28일 Google Cloud 블로그(영문)에 게재되었습니다.

오늘날의 소비자는 초기 제품 탐색부터 최종 구매에 이르기까지 원활하고 맞춤화된 쇼핑 여정을 요구합니다. 에이전트 AI의 등장으로 이제 판매자는 모든 고객 접점에서 실질적으로 도움을 주며 일관된 경험을 제공할 수 있는 기회를 갖게 되었습니다.

바로 이러한 이유로 PayPal과 Google Cloud는 커머스 혁신이라는 공동의 목표 아래, 에이전트 기반 쇼핑 경험을 현실로 구현할 새로운 솔루션을 발표하게 되어 기쁘게 생각합니다. 이 새로운 솔루션은 Google Cloud의 대화형 커머스 에이전트와 PayPal의 결제 기능을 결합합니다.

이 결합을 통해 판매자는 자체 디지털 환경에 에이전트 기반 커머스 환경을 신속하게 배포하여 소비자 참여, 개인화, 전환율을 늘릴 수 있었습니다. 판매자는 에이전트의 톤앤매너, 디자인, 고객 관계에 대한 완전한 통제권을 유지할 수 있습니다.

작동 방식

PayPal 에이전트는 개방형 Agent2Agent (A2A) 프로토콜을 통해 판매자의 에이전트와 안전하게 통신하며, A2A 및 신뢰, 책임성, 사기 방지 기능을 제공하는 Model Context Protocol (MCP)을 기반으로 빌드된 결제 레이어인 Agent Payments Protocol (AP2)과도 통합됩니다

A2A 프로토콜은 AI 에이전트가 조직 전반에서 서로 통신하고, 협업하고, 작업을 위임할 수 있도록 설계된 개방형 표준입니다. AP2는 디지털 사용자 인증 정보를 포함한 요구 사항을 제공하여 에이전트 트랜잭션을 보호합니다.

원활하고 간편한 쇼핑 여정: 에이전트 협업의 힘

이 새로운 서비스를 통해 판매자는 Google Cloud의 대화형 커머스 에이전트를 도입하거나 Google의 에이전트 개발 키트 (ADK)를 사용하여 자체 에이전트를 빌드할 수 있습니다. 이 대화형 커머스 에이전트는 브랜드 규정을 완벽하게 준수하며 판매자를 위한 지능형 영업 사원처럼 작동하도록 설계되었습니다. 이는 고객과 사람처럼 자연스러운 대화로 응대하며, 초기 구매 의도 파악 및 제품 탐색부터 구매 완료에 이르기까지 모든 과정을 안내합니다.

배포가 완료되면 판매자의 커머스 에이전트는 복잡한 요청을 이해하고, 관련 제품을 추천하며, 질문에 답하고, 쇼핑 여정 전반에 걸쳐 사용자를 개인적으로 지원합니다. 제품 탐색 및 선택 과정에서 판매자의 커머스 에이전트는 A2A를 통해 PayPal 에이전트와 연동하여 사용자 권한이 부여된 데이터를 기반으로 사용자의 쇼핑 내역에 대한 컨텍스트를 제공하고 제품 추천을 개선하는 데 도움을 줍니다.

고객이 결제할 준비가 되면 PayPal 에이전트는 AP2 프로토콜에 따라 대화형 인터페이스 내에서 원활하고 안전한 결제 환경을 제공합니다. 또한 PayPal 에이전트는 결제 수단을 추천하고 '선구매 후지불' 자격 여부도 확인할 수 있습니다. 소비자의 동의 하에, 판매자 에이전트는 PayPal 에이전트에 인증된 방식으로 연결되어 신뢰할 수 있는 환경에서 거래를 승인합니다.

소비자 신뢰를 핵심 가치로

에이전트 커머스는 막대한 기회를 제공하지만 동시에 제어, 위험, 사기에 대한 잠재적인 문제를 야기할 수도 있습니다. Google Cloud와 PayPal은 이러한 과제를 선제적으로 해결하고 있습니다.

AP2는 결제 수단에 구애받지 않는 개방형 프로토콜로, Google이 100개 이상의 업계 파트너와 협력하여 개발했습니다. AP2는 AI 에이전트가 사용자를 대신하여 거래할 수 있는 공통의 보안 언어를 제공하며, A2A 프로토콜과 MCP의 핵심 구조를 확장하여 안전하고 책임 소재가 명확하며 승인된 커머스를 위한 필수 기반을 마련합니다.

AP2는 금융 위임을 사용합니다. 이는 위변조가 불가능하고 암호화로 서명된 디지털 계약으로, 사용자 의도에 대한 검증 가능한 증거를 제공합니다. 이 권한 위임은 검증 가능한 디지털 자격 증명(VDC)에 의해 서명되어 부인 방지가 가능한 감사 추적을 생성합니다.

예를 들면 다음과 같습니다:

카트 위임: 사용자가 구매를 직접 승인할 때 사용되는 기본 인증 정보입니다. 카트 위임은 판매자가 생성하고 사용자가 암호화 방식으로 서명(일반적으로 기기를 통해)하여 특정 거래에 대한 승인을 보장합니다.
결제 위임: 결제 네트워크 및 발급사와 공유되는 별도의 VDC로, 거래의 에이전트 특성을 파악하여 네트워크와 발급사가 신뢰를 구축하고 위험을 평가하는 데 도움이 됩니다. 이 사용자 인증 정보에는 AI 에이전트 존재 여부와 트랜잭션 방식 (예: 사용자 현존 vs 사용자 부재)에 대한 신호가 포함되어 있습니다.

기본적으로 AP2는 신뢰할 수 있는 에이전트 주도 결제를 위한 핵심 기반을 제공하여 검증하고 명확한 거래 택임을 확립합니다. 행동을 추론하는 대신, 신뢰는 에이전트 에이전트 오류의 위험을 직접적으로 해결하는 사용자의 의도에 대한 결정적이고 부인 방지가 가능한 사용자의 의도 증명에 기반을 둡니다. 결제 맨데이트는 모든 거래의 근거가 되며, 결제 네트워크가 책임 소재 및 분쟁 해결을 위한 명확하고 공정한 원칙을 수립하는 데 도움이 되는 안전하고 변경 불가능한 감사 추적을 생성합니다.

예를 들어 PayPal의 AP2 규정 준수 에이전트를 사용하면 판매자는 사용자가 현존하여 결제를 승인했음을 보장받을 수 있습니다. API를 사용하는 대신 AP2를 사용하여 에이전트를 연결하므로 사용자, 판매자, 결제 제공업체 모두가 에이전트 주도 결제를 안심하고 시작할 수 있습니다.

오늘 발표를 통해 Google Cloud와 PayPal은 복잡한 프레임워크를 처음부터 빌드할 필요 없이 즉시 사용 가능한 솔루션을 제공하기 위해 협력하게 된 것을 자랑스럽게 생각합니다. 판매자는 이 솔루션을 통해 고객 경험과 관계에 대한 완전한 소유권을 유지할 수 있습니다. A2A 및 AP2 프로토콜을 사용하여 솔루션을 빌드함으로써 프로세스 전반에서 안전과 보안을 보장합니다.

자세한 내용은 Google Cloud 영업 담당자에게 문의하거나 여기를 클릭하여 Google Cloud에 문의하세요.

면책조항: 이 게시물에 표시된 동영상은 정보 제공 목적으로만 제공되며 미래 예측 진술, 전망, 가정을 포함하고 있습니다. 이러한 결과는 미래의 실적을 보장하지 않으며 실제 결과와 경험은 다를 수 있습니다.

Deutsche Bank가 Google Cloud에 새로운 소매 데이터 플랫폼을 구축한 방법

PayPal의 실시간 혁신: 스트리밍 분석을 위해 Google Cloud로 마이그레이션

Tue, 03 Dec 2024 02:00:00 +0000

* 본 아티클의 원문은 2024년 12월 3일 Google Cloud 블로그(영문)에 게재되었습니다.

PayPal은 25년이 넘는 시간 동안 전 세계 상거래를 혁신하는 것을 주요 사명으로 삼고 달려왔습니다. PayPal은 약 200개 시장에서 재화의 이동, 판매, 쇼핑을 간소화하고 개인화하며 보호하는 혁신적인 경험을 만들어 소비자와 기업을 지원하고 있습니다. 따라서 판매자와 소비자 모두에게 제공되는 서비스의 가용성을 보장하는 것이 매우 중요합니다.

Dataflow와 함께한 PayPal의 여정은 성공적이었습니다. 스트리밍 분석 문제를 해결하고, 새로운 기회를 활용할 뿐 아니라, 보다 안정적이고 효율적이며 확장 가능한 모니터링 가능성 플랫폼을 구축할 수 있었습니다.

PayPal의 모니터링 가능성 플랫폼팀은 개발자, 기술 계정팀, 제품 관리자를 위한 원격 분석 플랫폼을 제공하는 업무를 맡고 있습니다. 이 팀에서는 측정항목과 trace를 수신, 처리하고 백엔드로 내보내는 데 SDK, 개방형 원격 분석 수집기, 데이터 스트리밍 파이프라인을 사용합니다. PayPal 개발자들은 이 모니터링 가능성 플랫폼을 사용하여 원격 분석 데이터로 최단 시간 내에 문제를 감지하고 해결합니다. Java, Go, Node.js와 같은 다양한 스택에서 실행되는 애플리케이션에서 하루 약 3페타바이트의 로그가 생성되기 때문에 로그 기반 측정항목과 trace를 생성하려면 처리량이 많고 지연 시간이 짧은 강력한 데이터 스트리밍 솔루션이 필수적입니다.

2023년까지는 PayPal의 모니터링 가능성 플랫폼에서 자체 관리형 Apache Flink 기반 인프라를 사용해 측정항목 및 스팬을 생성하는 로그 기반 파이프라인을 스트리밍했습니다. 하지만, 이 솔루션에는 여러 가지 문제가 있었습니다.

안정성: 대부분의 파이프라인에 체크포인트가 없어서 재시작 중에 데이터가 손실되는 등 시스템의 안정성이 매우 낮았습니다.
효율성: 시스템 관리에 비용이 많이 들고 관리가 비효율적이었습니다. 또한 드물게 발생하더라도 최대 부하에 대비하여 파이프라인을 계획해야 했습니다.
보안: 배포의 보안 가이드라인 준수 수준이 충분하지 않았습니다.
클러스터 관리: 클러스터 생성 및 유지보수가 수작업으로 이루어져 엔지니어링에 상당히 많은 시간이 들었습니다.
커뮤니티 지원: 독점 솔루션이었기 때문에 커뮤니티 지원과 협업이 제한적이었습니다.
소프트웨어 업그레이드: 맞춤설정을 위해서는 바이너리를 업데이트해야 했지만, 더 이상 지원되지 않았습니다.
장기적인 지원: 이 솔루션은 판매 종료된 제품이었기 때문에 비즈니스 연속성에 대한 리스크가 있었습니다.

PayPal은 이 같은 문제를 해결하고 새로운 기회를 창출할 수 있는 클라우드 네이티브 솔루션이 필요했습니다. 주요 요구사항은 다음과 같았습니다.

손쉬운 확장성: 자동 확장 및 리소스 최적화를 통해 방대한 양의 데이터와 변동하는 워크로드를 처리할 수 있어야 합니다.
비용 절감: 리소스 사용률을 최적화하고, 비용이 많이 드는 인프라 관리 부담이 없어야 합니다.
원활한 통합: PayPal 생태계 내에서 다른 데이터 및 AI 도구와 연결할 수 있어야 합니다.
실시간 AI/ML 지원: 데이터 보강, 모델 학습, 실시간 추론에 고급 스트리밍 ML 기능을 활용할 수 있어야 합니다.

광범위한 조사와 성공적인 개념 증명 끝에 PayPal은 Google Cloud의 Dataflow로 마이그레이션하기로 결정했습니다. Dataflow는 Apache Beam을 기반으로 한 완전 관리형 서버리스 스트리밍 분석 플랫폼으로서 뛰어난 확장성, 유연성, 비용 효율성을 제공합니다.

마이그레이션 프로세스는 다음을 포함하는 몇 가지 주요 단계로 이루어졌습니다.

초기 POC: PayPal에서 Dataflow의 기능이 특정 요구사항을 충족하는지 테스트하고 검증했습니다.
수집 계층 전환: Dataflow와의 원활한 통합을 위해 Apache Pulsar에서 Apache Kafka로 전환했습니다.

파이프라인 최적화: PayPal은 Google Cloud 전문가와 협업하여 파티셔닝 스키마를 재설계하고 데이터 셔플링을 최적화하는 등 효율성이 극대화되도록 파이프라인을 세부 조정했습니다.

기술적 이점

Dataflow의 자동 확장 기능은 실시간 데이터 수요에 따라 리소스를 동적으로 조정하여 일관된 성능과 비용 효율성을 보장합니다. 강력한 상태 관리 기능으로 복잡한 스트리밍 작업에서 신뢰할 수 있는 정확한 실시간 인사이트를 수집하는 한편, 데이터를 처리할 때 지연 시간을 최소화하여 더 빠른 의사 결정에 도움이 되는 최신 인사이트를 확보할 수 있습니다. 또한 Dataflow의 포괄적인 모니터링 도구, 다른 Google Cloud 서비스와의 통합으로 문제 해결 및 성능 최적화가 간소화됩니다.

그림 2. 시간에 따른 단계별 데이터의 최신성을 보여주는 실행 세부정보 탭과 데이터 최신성에 대한 이상치 경고가 표시된 예시 이미지

비즈니스 이점

Dataflow의 서버리스 아키텍처와 동적 리소스 할당으로 인해 PayPal의 인프라 및 운영 비용이 크게 절감되었습니다. 중요한 스트리밍 파이프라인의 안정성과 업타임이 향상되어 비즈니스 연속성도 커졌습니다. 또한 Dataflow의 간소화된 프로그래밍 모델과 풍부한 도구로 개발 및 배포 주기가 가속화되어 개발자 생산성이 개선되었습니다.

비즈니스, 개발자, 커맨드 센터팀에 높은 카디널리티 분석을 제공하기 위해서는 처리량이 많고 지연 시간이 짧은 스트리밍 플랫폼을 구현하는 것이 중요합니다. Dataflow 통합 덕분에 이제 엔지니어링팀은 paypal.com을 연중무휴 모니터링할 수 있는 강력한 플랫폼을 갖추게 되었으며, 이를 통해 PayPal은 소비자와 판매자에게 높은 가용성을 보장할 수 있게 되었습니다. Varun Raju, PayPal 모니터링 가능성 플랫폼 부문 설계자

혁신 지원

무엇보다도 Dataflow 덕분에 PayPal은 당사의 엔지니어링 리소스를 가치가 더 큰 이니셔티브에 집중할 수 있게 되었습니다. 예를 들면 실패한 커스텀 상호작용(FCI)의 실시간 분석을 위해 Google BigQuery와 통합하여 사이트 안정성 엔지니어링팀에 즉각적인 인사이트를 제공하고 있습니다. 또한 실시간 판매자 모니터링을 구현하여 높은 카디널리티 판매자 API 트래픽을 분석해 인사이트 및 리스크 관리를 강화하고 있습니다.

PayPal은 계속해서 Dataflow의 기능을 탐구하고 활용하여 혁신을 주도하고 고객에게 탁월한 경험을 제공할 계획입니다.

Google Cloud Dataflow 시작 방법 자세히 알아보기

HSBC가 인공지능을 사용하여 자금 세탁을 방지하는 방법

Fri, 22 Mar 2024 01:00:00 +0000

*본 아티클의 원문은 2023년 11월 30일 Google Cloud 블로그(영문)에 게재되었습니다.

자금 세탁과 조직범죄는 서로 밀접한 관련이 있는 경우가 많습니다. 범죄자들은 돈의 불법적인 출처를 숨기기 위해 전 세계 GDP의 2~5%, 즉 연간 최대 2조 달러에 달하는 자금을 세탁하는 것으로 추정됩니다. 세계 최대 은행 중 하나인 HSBC는 범죄자들이 이 은행을 통해 자금을 이체하는 것을 방지하기 위해 강력한 보안 조치를 구현하고 있습니다. HSBC는 매월 평균 12억 건이 넘는 거래를 검사하여 금융 범죄의 징후가 있는지 확인합니다.

원래 HSBC는 업계 표준에 따라 규칙 기반 시스템을 사용하여 거래를 분석하고 자금 세탁 징후가 있는지 확인했는데, 이를 위해서는 자동화된 모니터링 시스템을 통해 찾아내야 하는 거래에 대해 파라미터를 설정해야 했습니다. 이후에 신고된 거래를 사례별로 조사해야 했습니다.

그러나 이 획일적인 규칙 기반 접근 방식은 이른바 '거짓양성'이 다수 발생하는 결과로도 이어졌습니다. 거짓양성이란 정상적인 거래가 잘못 신고되는 현상으로, 이런 경우 조사 담당자가 수동으로 검토해야 합니다.

AI를 사용하여 자금 세탁 방지를 재정의

HSBC는 고객 서비스를 개선하고 프로세스의 효율성을 높이는 등 다양한 목적으로 이미 폭넓게 AI를 사용 중이었습니다. 그러나 AI의 잠재력을 더욱 활용하기 위해 Google Cloud와 파트너십을 맺고, 사람의 지시가 없어도 스스로 의심스러운 활동을 감지할 수 있는 AI 솔루션을 개발, 구현하기로 했습니다.

HSBC는 다양한 형태의 자금 세탁에 대한 폭넓은 지식을 바탕으로 방대한 고객 데이터로 자금 세탁 방지 AI(AML AI)를 학습시켜 수동 최적화보다 더 정확하게 의심스러운 활동을 포착하도록 했습니다.

결과는 두말할 필요도 없이 성공적이었습니다.

더 정확한 위험 감지: AML AI는 이전 시스템보다 2~4배 더 많은 의심스러운 활동을 식별하는 동시에 알림 횟수를 60% 줄였습니다.1. 덕분에 조사팀은 진짜로 의심스러운 사례를 검토하는 데 더 많은 시간을 할애할 수 있게 되었고, 결과적으로 기업 은행 운영에서 2배, 개인 은행 부문에서는 거의 4배 더 많은 금융 범죄를 식별할 수 있게 되었습니다.
처리 시간 감소: AML AI의 빠른 속도와 더 정확한 알림 생성 능력 덕분에 더 이상 거짓양성을 조사하는 데 많은 시간을 소비할 필요가 없습니다. 그 결과 이제 훨씬 더 신속하게 의심스러운 계좌를 감지할 수 있게 되어, 조사 시간이 첫 인지 이후 8일로 단축되었습니다. 이는 범죄 악용으로부터 금융 시스템을 보호하는 데 있어 실질적으로 상당한 효과를 발휘하고 있습니다.
범죄자 네트워크 식별: AML AI는 여러 계좌 간에 자금이 빠르게 이동하거나 이전 대비 개인의 활동 패턴이 갑자기 변하는 등 알려진 자금 세탁 행동 패턴을 포착할 수 있습니다. 따라서 의심스러운 개인뿐만 아니라, 자금 세탁을 위해 조직적으로 움직이는 범죄자 네트워크도 식별할 수 있는데, 이는 규칙 기반 시스템을 사용할 때 항상 어려움을 겪었던 부분입니다.

HSBC는 AML AI를 사용하여 성공적인 결과를 얻은 데 대해 2023년 올해의 Celent Model Risk Manager상을 수상했습니다. 또한 이러한 개선 덕분에 법 집행 기관에 더 많은 관련 정보를 제공하면서도 불필요한 세부정보를 얻기 위해 고객에게 연락하는 비효율성은 줄여 시간을 절약하고 고객 만족도를 높일 수 있었습니다.

전 세계로 AML AI 확장

영국과 홍콩에서 AML AI의 효과를 확인한 HSBC는 현재 다른 시장으로 이 기술을 배포할 방안을 모색하고 있습니다.

더 넓게 보면 금융 업계는 기존의 수동 처리 방식과 규칙 기반 소프트웨어 시스템에서 AML AI의 잠재력을 탐색하는 방향으로 계속 진전하고 있습니다. 이 새로운 기술을 채택하는 금융 기관이 증가할수록 자금 세탁을 방지하는 데 있어 업계 전체적으로 더 큰 효과를 거둘 수 있습니다.

___

^{1. 개시 후 12개월과 이전 12개월 동안의 규칙 기반 모니터링을 비교한 결과. 계절성을 반영하고, 감지 백로그가 결과에 영향을 미치지 않도록 개시 후 첫 1개월 동안의 데이터는 제거함.}

Resistant AI가 문서 위조 자동 검사 프로세스에 Document AI를 활용하는 방법

Mon, 27 Nov 2023 01:00:00 +0000

*본 아티클의 원문은 2023년 9월 6일 Google Cloud 블로그(영문)에 게재되었습니다.

AI의 대표적인 성공 케이스 중 하나는 수동으로 작업하던 문서 처리를 자동화할 수 있게 되었다는 점입니다. 이제 오류가 발생하기 쉬운 반복적인 수동 작업에 긴 시간을 들일 필요 없이 실질적인 가치를 제공하는 일에 집중할 수 있습니다. 이 같은 성공에 핵심적인 역할을 한 것이 바로 Google Cloud의 Document AI입니다.

하지만 문서를 수집하는 새로운 방식이 갖고 있는 허점으로 기업이 다양한 수준의 위험에 노출되고, 특히 금융 서비스 같은 고위험 업종에서는 관련 범죄가 발생할 가능성이 더 높아질 수 있습니다. 이러한 기관에서는 고객확인제도(KYC, Know Your Customer Policy)와 자금 세탁 방지(AML, Anti Money Laundering) 규정에 따라 고객을 더 잘 파악하기 위해 문서를 수집하고 처리해야 합니다. 충분한 제어 역량을 갖추지 않은 채 처리 과정을 자동화하면 위험만 더 늘어납니다.

특히 핀테크 기업의 경우 조직에 자동화와 같은 운영 효율성을 도입하는 것이 주요 목표인 경우가 많아 위험도가 매우 높은 데다가, 이것이 다양한 유형의 위법 행위로 이어질 가능성도 높습니다. 범죄자들이 조직적으로 위조 및 자금 세탁 활동을 벌이기 위해 가계정을 만드는 것이 한 가지 예입니다. 이것이 바로 위조 방지가 핀테크 제품 및 운영팀, 특히 고객 온보딩 자동화 과정에 가장 큰 과제로 손꼽히는 이유입니다.

디지털 문서 내 대부분의 위조는 매우 정교하기 때문에 사람의 눈으로 식별할 수 없습니다. 그러나 Resistant AI는 수천만 건의 문서를 검토한 결과 전 세계적으로 대출 신청, 계좌 개설 및 기타 목적으로 사용되는 디지털 은행 문서의 최대 17%가 변조되었으며, 기업의 은행 계좌 개설 시 제출되는 전 세계 사업자등록증의 15%가 위조된 것이라는 사실을 발견했습니다. 또한 누구나 접근 가능한 공통 문서 양식에서 주로 발생하는 다발적인 사기 범죄 시도는 사람이 통제할 수 없을 정도로 범죄 대상 범위를 확장하고, 수많은 대포통장 계좌를 생성해 종합적인 자금 운반책으로 사용할 수 있는 쉬운 방법으로 진행됩니다.

Resistant AI는 이러한 공격을 막기 위해 문서 포렌식을 개발했습니다. 배포가 용이한 이 API는 Google Cloud의 Document AI로 빌드되는 모든 워크플로를 보호할 수 있도록 문서 위조 검사를 자동화해 줍니다.

문서 위조 검사 자동화

Resistant AI가 개발한 문서 포렌식의 핵심 목표는 디지털 문서에 대한 추가 검토의 수락, 거부, 에스컬레이션 여부를 빠르게 결정하는 것입니다. 제출된 문서는 PDF이든 이미지 형식이든 관계없이 몇 초 안에 검증, 분류, 인증되므로 원활하고 손쉬운 사용 경험을 제공할 뿐 아니라 검토 절차에 드는 시간이 대폭 줄어듭니다.

품질: 문서의 내용을 알아볼 수 있으신가요? 이 단계에서는 문서의 품질이 광학 문자 인식(OCR)으로 처리하기에 충분한 품질을 갖추고 있는지, 카메라 플래시나 저해상도, 흐린 화질 등으로 위조임을 숨기고 있지는 않은지 확인합니다. 문서가 거부된 사유는 고객이 더 나은 품질의 문서를 제출하도록 유도하는 안내문구으로 사용할 수 있습니다.
분류: 알맞은 종류의 문서인가요? 승인 기준에 맞는 문서만 작업할 수 있도록 분류하는 단계입니다. 예를 들어, 공공요금 청구서만을 대상으로 하는 경우라면 신분증을 수집하거나 처리해서는 안 됩니다.
인증: 신뢰할 수 있는 문서인가요? 이 단계에서는 조작 징후를 파악하는 500가지 이상의 방법으로 문서를 검사합니다. 문서를 각각 분석한 뒤 제출된 모든 문서의 메타데이터부터 색상 온도, 장면 구성 등을 전부 비교하여 계정 전반에서 문서 변조, 가짜 템플릿, 대규모 사기 시도의 패턴을 찾아냅니다.

이 세 단계를 함께 활용하면 거부 대상이 되는 명백한 위조 케이스에 해당하는 문서 또는 변조의 징후가 없고 Google Cloud의 Document AI 추출로 자동 처리 가능한 문서에 사람이 불필요하게 개입하지 않아도 됩니다. 검토를 위해 문서가 에스컬레이션되면 사용자 인터페이스(UI)에 표시되어 에스컬레이션된 모든 유의미한 근거를 확인할 수 있으므로 검토자가 결정을 내리는 데 드는 시간을 줄일 수 있습니다.

다국적 판매자 서비스 제공업체인 Payoneer는 문서의 위조 여부를 검토하는 수작업을 전체 접수량의 18%까지 줄일 수 있었으며, 고객 승인 담당자는 99.2%의 비율로 그 결과에 동의했습니다. 이뿐 아니라 현재 이 기업에서는 온보딩 시 하루에 수백 건의 연쇄 위조 시도를 차단하고 있습니다.

영국의 선도적인 디지털 주택담보대출 중개업체인 Habito는 기존에 갖고 있던 위조 및 사기 솔루션에 비해 32% 더 많은 위조와 사기 시도를 감지할 수 있었으며, 문서 위조 조사에 소요되는 시간을 케이스당 52분 단축할 수 있었습니다.

Resistant AI 문서 포렌식과 Google Cloud Document AI를 함께 활용하는 방법

동일한 클라우드에서 운영함으로써 고객은 Google Cloud에 대해 기대하는 보안 및 개인 정보 보호 표준을 Resistant AI에 적용하여 검사 프로세스를 가속화할 수 있습니다.

Document AI는 또한 단순히 문서에서 데이터를 추출하는 데 그치지 않고 Google Knowledge Graph를 통해 회사 이름과 주소, 전화번호를 비롯한 기타 세부정보를 인터넷상의 여러 항목과 비교하여 더욱 양질의 결과를 도출합니다.

여기에서 Google Cloud의 Resistant AI에 대해 자세히 알아보고 Google Cloud Marketplace 등록정보를 확인하세요.

금융 서비스 업계를 위한 5가지 생성형 AI 사용 사례

Tue, 24 Oct 2023 06:00:00 +0000

*본 아티클의 원문은 2023년 10월 4일 Google Cloud 블로그(영문)에 게재되었습니다.

생성형 AI는 우리의 삶, 일, 은행 업무, 투자 방식 등 다방면에 혁명을 일으킬 잠재력을 가지고 있습니다. 그 영향은 인터넷이나 모바일 기기의 출현만큼이나 중요할 것입니다. 실제로, 생성형 AI를 고려하거나 현재 사용하고 있는 조직의 82%가 생성형 AI가 해당 산업을 크게 변화시키거나 변혁시킬 것이라고 믿습니다(출처: Google Cloud Gen AI Benchmarking Study, 2023년 7월).

무엇보다도 생성형 AI는 막대한 생산성과 운영 효율성 향상을 내포합니다. 특히 금융 서비스 분야에서 모든 서비스 또는 제품은 계약, 서비스 약관 또는 기타 계약에서 시작됩니다. 생성형 AI는 모기지 담보 증권 계약이나 다양한 유형에 걸친 고객 보유 자산을 비롯한 복잡한 정보를 발견하고 요약하는 데 특히 뛰어납니다.

하지만 그게 끝이 아닙니다. 대규모 언어 모델(LLM)과 같은 기초 모델은 텍스트 또는 언어로 훈련되며 인간의 언어와 대화에 대한 맥락적 이해를 가집니다. 이러한 기능은 특히 고객 서비스, 마케팅, 영업 및 컴플라이언스 분야에서 속도를 높이고 자동화하고 확장하고 개선하는 데 도움이 될 것입니다.

생성형 AI는 직원들이 업무를 더 효율적으로 수행할 수 있도록 돕고 궁극적으로 중요도가 높은 업무에 집중할 수 있도록 지원함으로써 조력자 또는 코치 역할을 할 수 있습니다. 예를 들어, Codey와 같은 PaLM 2 기반의 코드 모델 제품군은 프로그래밍 속도, 품질 및 이해력을 극적으로 높일 수 있습니다. 생성형 AI를 사용하면 소프트웨어 개발자, 위험 및 규정 준수 전문가, 영업 최전방 및 콜센터 직원과 같은 인력 유출 문제가 심각한 업계의 고민을 해결할 수 있습니다.5 practical use cases for the financial services industry

생성형 AI는 기업과 조직에 다음과 같은 세 가지 주요 기능을 제공합니다.

온라인 상호 작용을 대화식으로 만들기(예: 대화식 소통, 고객 서비스 자동화, 지식 액세스 등)
복잡한 데이터를 직관적으로 액세스 가능하게 만들기(예: 엔터프라이즈 검색, 제품 발견 및 추천, 비즈니스 프로세스 자동화 등)
버튼 클릭 한 번으로 콘텐츠 생성하기(예: 광고 소재, 문서 생성, 효율적인 개발 지원 등)

특정 비즈니스 문제를 해결하는 단일 사용 사례를 선택하는 것은 시작하기에 좋은 방법입니다. 생성형 AI의 도입은 비즈니스에 영향을 미치고 조직의 전략에 기반해야 합니다. 이를 통해 성과를 쉽게 측정하여 다음 단계를 구상할 수 있습니다.

다음은 생성형 AI를 시작하는 데 참고할 만한 5가지 사용 사례입니다.

금융 문서 검색 및 요약

은행은 내부적으로 정보와 문서를 검색하고 요약하는 데 상당한 시간을 소비하기 때문에 고객을 직접적으로 응대할 수 있는 시간이 부족합니다.

생성형 AI는 은행 직원이 계약(예: 정책, 신용 메모, 인수, 거래, 대출, 청구 및 규제) 및 기타 구조화되지 않은 PDF 문서(예: "은행 X의 규제 제출 요약")에서 정보를 효과적으로 찾고 이해하는 데 도움이 될 수 있습니다.

예를 들어, 생성형 AI는 은행 애널리스트가 전 세계 수천 개의 경제 데이터 또는 기타 통계를 조사하고 요약하여 보고서 생성을 가속화하는 데 도움을 줄 수 있습니다. 또한 기업 은행가가 고객 회의를 준비하는 데 도움이 되도록 포괄적이고 직관적인 피치북 및 기타 프레젠테이션 자료를 작성하여 고객을 매력적으로 이끌 수 있는 대화를 유도할 수 있습니다.

이 사용 사례에 대한 애플리케이션을 구축하는 방법을 보려면 이 데모 영상을 시청하세요.

향상된 가상 어시스턴스

가끔 고객은 기존 AI 채팅봇에 미리 프로그래밍되어 있지 않거나 고객 지원 에이전트가 사용하는 대응 매뉴얼에 없는 특수한 문제에 대한 답변을 찾는 경우가 있습니다. 예를 들어, 고객이 거래 사기를 당했다고 가정해 봅시다. 이 특수한 상황은 일반적인 AI 채팅봇이나 대응 매뉴얼에서 쉽게 사용할 수 없습니다.

고객이 필요한 답변을 찾는 데 도움이 되기 위해 생성형 AI를 도입하면 대규모 내부 데이터망에서 답변을 찾고 요약하며 고객 에이전트를 지원하거나 기존 AI 채팅봇을 지원할 것이고, 그 성과는 향상될 것입니다. 생성형 AI 기반 채팅봇은 보다 더 인간적으로 대응할 수 있습니다. 이러한 기능은 향상된 고객 서비스 경험을 제공하는 데 도움이 됩니다. 앞서 살짝 들었던 사례와 관련해, 이 비디오에서 생성형 AI가 신용 카드 사기 문제를 해결하는 속도를 높이는 방법을 살펴보세요. 이는 고객과 고객 서비스 에이전트 모두에게 이익입니다.

자본 시장 조사

투자 회사는 글로벌 시장과 위험을 완전히 이해하기 위해 다양한 회사 정보, 자료, 보고서 및 복잡한 데이터를 여러 형식으로 분석하고 데이터를 신속하고 효과적으로 쿼리하여 투자에 필요한 기본 배경 지식 데이터를 채워야 합니다.

자본 시장에서 생성형 AI 도구는 투자 애널리스트의 연구 조교로 활용될 수 있습니다. 우리의 새 조교는 수백만 개의 이벤트 자료(예: Earning Call), 회사 자료(예: 10Ks/10Qs), 재무 보고서, 규제 및 기타 소스를 검토하고 주요 정보를 신속하고 지능적으로 식별 및 요약하는 데 도움이 될 수 있습니다.

버튼을 클릭하기만 하면 10-K 양식, 연구 논문, 타사 뉴스 서비스 및 재무 보고서와 같은 복잡한 문서에서 유용한 정보를 추출하고 요약하는 방법을 배우려면 이 비디오를 시청하세요.

규제에 따라 변화하는 코드

컨설턴트 금융 서비스 산업에서는 새로운 규정이 매년 전 세계적으로 등장하고 기존 규칙이 자주 변경되므로 새로운 요구 사항을 해석하고 규정 준수를 보장하기 위해 광범위한 수동 또는 반복 작업이 필요합니다. 개발자는 코드에 영향을 끼치는 기본 규제 또는 비즈니스 변화 상황을 신속하게 이해하고, 코드 변경을 자동화하고 코드 리포지토리에 대해 교차 검사하고 문서를 제공하는 데 도움이 필요합니다.

생성형 AI는 요약된 답변을 제공하여 개발자에게 코드를 변경해야 하는 기본 규제 또는 비즈니스 변경에 대한 맥락을 제공할 수 있습니다. 사람들이 루프에 포함되어 코드 변경을 자동화하고 코드 리포지토리에 대해 코드를 교차 검사하고 문서를 제공하는 데 도움이 될 수 있습니다.

예를 들어, 오늘날 개발자는 수천 페이지의 문서로 구성된 Basel III 국제 은행 규정 요구 사항을 충족하기 위해 광범위한 코딩 변경을 수행해야 합니다. 생성형 AI는 개발자가 맥락을 이해하고 코드 변경이 필요한 프레임워크의 부분을 식별하고 코드를 Basel III 코딩 리포지토리와 교차 검사하는 데 도움이 되도록 Basel III의 관련 영역을 요약할 수 있습니다.

개인 맞춤형 금융 추천

기존 머신 러닝(ML) 도구는 사용 가능한 매개변수를 기반으로 특정 고객 세그먼트에 대한 마케팅 또는 영업 제안을 예측하는 데 적합하지만 이러한 인사이트를 신속하게 실행하기 쉽지는 않습니다.

예를 들어, 특정 금융 추천을 포함하는 마케팅 이메일 또는 인앱 메시지를 만드는 데는 많은 시간이 소요됩니다. 생성형 AI는 대화식 언어를 사용하여 대규모로 개인화된 일대일 대응 프로세스를 도울 수 있습니다. 고객 경험, 고객 유지 및 판매를 개선하는 데 도움이 될 수 있습니다.

Google Cloud의 Vertex AI Search and Conversation을 핵심 요소로 활용하여 사용 사례 구현을 시작할 수 있습니다. Vertex AI Search and Conversation을 사용하면 경력이 얼마 되지 않은 개발자도 몇 분 만에 채팅봇 및 검색 애플리케이션을 빠르게 구축하고 배포할 수 있습니다.

비전에서 현실로

금융 서비스 업계의 리더들은 더 이상 생성형 AI를 실험하는 데 그치지 않고, 이미 가장 혁신적인 아이디어를 구축하고 현실화하고 있습니다.

예를 들어,Deutsche Bank는 Google Cloud의 생성형 AI 및 LLM을 대규모로 테스트하여 금융 애널리스트에게 새로운 통찰력을 제공하고 운영 효율성과 실행 속도를 높이고 있습니다. 은행 업무 및 금융 애널리스트 작업 수행 시간을 크게 단축하고 직원의 생산성을 높여 역량 강화를 도모할 수 있는 기회를 창출하고 있습니다.

MSCI는 또한 Google Cloud와 제휴하여 기후 분석에 중점을 둔 투자 관리 산업을 위한 생성형 AI 기반 솔루션을 가속화하고 있습니다.

Dun & Bradstreet은 최근 Google Cloud와 생성형 AI 이니셔티브에 협력하여 여러 애플리케이션에서 혁신을 추진하고 있다고 발표했습니다.

시작하기

생성형 AI는 단순히 빠르게 나타났다 사라지는 기술 유행이 아니라 기업이 가치를 창출하는 새로운 방식입니다. 생성형 AI는 아직 초기 단계에 있지만 금융 서비스 기관의 운영 방식을 혁신할 수 있는 잠재력을 가지고 있습니다.

생성형 AI 여정을 시작하는 방법에 대한 자세한 내용은 ebook "경영진을 위한 생성형 AI 가이드"를 다운로드하십시오.

_{Google Cloud 생성형 AI 벤치마킹 스터디에 관하여}_{Google Cloud Customer Intelligence 팀은 2023년 중순에 Google Cloud 생성형 AI 벤치마킹 스터디를 실시했습니다. 참여자는 AI를 고려하거나 사용하는 1,000명 이상의 직원을 가진 조직의 IT 의사 결정자, 비즈니스 의사 결정자 및 CXOs였습니다. 참여자는 Google이 연구 후원사라는 사실을 알지 못했으며 참여자의 신원은 Google에 공개되지 않았습니다.}

aside_block: <ListValue: [StructValue([('title', "여러분의 프롬프트는 무엇인가요? '경영진을 위한 생성형 AI 가이드'를 소개합니다"), ('body', <wagtail.rich_text.RichText object at 0x7f8b22793340>), ('btn_text', '자세히 읽어보기'), ('href', 'https://cloud.google.com/transform/ko/introducing-executives-guide-to-generative-ai?hl=ko'), ('image', <GAEImage: introducing-executives-guide-to-generative-ai-midjourney-hero.png>)])]>

지리정보 분석을 통한 지속 가능한 투자 포트폴리오의 기후 위험 수치화

Wed, 14 Sep 2022 00:00:00 +0000

* 본 아티클의 원문은 2022년 7월 12일 Google Cloud 블로그(영문)에 게재되었습니다.

금융 서비스 기관에서는 기후 변화에 대처하는 데 있어 해당 기관이 수행할 수 있는 중요한 역할에 대한 인식이 점점 더 높아지고 있습니다. 금융 기관은 대출 및 투자 포트폴리오를 통한 자본 배분자로서 폭넓은 경제 영역에서 기업 개발 및 운영을 위한 재정 관련 리소스를 관리합니다.

이 자본 배분 책임은 위험 조정 수익을 최적화하기 위해 위험 평가와 성장 기회 간의 균형을 유지합니다. 산불 및 물 부족과 같은 물리적 위험과 관련된 기후 위험을 식별, 분석, 보고, 모니터링하는 것은 포트폴리오 위험 관리의 필수 요소가 되고 있습니다.

클라우드 기반 포트폴리오 기후 위험 분석 시스템 구현

이러한 기후 위험을 계량화하기 위해 이 설계 패턴에는 금융 서비스 기관이 자체 환경에서 포트폴리오 기후 위험 분석 시스템을 구현하는 데 사용할 수 있는 클라우드 기반 빌드 구성요소가 포함됩니다. 이 패턴에는 RS Metrics의 샘플 데이터 세트가 포함되어 있으며 BigQuery, 데이터 스튜디오, Vertex AI Workbench, Cloud Run과 같은 여러 Google Cloud 제품을 활용합니다. 기술 아키텍처는 다음과 같습니다.

클라우드 기반 포트폴리오 기후 위험 분석을 위한 기술 아키텍처

이 패턴을 시작하려면 소스 코드 저장소를 참조하고, 포트폴리오 관리의 기본 지리정보 기술 및 비즈니스 사용 사례에 대해 자세히 알아보려면 이 게시물의 나머지 내용을 읽어보세요. 저장소에 제공된 Terraform 코드를 사용하면 선택한 Google Cloud 프로젝트에 샘플 데이터 세트 및 애플리케이션 구성요소를 배포할 수 있습니다.README에는 단계별 안내가 있습니다.

기술 자산을 배포한 후 패턴의 기술 기능을 숙지할 수 있도록 다음 단계를 수행하는 것이 좋습니다.

예시 데이터 스튜디오 대시보드를 살펴보고 데이터 세트 및 포트폴리오 위험 분석을 익히세요(아래의 스크린샷 참조).
보다 심층적인 분석을 위해 Cloud Run과 함께 배포된 R Shiny 앱을 살펴보세요.
Vertex AI Workbench를 확인하고 포함된 Python 기반 Jupyter 노트북에서 제공되는 데이터 탐색 분석을 살펴보세요.
BigQuery로 전송하여 이 패턴에 대한 샘플 데이터를 직접 쿼리하세요.

포트폴리오 기후 위험 분석 데이터 스튜디오 대시보드. 이 대시보드는 BigQuery에 저장된 샘플 기후 위험 데이터를 시각화하고 선택 항목 및 필터를 기반으로 화재 및 물 부족 위험 총점을 동적으로 표시합니다.

세분화된 객관적 데이터의 중요성

다양한 기후 변화 시나리오에서 기후 위험에 대한 노출을 평가하려면 지리정보 계층, 기후 모델에 대한 전문 지식을 조합하고 회사 운영 정보를 사용해야 할 수 있습니다. 위치에 따라 제조 시설이나 사무실 건물과 같은 회사의 물리적 자산은 다양한 유형의 기후 위험에 취약할 수 있습니다. 사막에 위치한 시설은 물 부족 상황을 더 많이 경험할 가능성이 높고, 해수면 근처에 위치한 공장은 해안 침수의 위험이 더 큽니다.

자산별 물리적 기후 위험 분석

Google Cloud 파트너인 RS Metrics는 투자 가능한 광범위한 상장 주식에 적용할 두 가지 데이터 제품인 ESGSignals® 및 AssetTracker®를 제공합니다. 이러한 제품에는 생물 다양성, 온실 가스(GHG) 배출, 물 부족, 토지 사용, 물리적 기후 위험 등 50가지 변화 및 물리적 기후 위험 측정항목이 포함됩니다. 이러한 개념을 소개하기 위해 먼저 물 부족 위험과 화재 위험이라는 두 가지 주요 물리적 위험에 대해 설명하겠습니다.

물 부족 위험

물 부족은 자산의 물 수요가 해당 자산에서 사용할 수 있는 물의 양을 초과하여 물 비용이 증가하거나 극단적인 경우 물 공급이 완전히 중단될 때 발생합니다. 이는 자산의 단위 경제에 부정적인 영향을 미치거나 심지어 자산이 폐쇄되는 결과를 초래할 수 있습니다. CDP의 2020년 보고서에 따르면 설문조사에 응답한 357개 기업은 물 위험의 잠재적인 재정적 영향이 총 3,010억 달러에 이를 것이라고 밝혔습니다.

투자자에게 자산 위치 데이터가 없는 경우에는 Ceres의 2020년 보고서에 기술된 산업 평균 물 사용량과 유역 수위 위험 정보를 사용하여 물 부족 위험을 추정합니다. 하지만 ESGSignals®를 사용하면 유역과 하위 유역 수위, 가뭄 심각도, 증발산량, 수백만 개별 자산의 지표수 가용성으로부터 기상 및 수자원 변수를 통합하여 보다 세분화된 접근을 취할 수 있습니다.

2자리 수의 수문학적 단위를 보여주는 북미 유역 지도. 출처: usgs.gov

증산과 증발로 구성된 증발산량을 보여주는 지구 표면의 물 순환. 출처: Wikipedia

예를 들어 물 사용이 매우 집약적인 광업을 살펴보겠습니다. 칠레 광업부에서 발표한 공개 데이터 세트에 따르면 칠레의 Cerro Colorado 구리 광산은 2019년에 71,700미터톤의 구리를 생산했습니다. ESGSignals®는 이 광산 자산이 심각한 물 부족을 겪고 있는 것으로 식별하여 물 위험 점수를 100점 만점에 75점으로 평가했습니다. 이와 같은 자산에서 효율성 향상과 담수화를 통해 물 소비를 줄이면 인근 지역 사회의 귀중한 수자원을 절약할 뿐만 아니라 시간이 지남에 따라 운영 비용이 절감됩니다.

ESGSignals®의 화재 위험 및 물 부족 위험 점수(범위: 0~100)에서 계산된 자산별 전체 위험 점수를 보여주는 지도. 중간 팝업: BHP Group의 Cerro Colorado 구리 광산과 관련된 자산 정보 및 점수. 출처: RS Metrics 포트폴리오 기후 위험 Shiny 앱.

화재 위험

최근 몇 년 간 산불로 인해 막대한 피해가 발생했습니다. 예를 들어 경제학자들은 2019~2020년 오스트레일리아에서 산불 사태가 벌어지면서 약 1,030억 오스트레일리아 달러의 재산 피해와 경제적 손실이 발생한 것으로 추정했습니다. 이러한 산불은 오스트레일리아에 위치한 모든 종류의 상업 시설 운영에 안전 및 운영상의 위험을 초래합니다.

ESGSignals® 화재 위험 점수는 과거의 화재 사건, 근접성, 화재 규모와 회사 자산 위치(AssetTracker®)를 조합하여 계산됩니다. ESGSignals® 평가에 따르면 오스트레일리아에 위치한 대부분의 광산 자산은 화재 위험에 대해 중간부터 높은 수준까지 노출되어 있습니다.

Google Earth Engine 2021년 같은 회사 소유의 두 공장에서 100km 이내에 발생한 산불을 묘사한 애니메이션. 자산 (a)는 화재 위험이 높은 자산으로 간주되는 반면 자산 (b)는 상대적으로 화재 위험이 낮습니다. 화재 데이터 소스: NASA FIRMS.

자산별 기후 위험 분석을 포트폴리오 관리에 통합

지금까지 자산별 기후 위험의 메커니즘을 알아봤으니 이제 포트폴리오 관리자가 포트폴리오 선택, 포트폴리오 모니터링, 회사 관여를 포함한 포트폴리오 관리 프로세스에 이러한 분석을 통합할 수 있는 방법을 중점적으로 살펴보겠습니다.

포트폴리오 선택

포트폴리오 선택에는 다양한 투자 도구가 포함될 수 있습니다. 심사에서 포트폴리오 관리자는 필터링 기준을 설정하여 포트폴리오에 포함하거나 제외할 회사를 선택합니다. 자산별 기후 위험 점수는 기타 재무적 또는 비재무적 요인과 함께 이러한 심사 기준에 포함될 수 있습니다.

예를 들어, 포트폴리오 관리자는 자산별 물 부족 평균 점수가 30점 미만인 회사를 검색할 수 있습니다. 그 결과, 주어진 벤치마크 지수보다 물 부족으로 인한 위험이 전반적으로 낮은 투자 포트폴리오를 구성할 수 있습니다(아래 그림 참조).

자산별 물 부족 평균 점수가 30점 미만인 회사 선별을 통한 포트폴리오 선택을 보여주는 포트폴리오 기후 위험 분석 데이터 스튜디오 대시보드. 이 경우 종합 점수는 물 부족 위험 점수와 화재 위험 점수의 평균으로 정해집니다.

포트폴리오 모니터링

포트폴리오 모니터링의 경우 포트폴리오 내 기존 보유 자산에 대한 물리적 기후 위험의 기준선을 먼저 설정하는 것이 중요합니다. 그런 다음 물 부족, 산불 또는 기타 물리적 기후 위험 측정항목의 변화를 찾는 주기적인 보고 프로세스를 만들 수 있습니다. 위험 점수에 중대한 변동이 있으면 목표 위험 프로필을 충족하기 위해 포트폴리오를 재조정하는 것과 같이 차선책을 결정하기 위한 보다 자세한 분석이 시작됩니다.

2018년부터 2021년까지 3개의 기업 자산에 대한 화재 위험 점수 모니터링(화재 위험 점수를 낮음, 낮음~중간, 중간~높음으로 표시). 더 많은 시계열 분석은 소스 코드 저장소를 참조하세요.

포트폴리오 관여

일부 포트폴리오 관리자는 주주 발의 또는 기업 투자자 관리팀과의 회의를 통해 포트폴리오에 포함된 회사에 관여합니다. 이러한 투자자들에게는 기후 위험에 크게 노출된 자산을 명확하게 식별하는 것이 중요합니다.

포트폴리오 관리자는 영향을 받을 가능성이 가장 높은 위치에 집중하기 위해 수백만 개의 AssetTracker 위치를 물 부족 또는 화재 위험 점수에 따라 정렬하고 이러한 순위 목록의 최상위에 있는 회사에 관여할 수 있습니다. 위험도가 가장 높은 자산의 위험 완화 기회를 강조하는 것이 효과적인 관여 우선순위 전략입니다.

포트폴리오 관여의 도구로 사용하는 포트폴리오 기후 위험 분석 데이터 스튜디오 대시보드. 화재 위험 점수를 기준으로 고위험 자산이 있는 회사가 목록의 상단에 표시됩니다.

포트폴리오 관리 너머로 확장

물리적 기후 위험 분석에 자산별 접근 방식을 적용하면 위에 제시된 포트폴리오 관리의 사용 사례 외에도 도움을 얻을 수 있습니다. 예를 들어 상업은행의 위험 관리자는 이 방법론을 사용하여 보증 및 지속적인 대출 평가 중에 대출 위험을 계량화할 수 있습니다. 또한 보험 회사는 이러한 기법을 사용하여 신규 및 기존 보험 계약자 모두에 대한 위험 평가 및 가격 결정을 개선할 수 있습니다.

BigQuery의 지리정보 분석 기능을 통해 추가 지리정보 데이터 세트를 이 패턴에 사용된 데이터 세트와 혼합하면 보다 유용한 정보를 얻을 수 있습니다. GEOGRAPHY 데이터 유형으로 인코딩된 점 또는 다각형과 같은 데이터 세트의 위치 정보를 사용하면 공간 JOIN 기능과 결합할 수 있습니다. 예를 들어 위험 분석가는 AssetTracker 데이터를 BigQuery 공개 데이터(예: Census Bureau US Boundaries 데이터 세트에서 제공되는 국가, 주, 의회 선거구 또는 우편번호의 인구 정보)와 결합할 수 있습니다.

클라우드 기반 데이터 환경은 기업이 이러한 워크플로 및 기타 지속 가능성 분석 워크플로를 관리하는 데 도움이 될 수 있습니다. Google Cloud 파트너인 Infosys는 청사진과 디지털 데이터 인텔리전스 자산을 제공하여 안전한 데이터 공동작업 공간에서 지속 가능성 목표의 실현을 가속화함으로써 RS Metrics 지리정보 데이터, 기업 데이터, 디지털 데이터와 같은 정보 자산을 연결, 수집, 연관시켜 금융 가치 사슬 전반에서 ESG 인텔리전스를 활성화합니다.

자세한 내용이 궁금하신가요?

RS Metrics의 ESGSignals®를 사용한 세분화된 자산별 위험 측정항목 분석에 대해 자세히 알아보려면 최근 진행되었거나 향후 개최될 웹 세미나를 확인하거나 여기에서 직접 문의하세요

Infosys의 지속 가능성 서비스에 대한 자세한 내용은 여기에서 Infosys 지속 가능성팀에 문의하시기 바랍니다. Google Cloud용 Infosys ESG Intelligence Cloud 솔루션의 데모가 필요한 경우 여기에서 Infosys 데이터 분석 및 AI팀에 문의하세요.

업종별로 기후 변화에 따른 난제를 해결하는 데 도움이 되는 최신 전략 및 도구에 대해 자세히 알아보려면 최근 진행된 Google Cloud Sustainability Summit의 주문형 세션을 시청하세요.

도움을 주신 분들에게 드리는 감사 인사

저자들은 Infosys 공동작업자인 마노즈쿠마르 나그데브, 루시라즈 프라딥 자이스왈, 파드마자 바이디아나단, 아난다쿠마르 카얌부, 비노드 메논, 라잔 파드마나반에게 감사를 표합니다. 또한 RS Metrics의 라쉬미 보미리야, 데시 스토에바, 코니 야네바, 랜디카 H와 Google의 아룬 산타나고팔란, 셰인 글래스, 데이비드 사바테르 딘터에게도 감사 인사를 전합니다.

면책조항

이 웹사이트에 포함된 정보는 정보 제공만을 위한 것으로서 투자, 법률, 세금 또는 기타 자문을 위한 것이 아니며 투자 결정 또는 기타 결정을 위해 제공되는 것이 아닙니다. 모든 콘텐츠는 저자와 게시자가 법률, 경제, 투자 또는 기타 전문적인 문제 및 서비스에 대한 자문을 제공하지 않는다는 점을 이해한다는 전제로 제공됩니다.

흑인이 소유 및 운영하는 비즈니스를 지원하는 이니셔티브를 통해 포용적인 금융 서비스 구현하는 Google Cloud

Thu, 18 Aug 2022 01:04:00 +0000

* 본 아티클의 원문은 2022년 6월 2일 Google Cloud 블로그(영문)에 게재되었으며 본 이니셔티브는 미국에서만 한정적으로 진행함을 알려드립니다.

2020년 6월, 순다르 피차이는 미국의 흑인+ 커뮤니티를 시작으로 인종 간 평등을 이루기 위해 Google에서 지켜나갈 여러 약속을 제시했습니다. 이 이니셔티브의 일환으로 흑인 창업자가 비즈니스 성장을 가속화할 수 있도록 클라우드 기술로 도움을 주는 팀이 Google Cloud에 꾸려졌습니다.

인종 간 평등은 경제적 기회와도 밀접하게 연관되어 있습니다. McKinsey 조사에 따르면인종 간 평등의 증진은 소수 집단의 구성원이 경제 활동에 참여할 수 있는 새로운 기회를 창출해 국가 전역의 비즈니스, 가족, 지역 사회에 크게 이바지합니다. 흑인이 소유하거나 운영하는 금융 기관은 역사적으로 소수 집단에 속하고 소외된 커뮤니티에 금융 제품 및 서비스를 이용할 수 있는 문을 열어줌으로써 인종 간 부의 격차를 줄이는 데 중요한 역할을 합니다.

이것이 Google에서 금융 서비스 산업에 종사하는 흑인 창업가와 흑인 기업에 힘을 보태는 데 초기 노력을 쏟기로 결정한 이유입니다.

Google은 Uncommon Impact Studio, World Wide Technology, Zencore 등의 파트너와 함께 Google의 독자적인 데이터, 기술, 마케팅 역량을 흑인이 소유하거나 운영하는 은행 및 핀테크 기업에 제공하는 것을 목표로 하고 있습니다. 그 결과, 흑인이 소유하거나 운영하는 금융 기관으로서 클라우드 기술을 구현한 7개 기관이 디지털 혁신을 가속화하고 비즈니스 규모를 확대하며 제품과 서비스를 가장 필요로 하는 사람들에게 제공할 수 있었습니다.

이니셔티브에 참여한 몇몇 기업 사례를 조금 더 자세히 살펴보겠습니다.

BetaBank: 중소기업의 자본금 확보 기회 확대

BetaBank는 최근 FDIC 애플리케이션을 발표하면서 처음부터 Google Cloud 기반으로 구축한 최초 디지털 기반 은행의 반열에 올랐습니다. BetaBank 창업자인 세케 볼라드는 공정하지 않은 금융 대출 시스템의 문제를 일찌감치 깨달았는데 중소기업 대출에서 편견을 걷어내는 비결로 기술을 지목했습니다. 볼라드는 위험을 평가하며 기존 은행보다 저렴하지만 보다 정확하고 빠르게 중소기업 대출 신청 자격을 계산하는 AI 알고리즘을 만들었습니다.

BetaBank의 사명은 중소기업 소유자에게도 금융 서비스를 이용할 수 있는 동등한 기회를 제공하는 것입니다. 볼라드와 산하 팀은 BetaBank를 빌드, 실행, 관리할 기반 클라우드 인프라로 Google Cloud를 선택했습니다. Google Cloud는 BetaBank의 비즈니스와 네트워크를 성장시킬 확장성 높고 안전한 인프라뿐만 아니라 규정 준수, 사기 방지, 전반적인 보안을 뒷받침하는 도구도 제공할 예정입니다. 이와 연계해 Deloitte Consulting LLP에서 BetaBank의 디지털 고객 인터페이스 설계를 지원한 덕분에 접근이 쉽고 종합적인 뱅킹 서비스가 마련되어 BetaBank는 물론 BetaBank의 고객도 많은 비용을 절감할 수 있게 되었습니다.

OneUnited Bank: 맞춤 고객 경험 제공

OneUnited Bank는 미국에서 흑인이 소유하거나 운영하는 은행 가운데 최초이자 가장 규모가 큰 디지털 은행입니다. OneUnited Bank는 Google Cloud와 협업하여 Contact Center AI를 구현했습니다. 이 Google Cloud Platform은 기업이 AI를 활용해 콜센터 실적을 획기적으로 높일 수 있도록 지원합니다. 또한 이 은행에서는 Google Ads 검색 캠페인을 구현해 신규 고객을 유치했습니다.

회사를 10배로 성장시킬 수 있는 비결이 존재하고 Google이 여러 가지 방법으로 성장에 도움을 줄 수 있다는 사실을 알게 되었습니다. 짐 슬로컴
One United CIO

OneUnited는 Contact Center AI와 기존 기술을 함께 사용했고 Google Cloud의 대화형 AI 자연어 이해 플랫폼인 DialogFlow를 활용한 덕분에 보다 개인화된 고객 경험을 창출하고 고객센터 상담 규모를 확대했습니다. OneUnited는 성공적인 배포를 통해 자사와 고객이 클라우드와 AI 기술에서 얻을 수 있는 이점을 깨닫게 되었습니다.

First Independence Bank: 현대화된 인프라로 지역 사회 대출 서비스 향상

First Independence Bank는 미시간에 본사를 둔 은행으로서는 유일하게 흑인이 소유하거나 운영하는 은행으로, 52년이 넘는 세월 동안 디트로이트 지역 사회에 금융 서비스를 제공하고 있습니다. 은행이 미래에도 경쟁력을 지키기 위해서는 기존 시스템의 디지털 업그레이드가 필요했습니다.

2021년 9월, First Independence Bank는 급여보장프로그램(PPP) 대출 신청자에게 편의를 제공하는 디지털 방식의 연방 PPP 대출 신청 프로세스를 발빠르게 개발하기 위해 비즈니스 뱅킹 업계의 한 디지털 대출 플랫폼과 협력 관계를 맺었습니다.

이 파트너십의 일환으로 First Independence Bank는 고객이 보다 효율적으로 이용할 수 있는 대출 프로세스를 개발하고자 Google Cloud 마이그레이션을 결정했습니다.

Data Capital Management: AI 역량 강화

Data Capital Management(DCM)는 디지털 투자 연구소이자 서비스, 자문업체입니다. DCM의 CEO 겸 공동 창립자인 마이클 빌은 인공지능(AI)과 머신러닝(ML)이 펀드 관리 업계에서 영향력을 발휘할 수 있음을 일찍이 깨달았습니다.

DCM은 Google Cloud 엔지니어와 긴밀하게 협업하여 투자자가 보유 주식과 디지털 지갑을 관리하는 데 활용할 수 있는 DCM AI 모델('AI Traders')의 최신 서비스를 강화했습니다. AI 모델을 학습시키는 데는 방대한 데이터와 컴퓨팅 성능이 필요합니다. DCM은 기업의 운영 규모가 성장함에 따라 Google Cloud로 실적을 최적화할 수 있는 가능성에 주목하여 DCM.ai 투자자 포털과 이를 뒷받침하는 모든 투자 연구, 실행, 보고 기능을 기존 제공업체에서 Google Cloud로 마이그레이션하기로 결정했습니다.

다음 단계

Google에서는 기술로 인종 간 평등을 증진하는 노력을 더욱 강화하는 차원에서 이 프로그램을 금융 서비스뿐 아니라 교육, 엔터테인먼트, 의료, 클린 에너지를 비롯한 다른 산업으로 확대해 Google Cloud의 가치를 최대한 실현할 수 있도록 지원하고자 합니다.

이 이니셔티브에 참여하는 데 관심이 있는 기업은 이 양식을 작성해 주세요.

BBVA의 Google Cloud 교육 프로그램이 기록적인 참가자 수를 달성한 방법

Thu, 10 Mar 2022 00:00:00 +0000

* 본 아티클의 원문은 2022년 2월 24일 Google Cloud 블로그(영문)에 게재되었습니다.

편집자 주: 금융 업계의 선구자인 Banco Bilbao Vizcaya Argentaria, S.A.(BBVA)는 '21세기의 디지털 은행'이 되었습니다. 그 요인 중 하나는 Google Cloud를 기술 혁신의 기반으로 사용한 것입니다. 몇 년 전부터 협력해오고 있는 BBVA와 Google Cloud는 은행 직원에게 기술과 업무에 이 기술을 적용하는 방법에 대해 배울 기회를 제공하는 맞춤형 교육 프로그램인 Ninja Cloud Academy를 개발했습니다. 1년 후 BBVA는 전 세계적으로 가장 높은 완료율을 달성했을뿐만 아니라 클라우드 기술 전문성을 풍부하게 갖춘 인력을 양성했고, 이는 미래를 향해 더욱 빠르게 발전할 수 있는 원동력이 될 것입니다.

자산 규모로 스페인에서 두 번째, 전 세계에서 42번째로 큰 은행은 우연히 만들어지지 않습니다. 이를 위해서는 전략과 개척 정신이 필요합니다. BBVA는 디지털화를 채택했습니다. BBVA는 클라우드 기술, 데이터 기반 의사 결정, 차세대 보안을 사용하는 최초의 스페인 은행 중 하나입니다. BBVA는2011년 Google Workspace 도입을 기점으로 Google과 협력을 시작했습니다. 장기적인 전략의 첫 단계로 시작한 것이 곧 경쟁 우위가 되었습니다. 공동작업 역량과 생산성이 크게 향상되었습니다. 몇 년에 걸쳐 Google Chronicle부터 인공지능(AI)과 ML에 이르기까지 Google 도구를 BBVA 플랫폼에 지속적으로 통합해왔습니다. 적절한 도구와 적절한 파트너는 모든 성공적인 혁신 계획에서 중요한 부분이지만 BBVA는 직원 교육 역시 중요하다는 것을 알았습니다. 그래서 2016년에 BBVA의 가장 큰 내부 교육 이니셔티브 중 하나인 Ninja Project를 출범했습니다. 이 프로그램은 포괄적인 멀티 트랙 교육과정으로, 직원들에게 최신 기술을 배울 수 있는 기회를 제공합니다.

목적이 명확한 접근 방법 수립

BBVA는 처음부터 직원들이 즉각적으로 유용함을 발견할 수 있을 뿐만 아니라 즐길 수 있는 프로그램을 만들고자 했습니다. 그래서 접근 방법에 여러 가지 전략적 요소를 도입했습니다. 먼저 전적으로 자발적인 참가 방식을 도입했습니다. 그런 다음 게임화를 보상 시스템과 결합하여 통합했습니다. 직원이 더 많은 교육을 수료할수록 해당 직원의 Ninja 벨트 색상도 승급됩니다. 승급하면 은행장과의 아침 식사와 같은 포상을 받을 수 있게 됩니다. 두 번째로 BBVA는 직원에게 자신의 업무와 관련된 주제의 과정을 선택할 수 있는 유연함을 제공했습니다. 예를 들어 Google Cloud 기본사항 학습도 있고 사이버 보안과 같은 전문 과목도 있습니다. 마지막으로, 강의, 실습, 워크숍과 같은 다양한 형식을 제공하기로 결정했습니다. 사전에 녹화된 강의를 방송하는 방법이 아닌 스트리밍 방식을 선택했고, 이를 통해 참가자들이 거주하는 스페인, 멕시코, 페루, 우루과이, 콜롬비아, 아르헨티나의 6개국에 걸쳐 양방향 강의를 더 쉽게 제공할 수 있었습니다.

교육 콘텐츠를 분석하면서 엔지니어 뿐만 아니라 더 많은 직원들에게 교육을 제공하는 것이 좋겠다고 생각했습니다. 그렇게 하려면 기술에 대한 이해도가 천차만별인 사람들을 충족시킬 수 있는 모듈을 만들어야 했습니다.

400명을 대상으로 처음 출시한 후 모든 직원에게 개방했습니다. 출범하고 5년이 지난 뒤, Google Cloud와 협력하여 Ninja Cloud Academy를 교육 프로그램의 중심으로 만들었습니다. 이 Google Cloud 교육 프로그램은 BBVA가 사용하는 특정 Google Cloud 제품에 대해 직원들을 교육함으로써 BigQuery, Cloud SQL, App Engine, Chronicle 및 Security Command Center에 대한 심층적인 지식을 갖추도록 합니다.

단 4주 만에 아이디어를 실제로 구현

BBVA는 Google Cloud 계정 관리자인 데이빗 닥터와 일련의 대화를 통해 협력하면서 프로그램 가이드라인을 검토하고 목표를 정하고 대상을 분류했습니다. 데이빗의 안내에 따라 Ninja Project 형식과 완벽하게 맞는 맞춤형 교육 모듈을 설계하고 불과 4주만인 2021년 5월에 Ninja Cloud Academy를 출범했습니다. 이렇게 빨리할 수 있었던 비결은 Google Cloud가 BBVA의 디지털 혁신 전반에서 밀접한 조력자 역할을 하며 BBVA 제품과 기술 요구 사항, Ninja Project 방법론에 대해 잘 알고 있었던 덕분입니다.

Ninja Cloud Academy에는 두 개의 여정이 있습니다. 첫 번째는 모두에게 동일하며 Identity and Access Management(IAM), Google Cloud 네트워킹 제품, Compute Engine, App Engine, Google Kubernetes Engine(GKE), Cloud Storage, 데이터베이스, Cloud Monitoring과 같은 Google Cloud의 기본적인 개념에 대해 교육합니다.

기본을 넘어서 전문 영역에 대해 더 깊이 배우고자 하는 직원은 데이터와 AI, ML에 대한 교육과 보안 및 Kubernetes에 대한 교육으로 병렬 학습 경로를 선택할 수 있습니다. 각각은 이론 학습과 실무 응용으로 구성되며, Google Cloud Skills Boost 플랫폼을 통해 제공되는 방대한 실습 라이브러리도 있습니다. 이러한 각 실무 연습의 길이는 30분에서 2시간이며 직원이 학습한 내용을 실무에 적용하는 데 도움이 됩니다.

BBVA는 2021년 5월에 Ninja Cloud Academy를 출범했습니다. 첫 강의의 가상 참석자 수는 1,140명이었습니다. 첫 6개월 동안 학생들은 1,000개의 실습을 완료했습니다. 'Ninja'가 되어 프로그램을 완료하는 데는 약 6개월이 소요되며, 완료한 시점에는 계속 교육을 진행할지 당분간은 지금까지 학습한 내용에 머물지를 결정할 수 있습니다.

관리 측면에서 Google Cloud팀은 BBVA에 데이터 대시보드에서 학습자 진행 현황을 측정 및 모니터링할 수 있는 파일럿 관리 기능 이용 권한을 부여했습니다.이것을 내부 학습 플랫폼과 통합하여 프로그램의 극초기에 프로그램에 대한 흥미와 유지를 측정할 수 있었습니다. 이는 BBVA가 초점을 둔 데이터 기반 개선에도 부합하는 것입니다.

Ninja Cloud Academy가 성공을 거둔 이유 중 하나는 직원들을 대상으로 이 기회를 전파한 방법에 있습니다. 회사 경영진은 이메일 메시지, 공개 석상, 인터뷰 및 기타 채널을 통해 항상 Ninja Project를 장려하는 등, 회사 간부들의 지지가 있었습니다. Google Cloud는 커뮤니케이션 자료에 Google Cloud 로고를 사용하도록 허용했고 덕분에 직원들에게 이것이 고품질의 프로그램이라는 인식을 줄 수 있었습니다. 효율적인 커뮤니케이션 덕분에 프로그램을 발표한 즉시 매우 많은 등록이 이루어졌습니다.

클라이언트 솔루션부터 기업 문화에 이르기까지 달라진 점

“아주 훌륭한 학습 경험이었습니다. 모든 부분에 대한 설명이 충실했고 실시간으로 연습할 수도 있었습니다.”

“저는 Google Cloud 공인 엔지니어로서 지식을 정비하고 새로운 것도 많이 배웠습니다.”

“실습을 통해 지식을 강화할 수 있습니다. 지식을 응용하고 배운 내용을 팀과 공유할 수 있습니다.”

이와 같은 반응은 교육 후 설문에서 Ninja들로부터 받은 열정적인 피드백의 일부일 뿐입니다. 또한 BBVA의 제품과 업무 환경 문화 모두에서 이 교육 프로그램의 영향을 확인할 수 있습니다.

예를 들어 엔지니어링팀과 클라이언트 솔루션팀은 전보다 더 쉽게 공동작업을 수행합니다. 이 두 팀은 데이터 분석을 사용하여 고객에게 맞춤형 솔루션을 제공하겠다는 BBVA의 사명에 있어 핵심적인 팀입니다. Ninja Project에 참석한 클라이언트 솔루션팀의 멤버들은 프로젝트의 기반 기술을 더 확고하게 파악하고, 기술적 관점에서 무엇이 가능하고 무엇이 불가능한지를 이해할 수 있게 되었습니다. 이 공통되는 기반이 더 효율적인 공동작업을 촉진했고 결과적으로 BBVA의 디지털 판매는 기하급수적으로 증가했습니다.

또한 이 프로그램 덕분에 직원 참여도 증가했습니다. 참가자들은 사무실에서 Ninja 티셔츠를 입는데, 이것이 공동체라는 느낌을 주고 서로를 인정하는 분위기를 형성합니다. 심지어 이메일 맺음말에 Ninja를 표시하는 경우도 있습니다. 이와 같은 일종의 소속감은 다른 사람도 교육에 등록하도록 이끌었습니다. 많은 사람들이 Ninja Project에 참여하여 회사 내에서 승진하는 데 도움을 받았습니다. 승진이 아니더라도 이 프로그램 덕분에 자신이 더 즐겁게 일할 수 있는 BBVA 내의 다른 직종으로 전환한 경우도 있습니다.

현재까지 전 세계적으로 9,000명의 BBVA 직원이 교육을 받았습니다. 매일 하나 이상의 강의를 스트리밍하며, 지난 해에는 총 400개 이상을 스트리밍했습니다. 오늘 이뤄지는 모든 교육은 미래에 더 많은 혁신을 이끌 수 있는 기반이 됩니다. 이 교육으로 BBVA는 신제품 개발부터 반복적 개선에 이르기까지 경쟁 우위를 얻었습니다.

지속적인 교육으로 경쟁에서 몇 걸음 앞서 나가는 BBVA

BBVA의 다음 과제는 고객에게 기술과 데이터로 뒷받침되는 사전 예방적이고 개인화된 자문을 제공하는 동시에 고객의 디지털 제품과 서비스가 안전하고 안정적임을 영구적으로 보장하는 것입니다. Ninja Project 덕분에 직원들은 준비가 되어 있습니다.

Google Cloud는 Ninja Cloud Academy를 보완하고 향상시키는 과정에서 BBVA와 계속 협력하고 있습니다.여기에는 새로운 유형의 활동으로 교육을 확장하는 것이 포함됩니다. 많은 인력이 교육을 받은 만큼 등록 속도가 저하되고 있으므로 참석자 수용력을 두 배로 늘리는 동시에 새로운 학습 트랙을 마련하는 것에 대해서도 고려 중입니다. 우리의 초점은 Ninja들이 최신 Google 기술, 그리고 향후 BBVA에서 도입할 계획인 기술에 대한 최신 지식을 얻도록 하는 데 있습니다.

이러한 과정 속에서 교사가 학생이 되기도 합니다. BBVA의 실습 완료율은 전 세계적으로 가장 높은 수준으로, Google Cloud에서는 이렇게 높은 직원 참여율을 이끌어 낸 요소가 무엇인지에 대해 습득하고 있습니다. BBVA는 이러한 맥락에서 성공하기 위한 몇 가지 중요한 접근 방법이 있음을 입증했습니다. 예를 들어 자발적인 학습 참여, 게임화 통합, 회사 경영진의 스폰서십에 대한 효과적인 커뮤니케이션 등이 있습니다.

많은 기업이 이 정도의 성공은 불가능하다고 생각하고, 우리도 그렇게 생각했던 적이 있습니다. 그러나 이제 이것이 가능하다는 것을 압니다.

영국소재 핀테크 업체 Fluidly, Google Cloud의 지원으로 고객사를 5만 곳 이상으로 확장

Wed, 26 Jan 2022 00:00:00 +0000

* 본 아티클의 원문은 2021년 12월 14일 Google Cloud 블로그(영문)에 게재되었습니다.

중소기업은 경제의 근간입니다. 지난 4여 년간 영국의 스타트업 Fluidly는 중소기업과 기업 소속 회계사들이 중요한 회계 및 현금 흐름 업무를 간소화할 수 있도록 돕는 업계 최고의 플랫폼을 구축했습니다. Fluidly는 기업에 지능형 현금 흐름 관리 서비스를 제공합니다. NYCA Partners 소속의 경영 파트너이자 Fluidly의 초기 투자자인 한스 모리스는 이 서비스에 대해 “Fluidly에서 제공하는 유형의 혁신 기술을 오랫동안 기다려 왔습니다.”라고 설명했습니다.

사업가인 캐롤라인 플럼브가 2017년에 설립한 Fluidly는 인공지능(AI), 머신러닝(ML), 데이터 분석 등의 기술을 적용한 새로운 방식의 '지능형 현금'을 토대로 핀테크 산업에 진출하여 중소기업이 확신을 가지고 계획을 세우며 은행에서 현금을 조달하고 안심하고 비즈니스를 운영할 수 있도록 돕고 있습니다. 운영을 시작한지 12개월 만에 영국의 주요 회계 법인 20곳 중 9곳이 Fluidly의 고객이 되었으며 뉴욕의 NYCA 및 Octopus Ventures와 같은 투자자들로부터 500만 파운드를 투자받았습니다.

캐롤라인은 수동 현금 관리에 얼마나 많은 수고와 시간이 드는지 직접 경험하면서 5백만 개가 넘는 영국의 중소기업을 대상으로 보다 효과적인 방식을 제공할 기회를 포착했습니다.

Google Cloud로 플랫폼을 변경하기로 결정

2018년에 Fluidly는 약 20명의 임직원이 근무하는 기업으로 성장했으며 300곳에 불과했던 고객사도 영국과 유럽 전역의 3만 곳 이상으로 확대되었습니다. 성공한 여러 스타트업과 마찬가지로 Fluidly도 규모 확대에 따른 어려움에 직면했으며, 더 많은 기업에 서비스를 신속하게 제공할 수 있는 인프라가 필요했습니다. "기존 인프라는 제품이 단순할 때는 괜찮았지만, 사용을 원했던 보다 정교한 AI와 ML은 지원하지 못했습니다."라고 Fluidly의 마이크 핸콕 CTO는 설명했습니다.

Fluidly에서는 여러 클라우드 제공업체를 평가한 끝에 전 제품의 플랫폼을 Google Cloud로 변경하기로 결정했습니다. 덕분에 Fluidly는 Google Kubernetes Engine(GKE)을 사용하여 빠르게 배포 및 확장하고 고유한 예측 솔루션에 정보를 제공하는 수천 개의 ML 모델을 학습시킬 수 있었습니다. Fluidly에서 Google Cloud를 선택한 이유와 초기 마이그레이션에 대한 자세한 내용은 여기에서 확인할 수 있습니다.

Fluidly에서 Google Cloud로 마이그레이션하고 AI/ML로 확장한 결과, 1시간이 걸리던 배포 시간이 5분 미만으로 단축되어 서비스를 온라인에서 안정적이고도 정확하게 제공할 수 있게 되었습니다.

Fluidly가 클라우드를 기반으로 비즈니스를 한 단계 업그레이드한 방법

Fluidly는 플랫폼을 Google Cloud로 이전한 후 확장을 거듭하여 현재 여러 국가에서 1,400개가 넘는 회계 관행을 다루고 5만 개가 넘는 중소기업에 서비스를 제공하고 있습니다. 2021년에 Fluidly는 영국 최대의 회계 법인 중 하나인 Azets와 300만 명 이상의 고객을 보유한 영국의 주요 은행인 Virgin Money 같은 기업과의 새로운 파트너십을 발표했습니다. 또한 45개 이상의 기존 및 대안 대출 기관과 협력하여 전체 시장에 맞춤형 자금 제공을 지원하고 있습니다.

“신속한 확장의 필요성은 모든 스타트업이 해결해야 할 흥미로운 과제입니다.”라고 Fluidly의 조니 볼 공동 설립자 겸 최고데이터책임자(CDO)는 말했습니다. “Google Cloud에서 제품을 제공한 덕분에 새로운 솔루션과 서비스를 빠르게 구축하여 계속 증가하는 고객 수요를 충족할 수 있었습니다.”

또한 Fluidly는 Google Cloud의 AI 및 분석을 사용해 자체 플랫폼에서 새로운 기능을 출시했습니다. 2020년 1월에는 Fluidly 사용자가 재무 관련 중요한 의사결정을 계획할 수 있는 새로운 시나리오 계획 도구를 BigQuery로 빌드하여 출시했습니다. Fluidly의 Plan(계획) 기능은 기업 및 자문인이 인력 채용부터 새 기기 투자에 이르기까지 다양한 상황에 필요한 현금이 충분한지 파악할 수 있도록 도와줍니다.

2020년 3월, 영국에서 이동제한 조치가 시행된 지 며칠 만에 Fluidly는 기업이 수익 손실과 비용 감소를 예측할 수 있도록 Plan을 업데이트했습니다. 수많은 기업이 팬데믹의 영향을 받은 데 따른 조치였습니다. 업데이트 출시 후 이 도구의 활용은 전월 대비 75% 증가했습니다.

Fluidly의 데이터 기능은 상담을 시작하고 고객에 대한 유용한 정보를 얻는 데 현금 흐름 도구를 사용하는 회계사를 대상으로 한 제품에서 중요한 역할을 합니다. “회계사는 시간 여유가 많지 않습니다.”라고 Cornish Accounting Solutions의 폴 밀러 상무이사는 말했습니다. “Fluidly에서 바로 활용할 수 있는 대상 고객 목록을 제공해주기 때문에 기록을 검토하느라 많은 시간을 낭비할 필요가 없습니다. Fluidly는 제가 몇 단계 더 앞서갈 수 있도록 도와줍니다.”

Google Cloud로 완전히 이전하면서 Fluidly 직원들은 새로운 제품 또는 기능 개발을 위해 더 많은 실험을 할 수 있는 역량을 확보했습니다. 마이그레이션 직후 프로덕션 출시 속도가 주 4회에서 하루 36회로 빨라졌고 그 이후에는 하루 60~90회 수준으로 증가했습니다.

“Google Cloud는 기술 파트너 이상의 가치가 있습니다.”라고 Fluidly의 마이크 핸콕 CTO는 말했습니다. “Google Cloud는 저희가 빠르고 안정적으로 서비스를 제공하고 계속 변화하는 요구사항을 충족할 수 있도록 도와줍니다.”

Fluidly에 대한 자세한 내용은 www.fluidly.com에서 확인할 수 있습니다. Fluidly와 같은 혁신적인 고성장 기업이 Google Cloud에서 어떻게 사업을 확장하고 있는지 Google Cloud 영문 블로그에서 알아보세요.

Google Cloud가 금융 서비스의 민첩성과 보안을 향상시키는 8가지 방법

Mon, 03 Jan 2022 00:00:00 +0000

* 본 아티클의 원문은 2021년 8월 3일 Google Cloud 블로그(영문)에 게재되었습니다.

코로나19 팬데믹은 금융 서비스 산업에 급격한 변화를 불러왔습니다. 이미 시중 은행과 보험사는 민첩하게 움직이는 신생 핀테크 기업에 압박을 느껴 점진적인 디지털 혁신을 시도하고 있었습니다. 하지만 2020년에는 가속 페달을 밟는 모양새였습니다. 지점은 폐쇄되고 원격 근무가 일상으로 자리 잡았습니다. 하루아침에 직원들이 회사 시스템에 원격으로 액세스할 수 있는 방법이 필요하게 되었고, 고객은 원하는 시간에 원하는 기기에서 복잡한 트랜잭션까지 완료할 수 있기를 기대하게 되었습니다. 점차 일상으로 복귀하고 있지만 그간의 많은 변화는 지속될 것으로 보입니다. Forrester Research에 따르면 90%에 가까운 글로벌 금융 서비스 CIO 및 SVP가 고객 경험과 수익 향상을 위해 애플리케이션 포트폴리오를 개선하는 것이 중요하다고 생각합니다. 문제는 기존 시스템을 클라우드 기반의 SaaS 엔터프라이즈 소프트웨어로 교체하는 프로세스에 막대한 시간과 리소스가 든다는 점입니다.

IDG에서 최근 발간한 백서인 Financial Services Spotlight: Elevating agility and security in the cloud(금융 서비스를 중심으로: 클라우드에서 향상되는 민첩성과 보안)는 일단 시작하면 모든 것을 바꿔야 하는 플랫폼 변경 방식 대신, 온프레미스 애플리케이션과 워크로드를 다시 작성하지 않고 그대로 클라우드에 '리프트 앤 시프트'하는 방식을 제안합니다. 이는 조직에서 익숙한 아키텍처를 유지하면서도 최신 클라우드 환경의 첨단 기술과 확장성을 도입할 수 있는 방법이자 Google Cloud VMware Engine이 금융 서비스 업계에 약속할 수 있는 역할이기도 합니다.

IDG 연구 결과를 간단히 정리하면 다음과 같습니다. 백서 전문 다운로드하기

보다 간소화되었으나 성과가 큰 마이그레이션

Google Cloud VMware Engine은 금융 서비스 기업이 원활하게 VMware 워크로드를 마이그레이션해 Google Cloud에서 기본적으로 실행하도록 지원합니다. 클라우드로 이전한 기업은 Google Cloud 서비스를 활용하고, 강력한 타사 클라우드 생태계에 접근하며, 이미 익숙한 VMware 도구, 프로세스, 정책을 그대로 사용할 수 있습니다. IDG 연구에서는 Google Cloud VMware Engine을 통해 Google Cloud로 마이그레이션할 때 다음을 비롯한 많은 이점이 있는 것으로 나타났습니다.

새로운 고객 경험 창출. Google Cloud로 마이그레이션하면 컨테이너와 마이크로서비스 같은 클라우드 기반 최신 아키텍처와 기술을 쉽게 활용할 수 있게 됩니다. 덕분에 금융 기관은 신규 애플리케이션을 신속하고 안전하게 출시하고 DevOps 파이프라인을 통해 지속적으로 업데이트할 수 있습니다. 그뿐만 아니라 Google Cloud의 기본 AI 및 데이터 분석 기능을 사용해 여러 채널에서 보다 맞춤화된 고객 환경을 조성할 수 있게 됩니다.
신규 서비스 제공. 마이그레이션을 실시하는 금융 서비스 조직은 클라우드 기반 API를 통해 여러 개의 타사 서비스 제공업체를 연결해 다양하고 새로운 서비스를 처음부터 빌드할 필요 없이 고객에게 제공할 수 있습니다.
IT 리소스 최대한 활용. 데이터와 애플리케이션이 Google Cloud에 상주하면 온프레미스 인프라의 물리적 스토리지 및 컴퓨팅 한도의 제약에서 벗어날 수 있습니다. 따라서 예기치 않은 피크가 발생할 때도 수요에 맞게 용량을 늘릴 수 있습니다. 또한 Google Cloud 운영 제품군은 지능형 분석 기능과 보다 간편한 플랫폼 및 애플리케이션 문제 해결 기능을 제공하므로 하이브리드 클라우드 환경에 대한 가시성을 높일 수 있습니다.
최신 통계 확보. 고객의 니즈와 니즈 발생 시기를 파악하는 비결은 데이터에 숨어 있습니다. 클라우드의 데이터 분석 기능은 이러한 통계를 도출하는 데 도움이 됩니다. 회사는 Google Cloud의 서버리스 데이터 웨어하우스인 BigQuery에 연결할 수 있습니다. BigQuery는 데이터를 활용하여 맞춤 고객 경험, 다양한 규정 준수 보고서, 신제품 개발, 지능적인 사기 행위 감지 등에 대한 유용한 정보를 제공합니다.
선택적 이전. 금융 서비스업 특유의 데이터 거버넌스 규제 및 요구사항 때문에 일부 데이터는 온프레미스에 남겨둘 수밖에 없습니다. 이때 Google Cloud VMware Engine을 사용하면 손쉽게 하이브리드 클라우드/온프레미스 환경을 관리해 민감한 정보를 완전히 제어할 수 있습니다.
우수한 복원력. 금융 서비스 기업은 Google Cloud VMware Engine을 통해 애플리케이션에 분산형 아키텍처와 중앙화된 제어 도구를 활용하여 백업 및 재해 복구 같은 핵심 비즈니스 연속성 기능을 지원할 수 있습니다. Google Cloud 글로벌 인프라의 성능과 가용성이 기본적으로 제공되는 것은 물론입니다.
보안 강화. 관리자는 클라우드 기반 애플리케이션 프레임워크를 사용해 중앙에서 패치와 소프트웨어 업데이트를 전송하고 전사적으로 자동 배포할 수 있습니다. 덕분에 오류와 보안 취약성의 위험이 완화됩니다. 기업은 상시 암호화 및 AI 기반 위협 감지를 비롯한 Google Cloud의 보안 기능도 활용할 수 있습니다.
IT 리소스의 재배치. 가상화된 워크로드를 클라우드로 마이그레이션하면 이전에는 복잡한 온프레미스 인프라를 유지관리하는 데 상당한 시간을 들이던 인력과 예산을 아껴 새로운 제품 및 서비스 개발에 투입할 수 있습니다. 따라서 현상 유지에 드는 수고는 줄이고 혁신적이고 차별화된 고객 경험을 만드는 일에 더 많은 리소스를 배치할 수 있습니다.

IDG 연구에 따르면 Google Cloud VMware Engine을 통해 Google Cloud로 비즈니스 애플리케이션을 마이그레이션하는 금융 서비스 기업은 기존 IT 시스템에서 기술 부채가 추가로 발생하는 것을 막고 변화를 선도할 수 있는 것으로 나타났습니다. 금융 서비스 기업은 클라우드 기반 시스템을 활용할 때 안정적인 조직의 이점을 십분 활용하면서도 스타트업의 확장성, 속도, 민첩성을 갖출 수 있게 됩니다.

백서 전문을 읽고 Google과 VMware가 협력해 금융 서비스 기업의 디지털 혁신을 앞당기는 여러 방법에 대해 자세히 알아보세요.

APAC의 디지털 성장에 맞춰 결제 모델을 재정립해야 하는 금융 서비스 기업

Mon, 29 Nov 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 9월 3일 Google Cloud 블로그(영문)에 게재되었습니다.

은행과 결제 대행업체 같은 기타 금융 서비스 기관(FSI)은 단편화된 기존 결제 인프라로는 실시간 응답과 맞춤설정된 서비스에 대한 소비자 기대가 높은 아시아 태평양 고객의 온라인 수요를 충족시킬 수 없으므로 결제 인프라를 점검할 필요가 있습니다.

치열한 경쟁으로 거래 수수료를 부과하지 않는 업체가 늘어남에 따라 이러한 요구는 점점 더 긴급해질 것이며 부족한 부분을 채우기 위해 FSI는 새로운 수익원을 모색할 수 밖에 없습니다.

FSI는 온라인 도입이 급증하고 현금 대신 디지털 결제를 선택하는 소비자가 늘어나는 아시아 태평양 지역에서 이러한 기회를 찾을 수 있습니다.

팬데믹이 전 세계에서 지속되는 동안 이 같은 추세는 계속될 것입니다. Visa 조사에 따르면 코로나19로 인한 거리두기 조치 때문에 아시아 태평양 지역에서 소비자의 91%가 현금 대신 카드나 모바일 앱으로 결제하고 있는 것으로 나타났습니다. 75%는 팬데믹이 끝난 후에도 디지털 결제 습관을 유지할 계획입니다.

이러한 결제 습관이 인도에서도 부상하고 있는데, 인도 소비자 39%는 디지털 결제 수단을 선호하는 반면 26%는 체크카드와 신용카드를 선택하고 26%는 현금을 선호하는 것으로 YouGov 및 ACI Worldwide 조사에서 확인되었습니다.

인도 국민의 57%는 축제 시즌 동안 전자 지갑(e-wallet) 같은 디지털 결제를 매주 두 번 넘게 사용하여 구매 상품을 결제하고 있으며 이는 2019년의 43%에서 늘어난 수치입니다. 또한 작년의 15%에 비해 현재는 29%가 매일 1회 이상 디지털 결제를 사용합니다. 은행을 이용하지 않는 성인이 1억 9,000만명에 달하는 인도에는 무궁무진한 성장의 기회가 존재합니다.

하지만 ACI 조사에 따르면 2019년 36%에 비해 현재는 인도 소비자의 44%가 거래 실패를 우려하고 있습니다. 또 다른 42%는 위조 앱 또는 웹사이트를 사용한 사기 행위를 걱정하고 40%는 사기성 Know Your Customer(KYC) 업데이트와 가짜 온라인 결제 링크에 대한 우려를 표현했습니다.

결제에 대한 소비자의 불안은 FSI 업체에게 안전하고 투명한 서비스를 통해 시장에서 차별화할 수 있는 기회가 있음을 의미합니다. 고객의 선호도와 구매 습관을 고려한 맞춤형 서비스를 제공한다면 경쟁에서 앞서갈 수 있습니다.

이를 위해 은행은 인공지능(AI) 및 데이터 분석을 적용하고 고객의 금융 상호작용을 통합적으로 파악할 수 있는 인프라를 갖추어야 합니다. 기존의 결제 시스템으로는 이 모든 과제를 처리할 수 없을 것입니다.

사일로를 없애 일관된 결제 경험 제공

전통적인 은행과 결제 대행업체는 제품 소유권을 중심으로 시스템이 구축되므로 독립형 고객 경험을 제공하는 솔루션 구성요소별로 사일로가 만들어집니다.

오늘날의 은행을 자세히 살펴보면 신용카드 및 거래 계정 시스템에서 사기와 범죄 감지를 위해 각각 자체 프로세스를 실행하는 것을 알 수 있습니다. 개별 제품 수준에서 개발되어 각각 사일로에 구축되기 때문에 은행은 여러 개의 구조에서 사기를 감지해야 하는 상황에 놓이게 됩니다. 시스템과 채널 전체에서 기업 정책의 일관성이 떨어질 때 많은 금융 범죄가 발생하므로 사일로를 줄이면 은행은 정책의 올바른 시행을 신뢰할 수 있습니다.

반면에 소비자는 원활한 구매 환경을 원합니다. 쉽고 안전하게 거래를 완료할 수 있다면 어떤 프로세스를 사용하든 상관하지 않습니다. 또한 구매 환경이 원활하려면 구매 과정에 끊김이 없어야 합니다. 실시간으로 처리되며 무료로 또는 저렴한 비용으로 실행되어야 합니다.

결제 환경은 소비자가 원하는 지급 방식에 적합해야 하며 복잡한 거래 프로세스는 백그라운드에서 실행되고 고객에게는 최대한 매끄러운 경험을 선사해야 합니다.

이를 위해 결제 인프라는 시즌별 수요 급증과 컴퓨팅 리소스의 실시간 변동에 대처할 수 있도록 확장 가능하고 민첩해야 합니다. 이러한 인프라는 마이크로서비스와 애플리케이션 프로그래밍 인터페이스(API)를 효율적으로 실행해 주는 클라우드 기반 아키텍처를 통해서만 구현할 수 있습니다. 이 수준의 상호 운용성과 세분화를 갖춘다면 신규 서비스를 내부적으로 또는 외부 파트너와 함께 개발할 수 있게 됩니다. API를 통해 은행은 다양한 기존 시스템과 마이크로서비스를 활용하는 애플리케이션을 빌드하고 이 데이터 및 기능을 파트너와 공유할 수 있으므로 은행 업종에서 다양한 사일로화된 시스템이 흔히 갖고 있는 번거로운 시스템 통합 문제가 해결됩니다.

FSI는 네오뱅크나 다른 핀테크 업체와의 경쟁에서 뒤처지지 않기 위해 시스템을 재구축하고 고객 중심의 디지털 결제 경험을 제공해야 합니다. 예를 들어 지난 몇 년 동안 젊은 고객들은 기성 세대와 달리 금융 서비스 제공업체를 활발히 이용해 왔습니다. FSI가 관계를 유지하고 시간이 지날수록 이 소비자 기반과 함께 성장하고자 한다면 결제 전략을 재정립해야 하는데, 그 시작은 기존 프로세스에 계속 의존하기보다 민첩한 클라우드 기반 API 우선 방식을 따르는 것에서 출발합니다.

은행이 Google Cloud를 통해 경쟁력을 강화하는 방법

싱가포르 소재 핀테크 업체인 FOMO Pay는 시장이 필요로 하는 부분을 파악하여 판매자가 Visa QR, WeChat Pay, Alipay 등 모든 모바일 결제 옵션을 이용할 수 있는 디지털 결제 처리 플랫폼을 출시했습니다. Google Cloud를 기반으로 운영되는 FOMO Pay는 매월 3백만 건이 넘는 거래를 처리하고 초당 최대 5개 거래를 서비스 중단 없이 처리합니다.

이 회사는 Google Cloud의 데이터 분석, 머신러닝, AI 기능을 이용하여 다양한 데이터 소스에서 유용한 정보와 분석을 도출하고 있는데, 이는 고객 기대치를 충족하는 데 도움이 됩니다. 또한 FOMO Pay는 민감한 결제 및 고객 데이터의 보관과 처리에 관한 보안 및 규정 요건을 준수할 수 있다는 측면에서 Google Cloud Platform을 선택했습니다.

호주의 전자 청구서 결제 플랫폼인 BPAY Group은 고객에게 영향을 미치는 문제를 해결하기 위해 API를 채택했습니다. 운영된 지 22년이 넘은 이 회사는 기존 방식을 개편해야 할 필요성을 느꼈습니다. 예를 들어 예전부터 일괄 처리 시스템을 사용하여 청구 회사와 은행 간의 요청을 처리했지만 이 방법의 경우 한 개 요청에서 오류가 발생하면 전체 배치가 거부되어 서비스가 중단될 수 있습니다. 뿐만 아니라 일괄 프로세스는 완료하는 데 시간이 오래 걸리므로 실시간 거래를 위해 네오뱅크를 선호하는 고객이 늘어났습니다.

BPAY는 Google의 Apigee API 관리 플랫폼을 채택하여 API 개발을 촉진하고 네 개의 기본 API를 출시했습니다. 이제 이 API를 사용하는 업체는 배치 파일을 제출하기 전에 결제 정보를 검사하여 오류의 여지를 대폭 줄일 뿐 아니라 다양한 은행에 맞게 올바른 형식의 배치 파일을 자동으로 생성할 수 있습니다.

또한 이 API 덕분에 BPAY의 파트너 Zip은 고객이 Buy Now Pay Later(BNPL) 서비스를 이용하여 BPAY 로고가 표시된 청구서를 지불할 수 있도록 지원합니다.

이러한 혁신적인 디지털 결제 서비스는 은행과 FSI가 최적의 인프라를 구축해야만 실현할 수 있으며 최적의 인프라를 정의하는 요소는 다음과 같습니다.

클라우드 기반 및 민첩성
스트리밍에 맞는 설계 및 버스트 용량을 처리하는 성능
강력한 보안 기능 과 통합
AI를 통해 유용한 데이터 정보 제공 가능
API 사용

클라우드를 사용하면 FSI는 결제 과정으로 수익을 창출하고 신규 핀테크 업체 등의 파트너와 효율적으로 협력하여 혁신적인 결제 솔루션 개발을 촉진할 수 있을 것입니다.

Apigee, 머신러닝 기능 등 포괄적인 포트폴리오를 갖춘 Google Cloud는 FSI가 치열한 경쟁 속에서 끊임없이 진화하는 결제 시장에서 성공하는 데 필요한 인프라를 제공할 수 있습니다.

금융 서비스의 Google Cloud 활용에 대해 자세히 알아보세요.

금융 서비스의 Google Cloud 사용: 혁신적인 클라우드 여정 추진

Fri, 27 Aug 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 5월 27일 Google Cloud 블로그(영문)에 게재되었습니다.

지난해와 팬데믹 상황을 되돌아보면 원격 근무와 운영에 기대면서 비즈니스 기반이 얼마나 철저하게 변화했는지 새삼 놀라게 됩니다. 금융 서비스 산업의 경우 특히 그렇습니다. 현재 조직과 나누고 있는 많은 대화의 내용은 혁신 클라우드를 수용하고 클라우드 컴퓨팅을 인프라 결정 요인으로 고려할 뿐만 아니라 회사 전반을 혁신하는 중심지로 생각하는 것입니다.

오늘은 Financial Services Summit에 참석한 업계 관계자를 환영하면서 Google Cloud가 어떻게 앱 및 인프라 현대화, 데이터 민주화, 유대 강화, 신뢰할 수 있는 트랜잭션을 통해 금융 조직의 디지털 혁신을 가속화하는지에 대해 살펴보겠습니다. 여러분의 참여를 기다립니다.

Google Cloud에서 금융 서비스 기업이 혁신 클라우드를 구축하도록 지원하는 방법

Google Cloud는 전 세계 은행, 자본 시장, 보험, 결제 분야 고객에게 역량을 다할 수 있는 분야에 지속적으로 집중하고 있습니다. 금융 서비스 업계 고객과의 협업을 통해 고객에게 실제로 가장 중요한 구체적인 사용 사례를 자세히 파악할 수 있었습니다. 이러한 토대를 기반으로 ERP 또는 기타 초기 IaaS 클라우드 구현에 대한 기존 투자를 중단하도록 강요하는 것이 아닌, 개방적이고 유연한 제품과 솔루션을 설계할 수 있었습니다.

Google Cloud에서 업계를 혁신하는 데 도움이 되는 Lending DocAI, Apigee를 통한 오픈 뱅킹, 금융 서비스용 Datashare와 같은 솔루션을 설계한 이유도 여기에 있습니다. 이러한 솔루션은 고객의 보안 및 규정 준수를 최우선으로 하여 제작되었으며 사용자 최적화 환경, 기술, 주권의 교차점에 구축되었습니다.

본질적으로 금융 기관은 성장 촉진, 비용 절감, 위험 완화, 규정 준수, 효율성 향상을 추구합니다. 이에 Google Cloud는 금융 기관의 혁신 여정을 돕기 위해 협력할 때 다음과 같은 세 가지 핵심적인 부분을 고려합니다.

사용자 경험 및 연결된 상호작용 실현
보다 유용한 정보를 도출하기 위한 개방적이고 지능적인 데이터 기반 구축
업계에서 가장 신뢰도가 높고 안전한 클라우드 제공

사용자 경험 및 연결된 상호작용 실현

기업의 혁신은 기술에만 국한되지 않습니다. 궁극적으로 사람과 문화가 변화를 주도합니다. 예를 들어 HSBC는 위험 정책 규정 준수와 관련된 일반적인 질문에 대한 안내 답변이 비즈니스 사용자에게 도움이 된다는 것을 파악하자 Google Cloud로 전환하여 AI와 머신러닝 봇을 활용해 직원들을 지원하고 정책 전문가의 부담을 덜어주며 사용자 경험을 개선하고 있습니다. HSBC는 Contact Center AI의 핵심 구성요소인 Dialogflow를 사용하여 규모에 맞게 사용자의 니즈를 신속하고 정확하게 해결할 수 있는 대화형 플랫폼을 구축할 수 있었습니다.

또 다른 예로 Equifax는 Google Workspace를 사용하여 내부 직원 간 협업뿐 아니라 외부 고객과의 협력도 지원했습니다. 고객은 금융 서비스를 위한 Google Cloud 솔루션을 사용하여 빠르고 쉽게 기술을 통한 사용자 상호작용을 구축함으로써 규모에 맞게 조직 변화를 지원할 수 있습니다.

보다 스마트하고 신속하게 유용한 정보를 도출하기 위한 개방적이고 지능적인 데이터 기반 구축

금융 서비스를 위한 Google Cloud 솔루션의 실질적인 효과는 전체 회사가 적절한 시기에 올바른 정보에 액세스할 수 있고 해당 데이터를 기반으로 보다 지능적으로 대응할 수 있을 때 발생합니다. Google Cloud 솔루션은 기업이 데이터를 안전하게 활용하고 많은 경우 여러 시스템(CRM, 대출, 신용 등)에 분산되어 있는 모든 고객 정보를 한곳에서 파악할 수 있도록 지원합니다. 이를 통해 금융 기관은 전반적인 고객 경험을 향상하고 때로는 새로운 제품을 신속하게 개발할 수도 있습니다.

실제로 모든 금융 기관은 수익을 증대하고 비용을 절감할 수 있는 방법을 찾고 있으며 데이터는 이 두 가지 모두를 효과적으로 수행하는 데 중요한 요소가 될 수 있습니다. 일일 트랜잭션이 증가함에 따라 데이터의 양과 복잡성도 증가합니다. 그러나 새로운 고객 경험 혁신을 이루고 새로운 수익원을 창출하기 위해서는 우선 금융 기관이 데이터를 효과적으로 캡처해야 합니다. 그렇기 때문에 AXA Switzerland의 경우 Google Cloud의 실시간 분석을 사용하여 향후 트렌드와 고객 선호도에 대한 산업 간 통계를 확보합니다.

또한 금융 서비스 조직은 빠른 전환을 위한 선택권, 유연성, 민첩성을 제공하는 플랫폼을 기반으로 한다는 확신을 가질 수 있어야 합니다. 이러한 이유로 Google Cloud는 온프레미스, 기타 퍼블릭 클라우드, 에지와 같이 다양한 물리적 위치에서 Google Cloud 서비스를 실행할 수 있는 개방형 클라우드 접근 방식을 사용하고 있습니다. 또한 고객은 Google Cloud의 개방형 API, 머신러닝 서비스, 분석 엔진을 통해 모든 주요 클라우드 플랫폼에서 데이터와 AI를 활용할 수 있습니다. Macquarie Bank 같은 기업이 Google Cloud의 개방형 하이브리드 아키텍처를 활용하여 개발자들을 현대화하고 역량을 강화하는 이유를 여기에서 찾을 수 있습니다.

위험 및 규제 요건을 해결할 수 있는 규정 준수 및 보안

금융 서비스업은 규제가 엄격한 산업인 만큼 보안 및 규정 준수, 위험 및 규제, 사기 행위 감지 및 예방에 중점을 두고 있습니다. Google Cloud는 업계에서 가장 신뢰할 수 있는 클라우드가 되기 위한 지속적인 노력의 일환으로 고객의 신뢰를 얻기 위한 고유한 기능을 제공합니다. Google Cloud는 사용자가 검증하고 독립적으로 제어할 수 있는 안전한 기반을 제공합니다. 통합형 제로 트러스트 아키텍처를 기반으로 구축된 클라우드 기술은 위험을 완화하고 데이터 손실 가능성을 낮춥니다. 마지막으로, Google에서는 자동화, 안내, 보험을 통해 위험 관리 권장사항을 기반으로 하는 공통된 운명 모델을 제공합니다. 이것이 BBVA와 같은 고객이 어디에서 시스템이 운영되든 안심할 수 있는 이유입니다.

규제 측면에서 전 세계 입법 기관과 규제 당국은 불과 10년 전에 역사상 최악의 유동성 위기를 겪은 금융 서비스업의 안정성에 지속적인 관심을 두고 있습니다. 이 같은 감독은 위험 완화에 대한 기대를 높입니다. Google Cloud는 전 세계 금융 기관 및 규제 당국에서 검토하고 공동 감사에서 검증된 글로벌 단일 관리 기능 집합을 제공하여 고객의 규정 준수 절차를 간소화하고 비용을 절감합니다.

마지막으로 금융 서비스 기업은 Google Cloud를 통해 사기성 활동, 스팸, 악용으로부터 고객뿐만 아니라 데이터, 애플리케이션, 인프라를 보호하는 고급 보안 도구를 사용하여 안심하고 운영할 수 있습니다. Google Cloud는 자체 운영에 사용하는 것과 동일한 인프라 및 보안 서비스를 사용하여 사용자의 데이터를 위협으로부터 보호할 수 있도록 지원하므로 사용 편의성과 보안성을 모두 보장합니다. Google Cloud에서는 저장 데이터와 전송 중인 데이터를 암호화합니다. 이제 고객 VM 및 컨테이너 워크로드에 대해 사용 중 데이터를 처리와 동시에 암호화할 수 있는 기능도 제공합니다.

혁신을 위한 클라우드 여정에 도움을 드립니다

선도적인 금융 서비스 기업들은 Google Cloud를 채택하여 인프라를 넘어 클라우드 진화의 다음 단계로 나아가고 있습니다. 현재 Google Cloud는 선도적인 역할을 맡기에 더없이 적절한 위치에 있으며 귀사의 여정을 최선을 다해 도울 것입니다.

금융 서비스의 Google Cloud 사용에 대해 자세히 알아보세요.

퀀트 투자 리서치 확장을 위한 4단계

Fri, 13 Aug 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 6월 7일 Google Cloud 블로그(영문)에 게재되었습니다.

투자 관리는 데이터 사용이 특히 많은 분야입니다. 포트폴리오 매니저와 투자 리서처가 투자 전략을 수립하기 위해서는 많은 데이터 소스를 참고해야 합니다.

새로운 클라우드 기능과 기술을 사용하는 투자 관리자는 데이터 처리 속도를 높이고 아이디어를 빠르게 반복하여 신호 생성 프로세스의 혁신을 촉진하고 경쟁 우위를 확보할 수 있습니다.

클라우드를 투자 리서치 워크플로에 사용하면 데이터 제공업체의 데이터를 보다 손쉽게 온보딩하고, 시장 변동성이 커지거나 집중적인 리서치 주기가 진행 중일 때 대규모 컴퓨팅 워크로드를 가동하며, 복잡한 머신러닝 또는 자연어 워크플로를 관리하여 유용한 시장 정보를 얻을 수 있습니다.

업계 리더들은 투자 리서치를 수행하기 위한 새로운 방법을 모색 중이라고 말합니다. “차별화된 투자 전략을 수립하기 위해서는 새로운 유형의 정보 출처와 새로운 정보 처리 방법이 필요합니다.”라고 Greenwich Associates의 데이비드 이스트호프 시장 구조 및 기술 부문 수석 애널리스트는 말했습니다. “물론 이러한 요소는 안정적이고 확장 가능한 스토리지, 컴퓨팅, AI/ML 리소스 액세스에 대한 의존도가 매우 큽니다. 보다 자세히 말하자면 클라우드가 제공할 수 있는 컴퓨팅 플랫폼과 임베디드 AI/ML 기능이 퀀트 투자 전략에 큰 도움이 될 수 있습니다.”

Google Cloud는 투자 리서치 워크플로를 클라우드로 가져와 작업 및 운영 속도를 높여주는 필수 구성요소를 투자 관리자에게 제공합니다. 주요 이점은 다음과 같습니다.

1. 데이터 수집, 탐색, 분석의 간소화 및 가속화

모든 투자 전략은 데이터를 토대로 합니다. 즉, 데이터를 수집하고 패턴을 감지하며 분석하여 유용한 정보를 얻는 것에서부터 시작됩니다. 데이터 제공업체가 고성능 분석 엔진에서 틱 기록과 같은 대규모 데이터 세트를 손쉽게 공유할 수 있게 되면 가능한 경우 데이터 엔지니어링 오버헤드를 크게 줄일 수 있습니다.

데이터가 온보딩되면 데이터 세트와 관련된 비즈니스 및 기술 메타데이터를 태그한 뒤 포트폴리오 매니저에게 검색 인터페이스를 통해 해당 데이터 세트를 탐색할 수 있는 기능을 제공할 수 있습니다.

Google에서는 대규모 데이터 세트 집계, 대시보드 생성, 스트리밍 분석 워크로드 통합 등 다양한 시나리오에 대한 분석 옵션을 추가로 검토하고 있습니다.

2. 버스트 컴퓨팅 워크로드 활용

데이터 엔지니어와 리서처는 버스트 컴퓨팅 기능에 즉각적으로 액세스하여 백 테스트, 포트폴리오 시뮬레이션, 위험 계산 실행을 수행할 수 있어야 합니다. 클라우드는 탄력성, 소비 기반 모델, 하드웨어 발전 측면에서 이러한 워크로드에 적합합니다.

많은 투자 관리자는 다수의 리서처가 사용하는 환경에서 일관성, 확장성, 효율성을 향상하기 위해 Kubernetes 기반 스케줄러와 컨테이너 기반 전략으로 전환하고 있습니다. 클라우드 관리형 서비스와 풍부한 CI/CD 도구 제품군으로 이러한 비전을 실현하는 동시에 보안 및 개발자 생산성을 개선할 수 있습니다.

3. 클라우드의 도움으로 머신러닝(ML) 및 모델 배포 해결

퀀트 투자 리서처는 신호와 상관관계를 찾기 위해 방대한 양의 시장 및 대체 데이터 소스를 세밀하게 검토해야 하며 ML 엔지니어는 이러한 신호를 가져와 프로덕션으로 이전하는 과제를 해결해야 합니다.

Google Cloud는 포괄적인 MLOps 도구 모음으로 사용자가 소중한 시간을 낭비하지 않고 모델을 만들어 운영하도록 지원합니다.

이 백서에서는 여러 ML 및 모델 배포 솔루션을 살펴봅니다. 이러한 기능을 사용하면 ML 모델을 운용하는 데까지 걸리는 시간을 단축해 퀀트 및 데이터 과학자가 차별화 활동에 더 많은 시간을 할애할 수 있습니다.

4. Natural Language 및 Document AI를 통해 필요한 데이터를 빠르게 확보

매일 수천 건의 금융 보고, 뉴스 기사, 증권사 연구 보고서가 생성됩니다. 이렇듯 많은 정보를 인간의 힘으로만 처리하기는 어렵습니다. 문서가 여러 언어로 생성되는 경우가 많기 때문에 각 언어로 항목 인식, 감정 또는 구문 분석을 수행하거나 포트폴리오 매니저의 언어로 번역하는 기능이 매우 중요합니다. Google Cloud에서는 선행 학습된 모델을 통해 이러한 기능을 제공하거나 사용자가 자체 데이터 세트로 고품질 모델을 학습시키도록 지원합니다.

시작하기

오늘날 투자 관리자에게 도움이 될 수 있는 새로운 기술, 도구, 접근 방식이 많이 있습니다. Google Cloud는 사용자가 보다 빠르게 안정적이며 가치 있는 리서치를 수행할 수 있도록 이러한 필수 구성요소에 액세스하여 구성 및 활용하는 데 도움을 제공합니다.

투자 리서치 향상을 위한 4가지 단계를 자세히 알아보려면 백서를 확인하세요.

Lending DocAI를 사용해 주택담보대출 처리 과정을 간소화한 Roostify

Fri, 23 Jul 2021 01:59:00 +0000

* 본 아티클의 원문은 2021년 5월 26일 Google Cloud 블로그(영문)에 게재되었습니다.

주택담보대출의 경우 처리 과정에서 매일 수십만 명의 대출자들이 제출한 엄청난 양의 문서를 처리해야 합니다. 현재는 주택담보대출 문서를 처리하기 위해 오래된 디지털 모델을 사용하며 수작업에 대한 의존도가 높아 처리 시간이 느리고 대출 개시 비용이 많이 듭니다. 매일 수백만 개의 문서를 분류하도록 비즈니스를 확장하는 동시에 효율성과 정확성을 높이기란 결코 쉬운 일이 아니지만 온라인에서 주택담보대출을 신청하는 소비자들은 직접 방문하여 대출받을 때와 마찬가지로 우수한 디지털 경험을 기대합니다. Roostify는 대출 기관과 고객의 주택담보대출 절차를 간소화해 줍니다.

시간 단축: AI를 사용한 문서 처리 과제 해결

Roostify는 주택담보대출 기관을 위한 엔터프라이즈 클라우드 애플리케이션을 제공합니다. 고객에게 더 우수하고 맞춤설정된 대출 경험을 제공하기 위해서는 사내 문서 파싱 기능을 자동화하고 확장해야 했습니다.

Roostify는 문서 인텔리전스 서비스의 핵심 구성요소로 Google Cloud의 Lending DocAI 머신러닝 플랫폼을 활용하여 다국어 지원을 제공하고 주택담보대출 신청 절차 중에 필요한 소득 신고서 또는 은행 명세서 등의 문서 처리를 자동화하고 있습니다. 이 같은 파트너십으로 규모에 맞는 데이터 캡처를 제공하여 Roustify 고객이 업로드된 파일에서 문서 유형을 자동으로 식별하고 추가 처리를 위해 임금, 과세소득세액, 이름, ID 번호 등의 관련 항목을 추출하며 번거로운 대출 절차를 더욱 빠르게 진행할 수 있도록 지원합니다.

Roostify의 솔루션은 최근에 발표된 문서 처리를 위한 통합 콘솔인 Document AI 플랫폼을 기반으로 하는 Google Cloud의 Lending DocAI를 활용합니다. 고객이 추가로 데이터 매핑이나 학습을 수행하지 않고도 플랫폼에서 모든 전문 파서(예: 주택담보대출 문서 및 소득 신고서 파서)를 쉽게 만들고 맞춤설정할 수 있습니다. Google Cloud의 모든 전문 파서는 업계 최고의 정확도를 달성하도록 미세 조정되어 있으며 고객과 파트너가 머신러닝을 통해 문서에서 유용한 정보를 확실하게 얻을 수 있도록 지원합니다. 정식 버전 출시 블로그와 개요 동영상에서 솔루션에 대해 자세히 알아보세요.

Lending DocAI의 지능형 문서 처리 기능을 Roostify 플랫폼에 통합한 덕분에 대출 처리 시간 단축, 문서 접수 오류 감소, 대출 개시 비용 절감 등 고객에게 더 많은 혁신과 가시적인 결과를 제공할 수 있게 되었습니다. 조만간 다른 언어와 글로벌 KYC(고객 유형 파악) 문서 또는 급여 보고서 등의 다양한 문서를 Google Lending DAI에서 추가로 지원할 예정입니다.

AI 솔루션의 완전한 통합

Rostify 플랫폼팀과 협력하여 Lending DocAI(LDAI), 민감한 정보의 수정을 위한 데이터 손실 방지(DLP), 데이터 웨어하우징 및 분석을 위한 BigQuery, API 상태를 위한 Firestore 등 다양한 GCP 제품을 통합함으로써 문서 처리 과제를 해결할 수 있었습니다. 철저한 보안을 위해 저장 데이터부터 전송 중인 데이터에 이르는 모든 데이터를 완벽하게 암호화했습니다. LDAI는 처리를 위한 학습 데이터가 필요 없는 간편한 플러그 앤 플레이 API입니다.

Roostify 환경의 대략적인 LDAI 배포 아키텍처를 간략하게 소개합니다.

데이터 처리 단계는 다음과 같습니다.

고객으로부터 문서 처리 요청이 접수됩니다.
API 함수가 요청을 사전 처리 서비스로 전달합니다. 비동기 요청의 경우 처리 ID가 생성되어 호출자에게 반환됩니다.
사전 처리 서비스에서 추가 처리 요청(긴/짧은 PDF 변환)을 전송하여 다른 마이크로서비스를 호출하고 응답을 돌려받습니다. 수신된 응답에 오류가 포함되어 있으면 응답 처리 서비스로 오류가 전송됩니다.
동기식 응답은 사전 처리 서비스가 LDAI 호출자 서비스로 전달합니다.

비동기식 응답은 사전 처리 서비스가 Cloud Pub/Sub 서비스로 피드합니다.

Cloud Pub/Sub 서비스는 이 응답을 다시 LDAI 호출자 서비스로 피드합니다.
문서가 여러 페이지로 구성된 경우 분류를 위해 LDAI 호출자 서비스에서 요청을 Google LDAI API로 라우팅합니다.
LDAI 응답을 기반으로 문서가 분할된 후 임시 스토리지인 GCS 버킷에 저장됩니다.
LDAI 항목에 연결해 단일 페이지 처리가 완료되면 LDAI 호출자가 LDAI 결과를 LDAI 응답 처리로 전송합니다.
요청이 동기식 요청이면 동기식 호출을 완료하고 rConnect 호출자에 응답할 수 있도록 LDAI 응답 프로세서에서 결과를 API 함수로 전송합니다.

비동기식 요청이면 LDAI 응답 프로세서에서 호출자의 웹훅에 응답하고 트랜잭션을 완료합니다.

마지막으로 GCP 버킷에 저장된 데이터가 삭제됩니다.

LDAI API에서 제공되는 모든 응답은 원하는 경우 데이터 손실 방지(DLP) API를 통해 파싱하여 PII/민감한 정보를 수정한 후 응답 프로세서를 통해 BigQuery에 피드할 수 있습니다. 비동기식 요청과 동기식 요청 모두 처리하는 동안 모든 트랜잭션이 Cloud Logging을 사용해 로깅됩니다. 비동기 트랜잭션의 경우 Cloud Firestore를 사용하여 프로세스가 진행되는 동안 상태가 유지됩니다.

Rustify는 현재 이 같은 기술을 사용하여 Roostify Document Intelligence 및 Roostify Beyond™라는 두 솔루션을 제공하고 있습니다. Roustify Document Intelligence는 주택담보대출 기관을 위해 제작된 실시간 문서 캡처, 분류, 데이터 추출 솔루션입니다. 이 솔루션은 대출자와 대출 기관 담당자가 업로드한 문서를 수집하고, 관련 문서를 식별하며, 주요 정보를 추출하여 분류합니다. Roustify Document Intelligence는 디지털 대출 인프라를 이미 마련한 모든 주택담보대출 기관에 독립형 API 서비스로 제공됩니다.

Roostify Beyond™는 강력한 AI 기반 솔루션 제품군으로서 주택담보대출 기관에서 지능형 환경을 구축하는 과정을 처음부터 끝까지 지원합니다. 이 솔루션은 강력한 데이터, 통찰력 있는 분석, 의미 있는 시각화를 결합하여 언더라이팅 절차를 간소화합니다. Roostify Beyond™는 현재 얼리 어답터 프로그램으로 Roustify 고객에게만 제공되며 올해 말 시장에 출시될 예정입니다.

대출 기관은 원하는 필드 신뢰도 수준을 설정할 수 있습니다. 설정된 필드 신뢰도를 충족하지 않는 필드가 추출되면 업로드된 문서를 확인하라고 요청하는 경고 표시를 대출자에게 표시합니다.

Beyond 알고리즘이 문서에 대해 확신하지 못하는 경우(즉, 관리자가 설정한 신뢰도보다 분류 결과의 신뢰도가 낮은 경우) 사용자에게 작업을 확인하라는 메시지가 표시됩니다.

Roustify는 이러한 파트너십을 통해 고객이 데이터 우선 방식을 주택담보대출 절차에 채택하도록 하여 사용자 경험을 개선하고 대출 처리 시간을 크게 단축할 수 있었습니다.

Google Cloud AI 서비스(AIS)를 사용한 빠른 엔드 투 엔드 배포

Google AIS(Professional Services Organization)는 파트너인 Quantiphi와 함께 Roostify가 이 시스템을 프로덕션에 배포하고 개발 속도를 크게 높여 비즈니스 가치를 창출하도록 지원했습니다.

Google Cloud와 Roustify의 파트너십은 Google에서 비즈니스 문제 해결을 위해 AI 기반 솔루션을 제공하는 방식을 보여주는 최신 사례 중 하나에 불과합니다.\

디지털 환경에 도입한 금융 서비스로 새로운 수익원을 확보할 수 있는 이유

Mon, 31 May 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 5월 15일 Google Cloud 블로그(영문)에 게재되었습니다.

고객 행동 및 수요의 변화, 이윤 축소, 디지털 경쟁업체의 위협 증가에 직면한 금융 서비스 기관(FSI)은 고객이 어디에 있든 이들을 만나고 서비스를 제공하며 제품으로 수익을 창출할 수 있는 새로운 방법을 마련해야 합니다. 이를 바탕으로 더 나은 고객 프로필을 구축하고 더욱 개인화된 사용자 경험과 빠르고 편리한 금융 및 결제 서비스를 제공할 수 있습니다. 클라우드 기술은 디지털 FSI를 향한 이러한 변화에 큰 역할을 합니다.

아시아의 경우 McKinsey&Company에 따르면 지역 월 거래량에서 은행 지점이 차지하는 비중이 12~21%에 불과하며 고객들은 P2P 송금 및 청구서 결제 같은 일상 거래를 디지털 채널로 전환하고 있는 것으로 나타났습니다. 전반적인 고객 참여도 역시 아시아 선진 시장에서 월평균 거래량이 12.7건에서 14.9건으로, 신흥 시장에서는 6건에서 8.1건으로 증가했습니다.^[1]

스마트폰 채택 증가, 고객 행동 변화, 디지털 플랫폼을 향한 모멘텀으로 인해 디지털 중심 업체가 금융 시장에서 차지하는 비중이 커지고 있습니다.

McKinsey는 아시아의 디지털 뱅킹 보급률이 아시아 선진 시장은 평균 97%이고 신흥 시장은 52%이며 아직 디지털 뱅킹을 사용하지 않는 소비자의 30~50%가 향후 이를 사용할 가능성이 있다고 예상합니다.

소비자들은 이제 네오뱅크, 즉 디지털 은행으로 전환할 충분한 준비가 되어 있습니다. 싱가포르 소비자의 63%가 디지털 전용 업체를 통한 뱅킹에 개방적이라는 사실이Visa 조사에서 밝혀졌습니다. 디지털 뱅킹을 사용하게 된 계기에 관한 질문에 63%는 청구서 결제라고 답한 반면 56%는 네오뱅크 서비스를 이용해 소매업체 매장에서 결제하기 위해서라고 답했습니다. 또한 디지털 은행을 선호하는 이유로는 54%가 편의성, 52%는 빠른 서비스라고 답했습니다.

디지털 은행에 개방적인 소비자 중 60%는 신규 업체에서 뱅킹 경험을 제공한 적이 없더라도 현재 은행에서 새 업체로 일부 서비스를 이전할 예정입니다. 응답자의 5분의 1이 모든 서비스를 네오뱅크로 전환할 의사가 있다고 답했습니다.

싱가포르의 중소기업(SMB) 역시 마찬가지입니다. 별도로 실시된 Visa 설문조사에 따르면 이러한 기업의 88%가 디지털 은행으로의 일부 서비스 이전을 고려할 예정입니다.

중소기업의 55%가 우수한 기업 제품 부족과 뱅킹 경험 관리 미숙으로 인한 불만으로 디지털 은행을 채택하고 있으며 네오뱅크가 전반적인 뱅킹 비용 절감에 도움이 될 것으로 생각합니다. 54%가 디지털 은행은 편의성이 더 우수하다고 답했으며 53%는 청구서 요금을 온라인에서 결제하기가 더 쉽다고 답했습니다.

이러한 통계는 기존 FSI, 특히 API를 통해 자사 서비스 생태계를 공개하고 혁신을 도모할 준비가 충분히 되지 않은 FSI에는 우려를 안겨줍니다.

새로운 수익원을 위한 API

대부분의 은행에는 사용 중인 API가 있지만 현재 일부 은행에서 제공하는 서비스는 파트너가 목표로 한 제품과 서비스를 얻기 위한 수단으로 가동될 뿐입니다. 소비자들은 이 사실을 모른 채 매일 원하는 애플리케이션을 사용하면서 이러한 유형의 API를 간접적으로 사용합니다. 예를 들어 결제 대행 API를 통해 점심 식사비를 내고 대출 신청 API를 통해 주택을 구입합니다.

은행은 항상 고객 여정 확보까지는 아니더라도 여전히 파트너를 통해 제품을 판매할 기회를 찾을 수 있습니다. 많은 주요 은행에서 API 관리, 인공지능(AI), 데이터 분석과 같은 핵심 기술을 활용하여 식료품, 여행, 엔터테인먼트, 의료, 음식 배달 등 소비자의 일상 생활에 디지털 뱅킹을 접목하고 있습니다.

기존 은행이 은행 자체 앱에 고유한 서비스를 도입하는 보다 포괄적인 서비스를 제공하는 타사에 자사의 API를 공개하면 더욱 광범위한 고객 여정을 만들 수 있는 여건이 마련됩니다. 이를 통해 서비스 사용을 개선하고 전반적인 고객 환경에 서비스를 포함시킬 수 있습니다. 은행이 더 풍부한 소비자 프로필을 구축하고 더욱 개인화된 제품 및 서비스를 제공하는 데 도움이 될 집계 데이터도 얻을 수 있습니다.

또한 API는 중소기업에도 똑같이 금융 서비스 생태계에 참여할 기회를 제공하여 이전에는 없었던 미시 영역을 만들 수 있습니다. 폐쇄적인 시스템에서는 이러한 서비스의 제공을 정당화하기에는 수요가 불충분하므로 미시 영역의 고객이 서비스를 받지 못한 상태로 방치되어 왔습니다. 여러 미시 영역의 공동작업을 지원하여 상업적 성공을 가능하게 만들어 주는 API로 이러한 문제를 완화할 수 있습니다.

일부 은행에서는 API를 공개하여 자동화된 워크플로를 트리거하고 운영 효율성을 높일 수 있는 데이터 세트를 기업에서 이용할 수 있도록 허용합니다. 또한 Bank Rakyat Indonesia(Bank BRI) 등의 은행에서는 Google Cloud의 Apigee를 활용해 API 수명 주기를 관리하고 새로운 수익 창출 기회를 찾아 새로운 수익원을 마련했습니다.

Apigee의 수익 창출 기능으로 Bank BRI에서는 $5,000만의 수익을 실현하고 API 호출에 기반한 가격 책정을 정의하며 사용량에 따라 자동으로 요금을 청구하고 있습니다.

또한 이 인도네시아 은행은 데이터 분석과 Google Maps Platform을 함께 사용하여 7,550만 명의 고객층에 점수를 매기고, 은행이 부족한 지역에서 활동할 BRILink 상담사로 채용할 수 있는 대상을 식별하고 있습니다. 그 결과, 최소 잔액 $800(미국 달러)를 유지하고 안정성 점수가 높은 고객들이 상담사로 활동하고 있습니다.

Agent BRILink 앱을 통해 무점포 상담사를 임명함으로써 무점포 비즈니스의 2018년 대출 규모가 $260억으로 늘었으며 이는 전년 대비 $150억이 증가한 금액입니다.

은행에서 API 사용을 시작하는 방법

은행에서 이미 보유한 데이터를 활용할 수 있는 새로운 수익 기회가 분명히 존재합니다. FSI에서 API 여정을 시작하는 데 도움이 되는 몇 가지 팁을 소개합니다.

내부 리더십 성장 이니셔티브와 일치를 이루세요. 성장 및 비용 절감에 관한 임원급 핵심성과지표를 활용하여 건전한 금융 서비스 생태계 구축을 위해 미시 영역의 시장에 API를 제공하는 분위기를 조성하세요.
강력한 가치 제안을 토대로 API를 상품화하세요. API 중심 접근방식부터 시작하여 타사(예: 소매업체, 전자통신 업체 등) 사용을 유도할 만큼 새로운 서비스와 강력한 API 인벤토리로 판매할 수 있는 API 기반을 마련하세요. 이 고객 우선의 내향형 접근방식은 API 채택이 늘수록 더 많은 API를 빌드 및 추가할 수 있는 강력한 기반을 마련합니다.
개발자 커뮤니티를 적극적으로 육성하세요. 적절한 교육을 받은 API 관리자를 통해 개발자 커뮤니티와 지속적으로 소통할 수 있으며 파트너들은 API와 관련된 실행 가능한 사용 사례를 찾는 데 도움이 되는 우수사례를 제공받습니다.
보안을 전략 실현에 활용하세요. 보안은 API 경제의 주요 요소이며 대부분의 API 보안 상태는 방어적입니다. 은행에서 심층 보안 도구와 강력한 개발자 식별 기능을 활용하면 정보 및 데이터 사용을 공격적으로 추적할 수 있습니다.

또한 FSI는 API를 지속적으로 개선해야 할 필요성을 간과하는 등의 일반적인 문제를 피해야 합니다. API를 아무도 사용하지 않는다면 이 API는 타사 개발자에게 실질적인 가치를 제공하지 못하고 있는 것이 분명합니다.

이와 더불어 API를 마케팅하고 개발자들에게 제공되는 사항을 알리기 위해 노력해야 합니다. FSI에서 흔히 저지르는 실수는 API가 공개되면 일이 모두 끝났다고 생각하여 API 인지도를 높이기 위한 커뮤니티 홍보 및 마케팅의 필요성을 무시하는 것입니다.

이 주제에 대해 자세히 알아보고 싶다면 Google Cloud Financial Services Summit에서 금융 서비스 도입: 뱅킹의 미래 관련 세션을 확인해 보세요.

^{[1] McKinsey & Company, 'Asia’s digital banking race: Giving customers what they want(아시아의 디지털 뱅킹 경쟁: 고객 니즈 충족)', 글로벌 금융 관행. 2018년 4월.}

실시간 시장 데이터를 위한 서버리스 파이프라인 만들기

Mon, 10 May 2021 16:50:00 +0000

* 본 아티클의 원문은 2021년 4월 8일 Google Cloud 블로그(영문)에 게재되었습니다.

편집자 주: 이 게시물은 Google Cloud에서 시장 데이터를 사용하는 방법에 관한 특별 시리즈 2부입니다. Google이 서버리스 구성요소를 이용하여 유연한 데이터 수집 파이프라인을 구축한 방법을 중점적으로 소개합니다. 클라우드의 실시간 시장 데이터 시각화에 관한 첫 번째 게시물을 확인하세요.

자본 시장 기업은 방대한 실시간 데이터 세트에서 유용한 정보를 빠르게 추출해야 합니다. 기업의 시장 데이터 파이프라인에서는 최종 사용자의 데이터 액세스 요구사항을 가장 중요한 설계 조건으로 고려해야 하지만 유연하지 못한 배포 메커니즘과 분석 도구가 이 목표의 걸림돌로 작용하는 경우가 많습니다. 서버리스 데이터 서비스는 운영에 거의 지장을 주지 않으면서 다양한 기능을 갖춘 새 도구를 도입할 수 있어 이러한 문제를 피할 수 있습니다. 즉, 하나의 데이터 파이프라인으로 실시간 머신러닝 모델 학습, 과거 데이터 분석 등 각기 다른 사용자 목표를 손쉽게 지원할 수 있습니다.

서버리스 데이터 파이프라인을 이용하는 자본 시장 기업은 인프라가 아닌 유용한 정보를 얻는 데 집중하고 빠르게 변화하는 업계에서 앞서갈 수 있습니다. 이 게시물에서는 CME Group의 Smart Stream 주문장 상단(ToB) JSON 피드를 통해 실시간 데이터를 수집하기 위한 권장사항을 설명합니다. 참조 아키텍처는 저장 및 전송 옵션을 선택할 때 데이터 사용 패턴과 스키마를 고려합니다. 또한 Cloud Functions에 비즈니스 로직을 캡슐화하여 개발 속도를 높이고 운영상의 복잡함을 줄여줍니다. 이러한 데이터 사용 패턴과 설계는 다양한 사용 사례에 적용할 수 있습니다.

그림 1은 수집 파이프라인의 참조 아키텍처입니다.

그림 1: 참조 아키텍처

실시간 데이터 수집을 설정하는 방법

여기서 사용한 실시간 데이터 소스는 Google Cloud에서 이용 가능한 CME Group의 Smart Stream 서비스입니다. 데이터 출처는 CME Globex 거래 플랫폼이며 UDP를 통해 실행되는 멀티캐스트 스트림을 사용합니다. 상품 가격 데이터가 상호 연결을 통해 은 또는 농축 오렌지 주스 선물과 같은 단일 제품에 각각 해당하는 여러 Pub/Sub 주제로 전달됩니다.

Pub/Sub는 서버리스이고 다른 Google Cloud 서비스와 긴밀하게 통합되어 있습니다. Google에서 제공하는 완전 관리형 서비스이므로 확장, 계획, 안전성과 관련된 사용자의 많은 업무 부담이 줄어듭니다. Pub/Sub에서 BigQuery 및 Cloud Storage와 같은 다양한 싱크로 데이터를 수집하기 위한 오픈소스 Dataflow 템플릿도 제공됩니다.

Bigtable은 실시간 데이터 저장소로 사용되어 최신 데이터와 기능을 예측 엔드포인트에 제공하는 역할을 했습니다. (엔드포인트는 이 데이터를 Google Cloud AI 플랫폼에 호스팅된 머신러닝 모델로 전달합니다.) 이와 동시에 BigQuery가 확장 가능한 분석 웨어하우스로 사용됩니다. Pub/Sub 데이터는 별도의 Dataflow 작업을 통해 두 싱크로 스트림되었습니다.

그림 2는 Google이 제공하는 PubSub 및 BigQuery 간 파이프라인용 템플릿으로 Dataflow 작업을 실행하는 셸 스니펫입니다.

그림 2: Pub/Sub에서 BigQuery로 메시지를 수집하기 위한 Dataflow 템플릿 실행

code_block: <ListValue: [StructValue([('code', 'JOB_NAME="smartstream-json-bq-ingest-$(date +%Y%m%d%H%M%S)"\r\nPROJECT=<PROJECT>\r\nTEMPLATE=gs://dataflow-templates/latest/PubSub_Subscription_to_BigQuery\r\nSERVICE_ACCOUNT=<service_account_email>\r\nREGION=us-central1\r\nSUB=<SUBSCRIPTION>\r\nDEST=<PROJECT>:<DATASET>.<TABLE>\r\n \r\ngcloud dataflow jobs run ${JOB_NAME} \\\r\n --gcs-location ${TEMPLATE} \\\r\n --service-account-email ${SERVICE_ACCOUNT} \\\r\n --region ${REGION} \\\r\n --parameters inputSubscription=${SUB},outputTableSpec=${DEST}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b226e3f70>)])]>

그림 3은 입력 Pub/Sub 주제가 3가지(거래 상품당 하나씩)이고 Bigtable이 싱크인 Dataflow 파이프라인을 보여줍니다.

그림 3: Dataflow 작업 그래프

그림 4의 클래스는 한 가지 주제(예: 제품 코드)로 데이터를 수집하고 Bigtable에 기록하는 Apache Beam 파이프라인을 정의합니다.

그림 4: Bigtable에 수집하는 Apache Beam 파이프라인

code_block: <ListValue: [StructValue([('code', 'public class SmartStreamIngest {\r\n \r\nprivate static final Logger LOG = LoggerFactory.getLogger(SmartStreamIngest.class);\r\n \r\n/**\r\n* Main entry point for executing the pipeline.\r\n*\r\n* @param args The command-line arguments to the pipeline.\r\n*/\r\npublic static void main(String[] args) {\r\n \r\n // Initialize smartStreamingIngest options\r\n SmartStreamIngestOptions smartStreamIngestOptions = PipelineOptionsFactory.fromArgs(args)\r\n .withValidation()\r\n .as(SmartStreamIngestOptions.class);\r\n \r\n // Create main pipeline\r\n Pipeline pipeline = Pipeline.create(smartStreamIngestOptions);\r\n PCollection<PubsubMessage> instrument = pipeline\r\n .apply("Read Instrument PubSub",\r\n PubsubIO.readMessagesWithAttributes()\r\n .fromSubscription(smartStreamIngestOptions.getInstrumentPubSubSubscription()));\r\n \r\n // Read from PubSub subscription and write to Bigtable\r\n PCollectionTuple parseMsg = instrument\r\n .apply("Transform to Bigtable",\r\n ParDo.of(new MutationTransformDoFn()).withOutputTags(MutationTransformDoFn.successTag,\r\n TupleTagList.of(DeadLetterError.DeadLetterTag)));\r\n \r\n // Writing successful parsed records to Bigtable\r\n parseMsg\r\n .get(MutationTransformDoFn.successTag)\r\n .apply("Write to Bigtable",\r\n BigtableIO.write()\r\n .withProjectId(smartStreamIngestOptions.getBigtableProjectId())\r\n .withInstanceId(smartStreamIngestOptions.getBigtableInstanceId())\r\n .withTableId(smartStreamIngestOptions.getBigtableTableId()));\r\n \r\n // Logging bad records to Pub/Sub\r\n parseMsg\r\n .get(DeadLetterError.DeadLetterTag)\r\n .setCoder(AvroCoder.of(DeadLetterError.class))\r\n .apply("Extract failed element", ParDo.of(new ExtractPubSubMessageDoFn()))\r\n .apply("Write Bad records to PubSub",\r\n PubsubIO.writeMessages().to(smartStreamIngestOptions.getOutputPubSubTopic()));\r\n \r\n // Execute the pipeline\r\n pipeline.run();\r\n \r\n}\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b2807be80>)])]>

데이터 최신 상태에 대한 요구를 생각하면 앱의 예측 모델과 웹 프런트엔드 차트가 언뜻 보기에 비슷해 보입니다. 하지만 좀 더 들여다 보면 이 차트는 중간의 데이터 저장소를 거치지 않고 직접 Smart Stream 가격 데이터를 사용할 수 있다는 차이점을 알 수 있습니다. 따라서 Google은 WebSocket을 통한 Pub/Sub를 사용하여 프런트엔드를 제공하기로 결정했습니다.

서버리스 수집 구성요소와 Pub/Sub를 사용하여 아키텍처 유연성을 향상하고 운영상의 복잡성을 해결할 수 있었습니다. 한 가지 Pub/Sub 주제로 수집한 데이터는 WebSocket을 통해 직접 전송되어 빠르게 시각화하고 표시를 변경할 수 있을 뿐 아니라 머신러닝용이라면 Bigtable에, 분석용이라면 BigQuery에 저장할 수 있습니다.

스토리지 및 스키마 고려사항

데이터 사용에 소요되는 시간에 비해 데이터 관리에 지극히 적은 시간이 소요된다면 매우 이상적인 상황입니다. 스키마 설계 및 스토리지 아키텍처가 제대로 실행된다면 주객이 전도되어 사용자가 데이터를 위해 일하고 있다기보다 데이터가 사용자를 위해 일하고 있다는 느낌을 받게 될 것입니다.

row key 설계는 Bigtable 파이프라인에서 매우 중요합니다. Google의 키는제품 기호와 역방향 타임스탬프를 연결한 것으로, 액세스 패턴("fetch N most recent records")에 최적화되고 부하 집중을 방지합니다.

역방향 타임스탬프는 프로그래밍 언어의 긴 정수 최대값(예: 자바의 java.lang.Long.MAX_VALUE)에서 이것을 빼는 방법으로 만듭니다. 그러면 <SYMBOL>#<INVERTED_TIMESTAMP> 키가 생성됩니다. 제품 코드의 가장 최근 이벤트가 테이블 시작 부분에 표시되고 쿼리 응답 시간이 빨라집니다. 이 방법은 Google의 기본 액세스 패턴(여러 개의 최근 제품 기호를 쿼리하기)에 부합하지만 다른 기능의 성능 저하를 불러올 수 있습니다. 시계열 데이터를 위한 Bigtable 스키마 설계 게시물에 자세한 개념과 패턴, 예가 설명되어 있습니다.

그림 5는 Bigtable로 수집된 데이터 포인트 샘플을 보여줍니다.

그림 5: Bigtable의 시장 데이터 레코드 표현

code_block: <ListValue: [StructValue([('code', 'NQH0#9223370452974523035\r\n marketdata:askLevelPrice \r\n "829350"\r\n marketdata:askLevelQty \r\n "1"\r\n marketdata:bidLevelPrice \r\n "829125"\r\n marketdata:bidLevelQty \r\n "2"\r\n marketdata:exchangeMic \r\n "XCME"\r\n marketdata:lastUpdateTimeInstant \r\n "1583880252772"\r\n marketdata:productType \r\n "FUT"\r\n marketdata:sendingTime \r\n "1583880252774"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b2807be50>)])]>

지연 시간이 짧은 데이터를 머신러닝 모델에 제공하는 데는 Bigtable이 적합하지만, 전환 확인 시간이 긴 정보를 얻기 위해 분석적으로 유연하게 조정되는 쿼리 엔진이 필요했습니다. 서버리스와 확장성, AutoML 등의 도구와 통합되는 장점을 가진 BigQuery는 당연히 여기에 부합했습니다.

설계 시 기존 OHLC “candlesticks”로 시각화할 수 있게 BigQuery 데이터를 준비하는 방법으로 3가지를 고려했습니다. 첫째, 중첩 Pub/Sub JSON을 BigQuery에 저장하고 중첩 해제(unnest) 및 집계(aggregate)를 위한 복합 SQL 쿼리를 작성할 수 있습니다. 둘째, 중첩 해제 뷰를 작성한 다음 (중첩 해제 없이) 집계하는 간단한 SQL 쿼리를 작성할 수 있습니다. 셋째, BigQuery에 저장할 수 있도록 Pub/Sub 레코드를 '플랫' 형식으로 중첩 해제하는 Dataflow 작업을 개발하고 실행한 다음 간단한 SQL 쿼리로 집계할 수 있습니다.

세 번째 옵션이 우수한 설계 결과를 가져오지만 기간이 길어질 수 있기 때문에 시간 제약상 두 번째 방법을 선택했습니다. BigQuery 뷰는 설정이 간편하고 평면화된 스키마에 대해 쿼리할 때 팀의 생산성이 향상되었습니다. DATE 파티션 필터 덕분에 SQL 뷰 정의는 견적이 저장된 기본 테이블에서 가장 최근 날짜만 검색합니다. 따라서 뷰의 쿼리 성능이 크게 향상됩니다.

두 번째 방법 사용 시 데이터 변환 샘플과 이 차트의 뷰가 그림 6 및 7에 표시되어 있습니다.

그림 6: 원본 레코드를 평면화하는 SQL 뷰 정의

code_block: <ListValue: [StructValue([('code', 'SELECT\r\npayload[\r\nOFFSET\r\n(0)].bidLevel.lastUpdateTime AS timestamp,\r\npayload[\r\nOFFSET\r\n(0)].instrument.symbol,\r\n((payload[\r\n OFFSET\r\n (0)].bidLevel.price )) AS bid_price,\r\n((payload[\r\n OFFSET\r\n (0)].askLevel.price )) AS ask_price,\r\n(((payload[\r\n OFFSET\r\n (0)].bidLevel.price) + (payload[\r\n OFFSET\r\n (0)].askLevel.price)) / 2) AS mid_price\r\nFROM\r\n`DATASET_NAME.btc`\r\nWHERE\r\n_PARTITIONDATE >= DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY) or\r\n_PARTITIONDATE IS NULL'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b2807b430>)])]>

그림 7: OHLC 바("candlesticks")를 생성하는 SQL 뷰 정의

code_block: <ListValue: [StructValue([('code', 'SELECT\r\nsymbol,\r\nEXTRACT(HOUR from timestamp) hour,\r\nEXTRACT(minute from timestamp) minute,\r\nTIMESTAMP_TRUNC(timestamp, MINUTE) AS event_minute,\r\nARRAY_AGG(mid_price\r\nORDER BY\r\n timestamp\r\nLIMIT\r\n 1)[SAFE_OFFSET(0)] open,\r\nMAX(mid_price) high,\r\nMIN(mid_price) low,\r\nARRAY_AGG(mid_price\r\nORDER BY\r\n timestamp DESC\r\nLIMIT\r\n 1)[SAFE_OFFSET(0)] close\r\nFROM\r\n`DATASET_NAME.BTC_FLAT`\r\nGROUP BY\r\nsymbol, hour, minute, event_minute\r\nORDER BY\r\nsymbol, event_minute DESC'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b2807b640>)])]>

Bigtable 및 BigQuery는 서버리스이기 때문에 각 스토리지 솔루션의 유지보수가 최소 수준이고 스토리지 배열을 조달하기 위한 용량 계획, 운영 복잡성에 신경을 쓰기보다 데이터에서 가치를 창출하고 제공하는 데 더 많은 시간을 할애할 수 있습니다.

시장 데이터 마이크로서비스

Cloud Functions가 개발자에게 제공하는 이점은 크게 두 가지가 있습니다. 첫째, 비즈니스별 코드를 구현할 때 별다른 차이가 없는 하위 수준의 세부적인 사항은 건너뛸 수 있습니다. 둘째, 비즈니스 로직을 데이터베이스 외부에 캡슐화하여 유연한 데이터 사용을 지원합니다. 그에 따라 Google 파이프라인에서 작업별 코드 청크가 분리되도록 Cloud Functions가 사용되었습니다.

한 가지 예가 Bigtable에서 거래 레코드를 검색하고 머신러닝 모델에 입력할 첫 주문 기능(mean, sum, max 등)을 추출하는 파이프라인의 Fetch Prediction 함수입니다. 덕분에 봇은 한층 빠른 예측을 사용하여 알고리즘을 기초로 한 거래 결정을 거의 실시간으로 내릴 수 있습니다.

그림 8에 이 내용이 나와 있습니다.

그림 8: 런타임에 예측을 가져오기 위한 Python 루틴

code_block: <ListValue: [StructValue([('code', '# Fetch features for the input Symbol from Bigtable\r\n end_time = int(float(Connector.fetch_time_central()[0]) * 1000) \r\n start_time = end_time - 1000\r\n latest_record_fetched = False \r\n smartstream_data = connector.query_smartstream_data(symbol, start_time, end_time)\r\n \r\n if not smartstream_data:\r\n logger.debug("No smartstream data found")\r\n latest_record_fetched = True\r\n smartstream_data = connector.query_smartstream_data(symbol) \r\n \r\n last_second_aggregates = connector.extract_entry_from_smartstream_data(smartstream_data, end_time, latest_record_fetched)\r\n \r\n if last_second_aggregates:\r\n features_key_list = [\r\n "mean_ask_price",\r\n "mean_bid_price",\r\n "spread",\r\n "sum_volume_bid",\r\n "sum_volume_ask",\r\n "max_price",\r\n "min_price",\r\n "timestamp",\r\n "number_of_messages"\r\n ]\r\n model_inputs = {key: last_second_aggregates.get(key) for key in features_key_list}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b2807b4f0>)])]>

Fetch Candles는 매분 관측된 시작가, 종료가, 최고가, 최저가를 알 수 있는 최근 가격 요약을 BigQuery에서 가져오는 Cloud 함수입니다. 요청-응답 성능을 개선하기 위해 앱에 서버리스 네트워크 엔드포인트 그룹과 함께 HTTP 부하 분산을 사용하고 Cloud CDN으로 전달을 최적화했습니다. 이렇게 구성하면 Fetch Candles는 주어진 시간(분)과 제품 코드로 첫 번째 요청에 대해서만 BigQuery를 쿼리합니다. 이후 요청은 최대 캐시 TTL(1분)에 도달하기 전에 Cloud CDN 캐시에서 전달됩니다. 따라서 웹 클라이언트 트래픽이 늘어나도 전체 쿼리 실행 볼륨을 대폭 줄일 수 있습니다. 데이터가 전환 확인 기간에 있으므로 기능적으로 BigQuery에서 개별 기간마다 두 번 이상 집계를 계산할 필요가 없습니다.

그림 9: OHLC "candlestick" 차트 시각화

Cloud Functions에서 마이크로서비스 아키텍처를 사용하면서 각 개발자는 선호하는 언어로 개발하고 각 함수를 독립된 상태에서 개발, 테스트, 디버깅할 수 있게 되었습니다.

그림 10은 시장 데이터 파이프라인에 사용되는 주요 함수 인벤토리를 보여줍니다.

그림 10: Cloud Functions 샘플 인벤토리

이러한 함수는 대부분 머신러닝 모델에 입력할 데이터를 제공하고, 거래 실적을 실시간 손익 원장에 시각화할 수 있도록 BigQuery에서 데이터를 가져오는 함수도 있습니다.

결론

서버리스 구성요소를 기반으로 구축한 데이터 파이프라인은 자본 시장 기업이 단순한 인프라 관리가 아닌, 가치 있는 정보를 도출하고 우수한 서비스를 개발하는 데 집중할 수 있게 해줍니다. 서버리스 환경에서는 최종 사용자의 데이터 액세스 패턴이 데이터 파이프라인 아키텍처와 스키마 설계에 큰 영향을 미칠 수 있습니다. 이러한 장점과 마이크로서비스 아키텍처의 사용으로 코드 복잡성이 줄어들고 결합이 느슨해지는 효과가 있습니다. 조직의 운영 환경에 데이터 소스와 정보 도구가 계속 추가되는 상황에서 서버리스 컴퓨팅 모델을 사용하면 데이터를 근거로 더 나은 의사결정을 내리는 가치 있는 작업에 주력할 수 있게 됩니다.

금융 서비스의 Google Cloud 사용에 대해 자세히 알아보세요.

모든 금융 서비스 제품에 필요한 인간 중심 설계

Thu, 29 Apr 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 3월 19일 Google Cloud 블로그(영문)에 게재되었습니다.

점점 더 많은 브랜드 경험이 온라인에서 발생하고 있고 디지털 기반 업체가 시장에 진입하면서 금융 서비스 기관(FSI)은 관련성을 유지하고 고객과의 관계를 강화하기 위해 인간 중심의 설계 철학을 채택해야 합니다. 금융 서비스 제공업체는 제품을 설계할 때 고객을 염두에 두어야 합니다. 이는 점점 더 많은 소비자가 온라인을 찾으며 온라인 부문이 강한 성장세를 보이고 있는 아시아 태평양 지역에서 특히 중요합니다.

Temasek Holdings, Google, Bain & Company에서 발표한 2020년 eConomy SEA 보고서에 따르면 동남아시아에서만 2020년에 4,000만 명 이상이 처음으로 인터넷에 연결되었으며 신규 사용자가 디지털 서비스의 3분의 1을 사용했습니다. 동남아시아의 온라인 인구가 4억 명에 도달했으며 디지털 금융 서비스와 전자상거래를 포함한 7개 인터넷 경제 부문의 총 거래액이 1,000억 달러를 상회할 전망입니다.

일정 부분 코로나19 발발로 인해 형성된 이러한 성장 모멘텀은 신규 온라인 소비자의 90%가 팬데믹 이후에도 온라인 서비스를 계속 사용할 계획이라고 응답한 만큼 앞으로도 지속될 것으로 보입니다.

2020년 e-Conomy SEA 보고서에 따르면 2025년이면 동남아시아에서 디지털 결제의 총 거래 금액이 1조 2천억 달러를 넘어설 것으로 예상됩니다. 또한 온라인 송금 서비스의 도입은 사회적 거리두기 조치가 시행된 이후 2배로 증가했는데 2025년이 되면 결제 서비스의 총액에서 온라인 거래 금액이 차지하는 비중이 최대 40%에 달할 전망입니다.

금융 서비스 제공업체에 대한 고객의 기대

고객이 온라인 플랫폼으로 향하는 가운데, 추세에 맞춰 발 빠르게 전환하지 못한 이 지역의 기존 FSI는 흐름에 뒤처져 디지털에 능통한 네오뱅크 경쟁업체에게 자리를 뺏길 위험이 있습니다.

현재 싱가포르 소비자의 71%가 거래 은행에서 한 가지 이상의 불편을 겪고 있습니다. PwC 설문조사에 따르면 세 가지 이상의 불편을 겪고 있는 소비자의 77%가 디지털 은행 계좌 개설에 관심을 가지고 있습니다.

소비자들은 맞춤화된 실시간 상호작용을 원하며 FSI는 고객의 요구사항을 파악하여 브랜드 경험을 차별화하고 충성도를 높여야 합니다.

고객층이 매우 광범위한 아시아에서 이는 특히 어려운 과제일 수 있습니다. 온라인 사용자들은 여러 언어를 구사하고, 선진국 또는 개발도상국에 거주하며, 소속된 지역사회에 은행이 거의 없거나 금융 서비스가 고도로 발달해 있는 등 그 성격이 광범위합니다.

FSI는 대상 고객층을 파악하고 농촌 지역의 고객과 도시화된 지역의 고객 등 다양한 소비자가 원하는 각양각색의 요구사항을 해결할 수 있는 솔루션을 찾아야 합니다.

즉, 고객 니즈를 이해하고 그에 따라 서비스 경험을 개선하기 위해 인공지능(AI)과 데이터 분석이 지원되는 도구가 필요합니다. 이와 동시에 운영 비용도 절감해야 합니다.

채팅으로 고객 만족도 향상

고객 니즈가 변화하자 보험사인 FWD Group은 고객 서비스 제공을 개선하고, 운영 비용을 절감하며, 아시아 시장 확장을 촉진한다는 목표 하에 AI 챗봇을 개발했습니다.

Enzo라는 이름의 이 챗봇은 질문이나 요청이 입력되면 고객의 주된 목표, 즉 고객의 의도를 보다 정교하게 이해할 수 있는 능력을 갖추어야 했습니다.

이를 위해 FWD는 Google의 AI 기반 고객센터 솔루션인 Dialogflow와 머신러닝 텍스트 분석 도구인 Natural Language를 활용해 Enzo를 만들었습니다.

특히 Dialogflow는 속어를 포함하여 여러 언어로 인간의 의도를 해석할 수 있어 그 중요성을 입증했습니다. FWD는 동남아시아 전역으로 시장을 확대할 계획이었기 때문에 다양한 언어 지원은 신속한 시장 진출에 중요한 요소였습니다.

Enzo가 필리핀에 도입된 지 두 달 만에 이 챗봇으로 4,000명이 넘는 고객의 문의를 처리했는데 이는 FWD의 이전 응답 용량 대비 7% 증가한 수준입니다. 또한 Enzo는 고객 평가에서 5점 만점 중 4.5점을 받아 FWD의 실시간 채팅 서비스 평가 결과와 동일한 점수를 기록했습니다.

아울러 이 보험사는 KYC(고객 유형 파악) 신원 확인에 Google의 Cloud Vision AI 및 AutoML을 사용해 고객 ID의 유효성을 빠르게 파악할 수 있도록 지원하고 있습니다. AI 도구 덕분에 FWD의 운영 효율성이 20% 증가했으며 신원 확인 비용은 절반으로 줄었습니다.

FWD와 같은 미래 지향적인 FSI에서 우수한 비즈니스 성과를 달성한 데에는 고객을 모든 활동의 중심에 둬야 한다는 사실을 알고 있었던 점이 컸습니다. FWD의 경우 고객 상호작용을 동적으로 번역하고 분석할 뿐만 아니라 언어에 관계없이 고객이 실제로 무엇을 원하는지 맥락을 이해할 수 있는 능력이 이 지역에서 더욱 중요한 것으로 입증되었습니다.

특히 디지털 트랜잭션으로 인해 다른 사람과의 접촉이 줄고 FSI 고객이 일상 은행 업무에 여러 서비스 제공업체를 이용하는 경우가 증가하면서 이러한 유형의 고객 이해는 브랜드 인지도 및 충성도를 높이는 데 큰 도움이 될 것입니다.

인간 중심의 설계를 채택하면 대상으로 삼은 고객에게 실제로 관련성 높고 유용한 제품 및 서비스를 제공할 수 있습니다. 또한 은행이 수행하는 모든 상호작용에서 사용자 경험을 차별화할 수 있습니다.

주택담보대출을 신청하는 개인은 단순히 대출을 원하는 것이 아니라 궁극적으로 집을 소유하기를 바랍니다. 따라서 은행은 주택담보대출을 제공하는 데 초점을 맞추기보다는 주택 구매에 대한 고객의 욕구를 중심으로 대출 상품을 설계하는 방법을 고민해야 합니다. 금융 기관에서 이러한 과제를 쉽게 해결할 수 있도록 Google Cloud의 Lending DocAI 같은 기술 제품이 이미 출시되고 있습니다.

FSI가 데이터를 활용하고, 맥락을 이해하는 데 머신러닝을 접목하며, 민첩한 업무 방식을 채택하면 디지털 기반 경쟁업체의 대두와 소비자 기대의 변화 속에서도 경쟁력을 유지할 수 있을 뿐만 아니라 고객과 보다 진정성 있는 유대 관계를 지속할 수 있습니다.

금융 서비스의 Google Cloud 사용에 대해 자세히 알아보세요.

WebSocket과 Google Cloud를 사용한 프런트엔드 실시간 시장 데이터 구축

Tue, 27 Apr 2021 00:00:00 +0000

* 본 아티클의 원문은 2021년 3월 19일 Google Cloud 블로그(영문)에 게재되었습니다.

금융 업계에서 사용되는 금융 상품 전자 거래용 핵심 애플리케이션은 지연 시간, 처리량, 간섭의 허용 범위가 엄격한 편입니다. 하지만 데이터 시각화 및 모니터링 애플리케이션과 같이 실시간 시장 데이터 스트림을 활용하면서도 성능 변동성에 대한 허용 범위가 더 넓은 부수적인 사용 사례도 있습니다. 최근까지도 실시간 시장 데이터의 온보딩, 라이선스, 전체적인 유지보수에 필요한 비용이 높아 많은 기업에서 채택하기 어려웠습니다. 하지만 클라우드 기반 서비스 제공으로 이제 실시간 시장 데이터를 보다 다양한 애플리케이션에서 사용할 수 있게 되었습니다.

기업에서 기술 전략을 클라우드 중심 관점으로 재구성하면서 실시간 데이터(및 그에 따른 이점)를 부수적인 사용 사례에 적용하고 유용한 정보를 더욱 빠르게 도출할 수 있게 되었습니다.

이 블로그 게시물에서는 프런트엔드의 애플리케이션에 대한 서비스 제공에 초점을 맞춰 실시간 시장 데이터 스트림에 액세스할 수 있는 간편한 수단을 개발자에게 제공하는 클라우드 중심 아키텍처 패턴에 대해 다룹니다. 이 패턴은 작년 Next OnAir ’20 컨퍼런스에서 Google Cloud에 구축한 분석 시장 데이터 앱을 기반으로 합니다.

실시간 시장 데이터 액세스 간소화

기존의 실시간 시장 데이터 액세스 방법에서는 기업과 데이터 센터가 같은 곳에 위치해야 하고 물리적 하드웨어를 구입 및 유지보수해야 하며 제공업체와 자체 데이터 센터 간의 연결을 관리해야 합니다. 자본 시장에 참여하는 대규모 기업에서는 전체 글로벌 팀이 이러한 활동을 담당할 수 있습니다.

클라우드에서 시장 데이터를 스트리밍하면 소비자의 진입 장벽을 낮출 수 있습니다. 인프라 및 유지보수 비용이 필요 없는 실시간 데이터 액세스 확장은 소매 스크린 거래, 시가평가 노출 모니터링, 지수 게시, 미래 예측, 팬 차트, 모델 중심 예측 등의 애플리케이션 유형에 도움이 되지만 현실적으로 필요한 예산과 조직 구조를 갖춘 기관으로 사용이 제한되어 있었습니다.

하지만 비교적 새로운 한 자산군의 경우 존재 자체가 클라우드 중심에서 시작되었습니다. 암호화폐 거래 애플리케이션에는 WebSocket을 통해 프런트엔드의 거래자에게 스트리밍되는 실시간 시장 데이터가 포함될 때가 많습니다. Next OnAir ’20 앱을 빌드할 당시 실시간 보급 모델을 상품 선물 및 금융 선물 거래 시장에 적용했습니다. 구현에 대한 자세한 내용을 다음과 같이 소개합니다.

실시간 시각화를 위한 아키텍처 검토

Google에서 사용한 실시간 데이터 소스는 Google Cloud에 사용할 수 있는 CME Group의 서비스인 Smart Stream이었습니다. 데이터 출처는 CME Globex 거래 플랫폼이며 멀티캐스트를 통해 실행되는 사용자 데이터그램 프로토콜(UDP) 스트림을 사용합니다. 상품 가격 데이터가 상호 연결을 통해 은 또는 버터 선물과 같은 단일 제품에 각각 해당하는 여러 Pub/Sub 주제로 전달됩니다.

메시지가 Pub/Sub 해당 주제에 게시되는 즉시 전역에서 구독자가 사용할 수 있게 됩니다. 구독자에게 메시지가 전송될 때의 지연 시간은 클라이언트와 게시 리전과의 근접도에 따라 달라집니다. 예를 들어 소비자 광대역 연결의 일반적인 평균 패킷 지연 시간은 약 10~100밀리초이므로 사용자 인식 기준점이 약 80밀리초임을 감안할 때 실시간 웹 프런트엔드 시각화에 적합합니다.

그림 1: Pub/Sub에 대한 멀티캐스트 조정

Pub/Sub는 Google Cloud 전역에서 실행되는 애플리케이션에 적합한 핵심 배포 메커니즘입니다. 하지만 Google Cloud 외부에 위치한 애플리케이션에서 Pub/Sub 주제의 메시지에 액세스해야 하는 경우가 있습니다. 주제 메시지를 익명 소비자에게 표시할 수 있는 공개 웹사이트가 그 예에 해당합니다. 이와 같은 요구를 해결하기 위해 Google Cloud에서는 Pub/Sub 메시지를 표준 Websocket 연결을 통해 배포하는 Autosocket이라는 이름의 패키지를 오픈소스로 제공했습니다.

Autosocket은 단일 주제에 게시된 Pub/Sub 메시지를 수신하여 프런트엔드 클라이언트에 제공하는 어댑터의 역할을 합니다. 이 클라이언트는 부하 분산된 IP 주소에서 Websocket 프로토콜을 통해 클러스터에 연결됩니다. Cloud Run을 사용하는 컨테이너식 애플리케이션으로, 미러링되는 Pub/Sub 주제 이름을 사용해 구성됩니다.

배포된 클러스터는 스테이트리스(Stateless), 디스크리스, 탄력성, 글로벌 부하 분산을 특징으로 합니다. 또한 클러스터에 연결되면 주제에 게시된 최근 10개의 메시지 캐시가 Websocket 클라이언트에 스트리밍됩니다. 덕분에 메시지 트래픽이 적을 때 더 나은 사용자 경험을 지원할 수 있습니다.

그림 2: Websocket 엔드포인트 클라이언트 연결

구현 시작하기

사용자 자체 환경에서 유사한 아키텍처를 구현하는 단계는 크게 2가지로 구성됩니다.

Pub/Sub 주제와 프런트엔드 웹 애플리케이션에 전송되는 Websocket 데이터 간의 브리지를 제공하는 Cloud Run 인스턴스 배포
Websocket 연결을 관리하고 인바운드 데이터 스트림을 기반으로 한 시각화의 지속적 새로고침을 관리하도록 프런트엔드 애플리케이션 코딩

연결 관리

Autosocket은 오픈소스 패키지로서 Pub/Sub 주제를 자동으로 미러링하고 Cloud Run 인스턴스와 프런트엔드 웹 클라이언트 간의 연결을 처리합니다. 애플리케이션에서 시각화하는 종목 코드마다 별도의 엔드포인트를 유지합니다. 사용자가 각 종목의 관련 탭을 클릭하면 현재 종목의 엔드포인트 연결이 해제되고 새로 선택한 종목에 또 다른 연결이 설정됩니다. 연결과 해제가 빈번하게 발생하므로 연결 관리는 간단해야 합니다. 그림 3의 코드에서는 Websocket 연결을 관리하는 간단한 방법을 보여줍니다.

code_block: <ListValue: [StructValue([('code', 'function SocketManager(endpoint) {\r\n this.ws = undefined;\r\n this.lastReload = undefined;\r\n this.messagesReceived = 0;\r\n this.endpoint = endpoint;\r\n if (this.endpoint) {\r\n this.connect();\r\n }\r\n}\r\n \r\n// 호스트 애플리케이션에서 이 처리 루틴을 지정해야 합니다.\r\nSocketManager.prototype.processMessage = function(msg) {};\r\n \r\n// 이 루틴은 UI에서 사용자가 선택한 종목 코드에 따라 \r\n// 호출됩니다.\r\nSocketManager.prototype.disconnect = function() {\r\n if (this.ws) {\r\n this.ws.close();\r\n this.ws = undefined;\r\n } \r\n};\r\n \r\n// Websocket 연결에서 런타임 측정항목을 유지보수합니다.\r\nSocketManager.prototype.getMessageRate = function() {\r\n const now = new Date().getTime();\r\n const runningTime = now - this.lastReload;\r\n return (this.messagesReceived / (runningTime / 1000)).toFixed(2);\r\n};\r\n \r\n// Websocket 엔드포인트에 대한 연결을 초기화합니다.\r\nSocketManager.prototype.connect = function() {\r\n if (this.ws) {\r\n this.ws.close();\r\n }\r\n this.ws = new WebSocket(this.endpoint);\r\n this.ws.onmessage = (msg) => {\r\n this.messagesReceived++; \r\n this.processMessage(JSON.parse(msg.data)); \r\n return;\r\n };\r\n this.ws.onclose = () => {\r\n console.log("closing", this.endpoint);\r\n this.ws = undefined;\r\n return;\r\n };\r\n this.ws.onerror = (error) => {\r\n console.error(`error: `, error);\r\n return;\r\n };\r\n this.lastReload = new Date().getTime();\r\n return;\r\n};'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b28fa8430>)])]>

그림 3: JavaScript를 사용한 Websocket 연결 관리

규모에 따른 시각화

이 애플리케이션의 시각화 중에 포함된 선도 곡선 차트는 거래소의 주문장 상단(top-of-book) 데이터 스트림을 읽습니다. 대부분의 선도 곡선에 표시되는 가격은 단일 결제 또는 최종 판매 가격을 나타냅니다. Smart Stream을 통해 양면 시장의 실시간 가격을 확보한 이후부터는 실시간 가격을 대신 표시했습니다. 덕분에 특정 선물 계약의 기간 구조에서의 매매 가격 차이를 파악할 수 있습니다. 그림 4는 애플리케이션의 선도 곡선 시각화의 스냅샷입니다.

그림 4: 선도 곡선 시각화

다음은 차트 시각화를 위한 코딩 접근 방식을 요약한 내용이며 이어서 그림 5에서는 JavaScript 구현 샘플이 제시되어 있습니다. Google Charts를 사용해 시각화를 렌더링했습니다.

JavaScript의 Websocket API를 사용해 제품 코드의 Websocket 엔드포인트에 연결합니다.
선물 계약의 만료 월을 JavaScript 지도에 입력하고 가장 최근 가격을 각 항목의 해당 값으로 유지합니다.
각각의 새 메시지에서 SocketManager로 호출되는 processMessage() 루틴으로 이 지도를 업데이트합니다. 새 만료 월이 지도에 추가되거나 이미 지도에 있는 기존 월의 최신 가격이 업데이트될 수 있습니다.
Object.keys()를 사용해 지도를 정렬하여 만료 월을 시간순 범위로 나타냅니다.
drawChart() 루틴으로 새 데이터를 사용해 시각화를 업데이트하고 drawChart()를 setInterval(x,i)의 콜백으로 사용해 지도의 현재 값으로 차트를 지속적으로 렌더링합니다.

code_block: <ListValue: [StructValue([('code', 'processMessage(msg) {\r\n…\r\ncurveMap[curveComplex][key] = [];\r\ncurveMap[curveComplex][key].push(Number(bid));\r\ncurveMap[curveComplex][key].push(Number(ask));\r\n…\r\n}\r\n \r\n// 500밀리초마다 수신되는 가장 최근 값을 표시합니다.\r\ngoogle.charts.setOnLoadCallback(() => {\r\ncurveInterval = setInterval(function () {\r\n drawChart(curveMap[curveComplex], curveComplex);\r\n}, 500);\r\n}’'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f8b28fa8910>)])]>

그림 5: JavaScript에서 실시간 가격 데이터를 사용한 차트 새로고침

실시간 시장 데이터 피드를 주문 관리 시스템이나 거래소 Drop Copy의 데이터와 결합하여 거래자의 실시간 시가평가 노출을 표시할 수 있습니다. 미실현 손익(P&L) 시각화에서는 거래자의 진입 포지션과 종목의 실시간 가격에 각각 해당하는 두 Websocket 연결을 동시에 사용합니다. 각각의 출처는 별도의 Pub/Sub 주제입니다. 손익(P&L) 금액은 런타임에 거래자의 포지션 진입 가격과 실시간 시장 가격의 차이에 따라 파생되며 거래 방향(매수 또는 매도)을 나타내는 만료 월 앞에 화살표가 표시됩니다.

그림 6: 실시간 거래자 미실현 손익 시각화

그림 6의 왼쪽 끝에 있는 상자는 주문 스트림에서 제공된 데이터를 강조표시하며 데이터에는 거래 방향, 상품, 진입 가격, 거래자 이름이 포함됩니다. 오른쪽 끝에 있는 상자는 가격 스트림에서 제공되는 상품의 실시간 시장 가격을 강조표시하며 가격 변동에 따라 손익(P&L) 열이 지속적으로 재평가됩니다.

실제 작동 방식

클라우드의 시장 데이터 사이트에서 CME Group의 실시간 데이터를 사용해 이 아키텍처 패턴을 구체적으로 구현합니다. 백그라운드에서 Google Cloud Build를 사용해 앱의 독립적인 요소를 빠르게 가동하고 상호 연결할 수 있습니다. 또한 Terraform과 Google Cloud가 함께 구성 드리프트를 방지하는 선언적이고 반복 가능한 배포를 지원합니다.

금융 서비스 업계가 Google Cloud를 어떻게 사용하고 있는지에 대해 자세히 알아보세요.