금융기관이 자체 지능을 구축하기 위해 트랜잭션 기반 모델에 집중하는 이유

트랜잭션 파운데이션 모델(Transaction Foundation Model)은 자연어 처리에서 LLM이 텍스트 토큰을 학습하듯, 금융 거래 내역을 일종의 '시퀀스 데이터'로 보고 자기지도학습(self-supervised learning)으로 사전 학습하는 접근이다. 기존 금융 AI는 사기 탐지, 신용 평가, 추천 등 과제별로 분리된 모델을 따로 만들어왔는데, 이 방식은 각 모델이 자기 도메인 데이터에만 갇혀 소비자의 통합된 금융 행동을 이해하지 못하는 한계가 있었다. 파운데이션 모델은 카드 승인, 송금, 가맹점 코드(MCC), 금액, 시각 등의 거래 이벤트를 임베딩하고 Transformer 계열 아키텍처로 거래 간의 맥락적 패턴을 학습한다. 그 결과 "다음에 어떤 거래가 일어날지", "이 거래가 평소 패턴에서 벗어났는지"를 예측하는 범용 표현(representation)을 얻고, 이를 다운스트림 과제에 파인튜닝하거나 임베딩만 떼어 재사용하는 구조다.

엔지니어 관점에서 가장 큰 변화는 '모델 개발 패러다임'이 NLP/비전과 동일하게 수렴한다는 점이다. 과제마다 피처 엔지니어링과 라벨링을 새로 하던 작업이, 잘 학습된 거래 임베딩 위에 얇은 헤드(head)를 올리는 전이학습 방식으로 바뀐다. 라벨이 적은 신규 과제(예: 새로운 유형의 사기, 신상품 추천 콜드스타트)에서도 사전학습된 표현 덕분에 적은 데이터로 빠르게 성능을 낼 수 있고, 모델 자산을 조직 전체가 공유하면서 사일로(silo)가 줄어든다. 다만 거래 데이터는 PII와 직결되고 규제(개인정보보호법, 금융권 망분리, 모델 설명가능성 요구)가 강하므로, 단순히 거대 모델을 가져다 쓰는 것이 아니라 데이터 거버넌스·온프레미스 학습·차등 프라이버시 같은 제약을 함께 설계해야 한다.

실무에서 준비할 것은 크게 세 가지다. 첫째, 데이터 파이프라인을 '과제별 테이블'이 아니라 '시퀀스화된 이벤트 스트림'으로 재정비해야 모델이 시간적 맥락을 학습할 수 있다 — 거래의 순서, 시간 간격, 엔티티(고객·가맹점) 단위 정렬이 핵심 전처리가 된다. 둘째, 임베딩을 여러 팀이 재사용하므로 피처 스토어와 모델 버전 관리, 임베딩 드리프트 모니터링 등 MLOps 체계가 선행되어야 한다. 셋째, 설명가능성과 감사 추적이다. 규제 산업에서는 블랙박스 임베딩 기반 의사결정이 그대로 통과되기 어려우므로, 사기·신용 판단의 근거를 역추적할 수 있는 attribution 도구와 편향 검증을 함께 갖추는 것이 도입의 실질적 전제 조건이 된다. 자체 모델을 직접 학습할 여력이 없다면, 사내 도메인 데이터로 파인튜닝 가능한 형태의 파운데이션 모델을 우선 검토하는 것이 현실적인 출발점이다.