AI in Finance, ICAIF 2025로 보는 금융 AI 연구 동향
Summary
상위 15%만 오르는 무대, 카카오뱅크가 ICAIF 2025에서 본 금융 AI의 미래
강화학습부터 설명 가능한 AI까지, 글로벌 석학들이 주목한 3대 금융 테크 트렌드 완벽 정리
카카오뱅크 기술연구소가 세계 최고 권위의 금융 AI 학회 ICAIF 2025에 참석하여 RAG 평가 자동화 연구 성과를 공유하고, 최신 금융 AI 기술의 흐름을 분석한 리포트입니다. 단순한 성능 지표를 넘어 에이전트 시스템의 윤리성, 의사결정 중심 학습, 신뢰할 수 있는 평가 프레임워크 등 실무 중심의 핵심 인사이트를 다룹니다.
- 01카카오뱅크의 RAG 평가 자동화 파이프라인 Oral 세션 발표 (상위 15%)
- 02강화학습과 에이전트 시스템을 통한 시장 시뮬레이션 및 트레이딩 전략의 진화
- 03단순 예측을 넘어 최종 수익률을 직접 최적화하는 '의사결정 중심 학습(Decision-Focused Learning)'의 부상
- 04LLM의 표 데이터 환각(Hallucination) 및 시간에 따른 의미 변화(Semantic Drift) 정량화 연구
- 05프로토타입과 반사실적 설명을 활용한 사례 기반 설명 가능 AI(XAI) 기술의 실제 적용
RECOMMENDATION
금융 도메인에서 RAG 시스템을 운영하며 데이터 구축 비용으로 고민하는 엔지니어나, 최신 글로벌 금융 AI 연구 트렌드를 실무에 접목하려는 데이터 과학자에게 강력 추천합니다.
The Problem
금융 정보 검색 AI(RAG)의 성능을 정밀하게 평가하기 위해서는 방대한 질문-답변 데이터셋이 필요하지만, 사람이 이를 직접 구축하는 것은 막대한 시간과 비용이 소요되며 데이터의 정적 특성으로 인해 변화하는 금융 환경을 즉각 반영하기 어렵다는 문제가 있습니다.
The Solution
LLM을 활용해 평가용 쿼리와 답변을 동적으로 생성하는 파이프라인을 구축하고, 생성된 질문이 주어진 문서로 답변 가능한지 판단하는 '답변 가능성 평가(Answerability Assessment)' 모듈을 도입하여 고품질의 평가 데이터셋을 자동으로 생성하는 방법론을 제안했습니다.
The Result
해당 연구는 ICAIF 2025에서 상위 15% 논문에 주어지는 Oral 세션 발표 기회를 얻어 기술적 우수성을 입증했으며, 사람이 만든 것과 유사한 수준의 고품질 평가 데이터를 효율적이고 일관되게 구축할 수 있는 가능성을 열었습니다.
Trade-off
LLM 기반의 자동 생성 방식은 모델 자체의 환각(Hallucination)이나 숫자에 대한 계산 오류 가능성을 완전히 배제할 수 없으며, 시간에 따른 데이터의 의미 변화(Semantic Drift)를 포착하기 위해 지속적인 벤치마크 업데이트와 정교한 정량적 측정이 수반되어야 합니다.
Key Concepts
More from 카카오뱅크
View all posts from 카카오뱅크금융사를 위한 AWS GameDay 2026: 카카오뱅크 2연패 이야기 🏆
AWSDevOpsAI1개월 전AI, 고객 행동의 순서를 읽다: 카카오뱅크 시퀀스 기반 FDS 모델 개발기
Vision TransformerTime-series ClassificationMetric Learning2개월 전사람이 기다리지 않는 담보심사시스템 설계
Deferred BatchAsynchronous ProcessingCore Banking3개월 전금융 보안 퀴즈, AI에게 풀게 해봤습니다: 2025 금융 AI Challenge 우수상 후기
LLM OptimizationMoERAG5개월 전Agentic AI의 시대, AWS re:Invent 2025 현장을 가다
Agentic AIAWS re:Invent 2025Amazon Bedrock5개월 전