출처: Chainlink 오라클
원본 링크: https://mp.weixin.qq.com/s/-mnpNrJP17RK-q1CrlQk9Q
금융 시장은 "에이전트 AI(Agentic AI)"의 등장으로 새로운 시대로 접어들고 있습니다. 이는 자율적이고 전문화된 에이전트들이 추론하고, 행동하고, 협업하여 복잡하고 다단계적인 과제를 해결하는 새로운 패러다임입니다. 이러한 에이전트들은 독립적으로 작동하지만, 서로 상호 작용할 때 탁월한 성과를 거두며, 고유한 역량을 활용하여 규정 준수 점검, 포괄적인 신용 메모 작성, 심지어 통화 정책의 영향 시뮬레이션과 같은 공동의 목표를 효율적으로 달성합니다.
제가 AI 시스템을 다루어 본 경험에 따르면, 가장 중요한 혁신은 개별 시스템이 아니라 시스템 간의 협업 능력에서 비롯되는 경우가 많습니다. 에이전트 AI(Agentic AI)로의 전환은 AI 개발의 더 큰 추세, 즉 고립된 도구에서 벗어나 원활하게 협업하도록 설계된 연결된 시스템으로의 전환을 반영합니다. 이러한 시스템은 다음과 같은 기능을 통합할 수 있다는 점에서 다른 AI 애플리케이션과 구별됩니다.
인식: 에이전트는 환경과의 직접적인 상호 작용, 사용자 입력 또는 외부 시스템 쿼리를 통해 자신의 전문 분야와 관련된 데이터를 수집하고 해석합니다.
추론 및 계획: 에이전트는 상황적 정보를 분석하고, 목표를 평가하며, 자율적 의사결정과 인간에 맞춘 목표를 결합한 전략과 계획을 개발합니다.
도구 사용 및 협업: 에이전트는 다른 에이전트 및 외부 시스템과 상호 작용하며, 도구와 공유 리소스를 활용하여 작업을 효율적으로 수행합니다. 이러한 도구는 에이전트 또는 엔터프라이즈 애플리케이션이나 인터넷 호스팅 서비스와 같은 에이전트 외부 시스템에 맞게 맞춤 개발될 수 있습니다.
실행: 에이전트는 자신의 결정에 따라 작업 흐름을 조정하여 때로는 전문 참여자의 집단적 노력이 필요한 결과를 얻습니다.
이러한 기능들을 통해 에이전트는 변화하는 환경에 적응하고, 원활하게 협업하며, 복잡한 작업, 특히 선형 워크플로우로 축소할 수 없는 프로세스나 사용 사례를 자율적으로 수행할 수 있습니다. 결과적으로, 예상치 못한 상황 대면 일반적으로 작동이 중단되거나 사람의 개입이 필요한 경직된 규칙 기반 시스템에 대한 대안을 제공합니다. 반면, 에이전트는 비결정론적인 방식으로 이러한 상황에 적응할 수 있습니다.
Agentic AI의 자율성과 적응성은 금융이나 공공 부문과 같은 산업에 엄청난 가치를 가져다줄 수 있지만, 이러한 자율성은 리스크 과 과제를 동반합니다. 예를 들어, 에이전트가 특정 상황에서 이전에는 인간이 수행했던 역할을 맡을 때, 다른 에이전트 및 시스템 내 다양한 이해관계자들과 어떻게 신뢰를 구축할 수 있을까요? 에이전트가 결정을 내릴 때, 그 결정이 신뢰할 수 있는 실제 데이터에 기반한다는 것을 어떻게 보장할 수 있을까요? Agentic AI의 잠재력을 최대한 발휘하기 위해 우리가 풀어야 할 몇 가지 질문들이 있습니다.
에이전트 아키텍처
여러 가지 새로운 에이전트 아키텍처 패턴이 있지만 가장 간단하고 널리 사용되는 것은 RAISE 프레임 라고 합니다.아래 그림에서 보듯이 에이전트는 입력을 받고 활동을 조정하는 코드인 컨트롤러, 추론 및 계획 기능을 주로 제공하는 대규모 언어 모델(LLM), 주어진 작업의 맥락에서 에이전트가 지금까지 수행한 작업을 추적하는 작업 메모리, 에이전트가 필요에 따라 호출할 수 있는 도구 세트, 에이전트를 추가로 안내할 수 있는 예제 세트로 구성됩니다.에이전트 자체는 루프에서 실행되며 목표나 목적을 받고 계획을 세우고 도구를 사용하여 계획의 단계를 실행하고 이를 예제와 비교한 다음 사용자에게 제공하여 응답을 얻습니다.
RAISE 프레임 개요
다중 에이전트 시스템에서의 협업
단일 에이전트를 배치할 수도 있지만, Agentic AI의 진정한 가치는 복잡한 환경을 처리하기 위해 협업 생태계에 여러 전문 에이전트를 배치할 수 있다는 것입니다. 각 에이전트는 더 큰 시스템에 전문 지식을 제공하며, 단일 AI 접근 방식으로는 효과적으로 해결할 수 없는 복잡한 문제를 해결하기 위해 협력합니다. 금융 부문에서 Agentic AI는 전문 에이전트들이 함께 협력하여 복잡한 워크플로를 처리하는 상호 연결된 시스템을 구축할 수 있습니다.
신용 분석 과정을 예로 들어 보겠습니다.
기획 담당자: 금융기관 차용인의 신용도를 평가하는 데 필요한 업무를 결정하는 책임을 맡는다.
데이터 수집 담당자: 재무제표, 신용 보고서 및 기타 문서를 편집하는 업무를 담당합니다.
분석 담당자: 채무 비율과 같은 주요 지표를 계산하고 리스크 태그 업무를 담당합니다.
검증 담당자: 조사 결과를 검토하고 오류를 식별하여 반복적으로 피드백하여 개선하는 역할을 담당합니다.
각서 작성 담당자: 최종 신용 각서에 결과를 통합하여 수동 검토 및 승인을 담당합니다.
이 다중 에이전트 시스템은 기관 내에서 효율적으로 작동하지만, 그 잠재력은 그 이상입니다. 미래의 에이전트는 차용자, 규제 기관 또는 기타 금융 기관을 대리하는 제3자 에이전트와 상호 작용하여 데이터를 안전하게 공유하고 검증할 수 있습니다. 이러한 협업을 통해 수동 작업을 크게 줄이고 의사 결정의 정확성을 향상시킬 수 있습니다.
하지만 협업에는 어려움도 따릅니다. 중앙 집중식 감독이 없는 탈중앙화 시스템에서 에이전트들은 어떻게 서로를 신뢰할 수 있을까요? 민감한 데이터를 어떻게 안전하게 교환할 수 있을까요? Agentic AI를 효과적으로 확장하려면 이러한 과제를 해결하는 것이 매우 중요합니다.
에이전트 AI 확장의 과제
Agentic AI는 잠재력을 실현하기 위해 네 가지 주요 과제를 극복해야 합니다.
에이전트 간의 신뢰 구축: 탈중앙화 환경에서 에이전트는 중앙의 감독 없이 다른 에이전트의 데이터와 결정의 신뢰성을 검증해야 하며, 다른 에이전트가 자신의 작업 결과를 신뢰할 수 있는 메커니즘이 있어야 합니다.
개인정보 보호: 협업 과정에서 에이전트들은 민감한 데이터를 공유해야 하는 경우가 많습니다. 정보 교환과 개인정보 보호 간의 균형을 맞추는 것은 지속적인 과제이며, 특히 금융 및 기타 규제 대상 산업에서 에이전트를 확장할 때 더욱 그렇습니다.
상호운용성 확보: 서로 다른 시스템, 아키텍처, 규제 프레임 원활한 협업을 어렵게 만듭니다. 표준화된 프로토콜과 기술은 이러한 격차를 해소하는 데 필수적입니다.
신뢰할 수 있는 실제 정보에 대한 접근: 에이전트는 정확한 실시간 데이터가 필요하지만, 역동적이거나 적대적인 환경에서 해당 데이터의 무결성을 보장하는 것은 지속적인 과제입니다.
이러한 과제는 개인정보 보호의 역설을 부각합니다. 에이전트는 효과적인 운영을 위해 데이터가 필요하지만, 해당 데이터에 접근하거나 공유하는 것은 보안 침해, 남용 및 규제 위반의 리스크 증가시킵니다. 이러한 역설을 해결하는 것은 Agentic AI의 성공에 매우 중요합니다.
개인정보 보호의 역설
에이전트 AI는 맥락이 풍부한 데이터에 의존합니다. 데이터가 좋을수록 에이전트의 결정은 더욱 스마트하고 정확해집니다. 하지만 이러한 의존에는 몇 가지 리스크 따릅니다. 예를 들어 다음과 같습니다.
데이터 유출: 에이전트 간에 공유되는 민감한 정보가 승인되지 않은 기관에 노출될 수 있으며, 특히 일부 에이전트가 조직 경계 외부에 있는 경우 더욱 그렇습니다.
데이터 조작: 에이전트는 변조되었거나 신뢰할 수 없는 데이터에 의존하여 시스템에 대한 신뢰를 훼손할 수 있습니다. 이러한 문제는 에이전트가 여러 관할권이나 기업에 걸쳐 있는 다중 에이전트 시스템에 속해 있거나, 에이전트가 잘못된 데이터나 행위가 중대한 실질적인 결과를 초래할 수 있는 민감한 외부 시스템과 상호 작용하는 경우 특히 중요할 수 있습니다.
규제의 복잡성: 유럽의 GDPR이나 사우디아라비아의 PDPL과 같은 개인정보 보호법은 다중 에이전트 협업을 복잡하게 만드는 추가적인 규정 준수 요건을 도입합니다.
중앙 집중식 데이터 저장, 엄격한 접근 정책, 네트워크 기반 보안 제어와 같은 기존의 개인정보 보호 관리 방식은 탈중앙화 자율 시스템에는 적용되지 않습니다. 이러한 역설을 해결하려면 민감한 정보의 개인정보를 침해하지 않으면서도 안전하고 신뢰 기반의 협업을 지원하는 아키텍처가 필요합니다.
영지식 증명: 신뢰의 기반
영지식 증명(ZKP)은 프라이버시 패러독스에 대한 암호학적 해결책을 제공하여, 당사자(대리인)가 추가 정보를 공개하지 않고도 진술의 유효성을 증명할 수 있도록 합니다. ZKP는 DeFi 및 Web3 환경에서 널리 사용되어 왔지만, 탈중앙화 다중 에이전트 시스템에서 신뢰 구축에도 중요한 역할을 할 수 있습니다.
Agentic AI에 대한 ZKP의 주요 장점은 다음과 같습니다.
에이전트 간 신뢰: 에이전트는 서로의 출력을 안전하게 검증하여 불필요한 세부 정보를 공개하지 않고도 안정적인 협업을 보장할 수 있습니다. 예를 들어, 에이전트가 조직 경계 내에서 작업을 수행한 후 그 출력을 다른 에이전트에게 전달하는 경우, 해당 작업이 조직의 표준 및 요구 사항에 따라 완료되었다는 영지식 증명을 제공합니다.
공개 없이 자격 증명 검증: 에이전트는 민감한 데이터를 노출하지 않고도 요구 사항(예: 규정 준수)을 준수하고 있음을 입증할 수 있으며, 소유자로부터 적절한 승인을 받았음을 증명할 수도 있습니다.
공격 표면 최소화: ZKP는 데이터 노출을 제한하고, 취약성을 줄이며, 보안을 강화합니다.
신뢰할 수 있는 의사 결정: 에이전트는 외부 데이터의 진위 여부를 검증하여 의사 결정이 신뢰할 수 있는 정보에 기반하는지 확인할 수 있습니다. 예를 들어, 에이전트는 탈중앙화 오라클 네트워크 또는 체인링크 데이터 피드의 데이터를 활용하여 자신의 의사 결정 및 행동에 중요한 실제 맥락을 제공할 수 있습니다.
Agentic AI는 ZKP를 활용하여 초기 신뢰가 낮은 환경에서도 안전하고 효율적이며 개인적인 협업을 가능하게 합니다.
금융 분야에서의 Agentic AI 적용
에이전트 AI는 복잡한 프로세스를 자동화하고, 리스크 관리를 강화하며, 의사 결정을 개선함으로써 금융 산업을 혁신할 것으로 예상됩니다. 자율적으로 작업하고 서로 및 사람과 협업할 수 있는 전문 에이전트를 배치하는 능력은 다양한 애플리케이션에서 새로운 효율성과 역량을 제공합니다.
규정 준수를 보장하세요
규제 분야에서 규제 기관과 규제 대상 기관 모두 광범위하고 복잡한 금융 생태계를 감독해야 하는 어려운 과제에 직면합니다. Agentic AI는 거래 데이터의 이상 징후를 지속적으로 모니터링하고 자금세탁방지(AML) 및 테러자금 융자 (CTF) 규정을 준수함으로써 이러한 업무를 간소화할 수 있습니다. Agentic AI는 규정 준수 여부를 자율적으로 검증하고(규제 변화 추이를 실시간으로 파악하는 동시에), 리스크 거래에 대한 인적 검토를 태그 동시에 엄격한 개인정보 보호 프로토콜을 준수합니다. 영지식증명(ZKP)을 활용하여 민감한 고객 데이터의 기밀성을 보장함으로써 업계의 가장 시급한 과제 중 하나인 투명성과 개인정보 보호의 균형을 해결합니다.
신용 분석 수행
앞서 언급했듯이, 전통적으로 노동 집약적인 신용 분석 프로세스 또한 이점을 얻을 수 있습니다. 금융 기관은 일반적으로 신용도를 평가하기 위해 대량 데이터 세트를 수집하고 검토합니다. Agentic AI는 이 프로세스를 전문화된 작업으로 세분화할 수 있습니다. 한 에이전트는 재무 데이터를 수집하고, 다른 에이전트는 채무 비율과 같은 주요 리스크 지표를 계산하며, 세 번째 에이전트는 이러한 결과를 종합적인 신용 메모에 통합합니다. 이러한 에이전트들은 원활하게 협력하여 더욱 빠르고 정확한 평가를 보장합니다. 이는 특히 리스크 기관 대출에서 중요합니다.
통화 정책 지침
통화 정책을 집행하는 중앙은행 또한 에이전트 기반 AI의 힘을 활용할 수 있습니다. 에이전트는 인플레이션, GDP 성장률, 고용률과 같은 주요 경제 지표를 모니터링하고, 그 결과를 종합 및 분석하여 정책 결정에 도움을 줍니다. 이러한 시스템은 금리 변동이나 공개시장조작의 영향을 시뮬레이션함으로써 중앙은행이 더욱 확신을 가지고 정밀하게 개입을 조정할 수 있도록 지원하여, 여러 부문에서 발생할 수 있는 의도치 않은 결과를 최소화합니다.
토큰화된 자산 관리
디지털 채권이나 토큰화된 부동산과 같은 토큰화된 자산은 현대 금융의 필수적인 부분으로 자리 잡고 있으며, Agentic AI는 이러한 자산을 효율적으로 관리할 수 있는 인프라를 제공합니다. 에이전트는 자산 성과를 추적하고, 담보 가치를 검증하며, 이러한 자산을 대출 및 포트폴리오에 통합할 수 있습니다. ESG 목표 달성을 위해 토큰화된 그린 본드 활용을 모색하는 중앙은행의 경우, 에이전트는 규정 준수를 보장하고, 시장 상황을 모니터링하며, 정책 입안자에게 실시간 분석을 제공할 수 있습니다.
지불 조정
결제 시스템 및 국경 간 거래에서 Agentic AI는 탁월한 속도와 보안을 제공합니다. Agent는 오라클 네트워크를 활용하여 환전, 규정 준수 확인 및 결제 프로세스를 단 몇 초 만에 처리하여 관할 지역 간 원활한 이체를 보장합니다. 예를 들어, CBDC 프레임 에서 Agent는 국제 결제를 조정하여 현지 규정을 준수하는 동시에 지연을 최소화하여 국내 거래처럼 원활하게 국경 간 결제를 진행할 수 있도록 지원합니다.
강화된 보안
사기 탐지 및 사이버 보안 또한 Agentic AI의 추론 및 자율 실행 기능을 통해 이점을 제공합니다. 전문 에이전트는 거래 패턴을 모니터링하고, 이상 징후를 감지하며, 잠재적 위반 사항에 자율적으로 대응합니다. 예를 들어, 피싱 공격을 탐지한 에이전트는 감염된 계정을 격리하고 실시간으로 운영자에게 경고하여 광범위한 피해를 방지할 수 있습니다.
Agentic AI를 금융 운영에 통합함으로써 금융 기관과 규제 기관 모두 전례 없는 수준의 효율성, 복원력, 그리고 신뢰를 확보할 수 있습니다. 유동성 확보부터 사기 방지에 이르기까지, 이러한 시스템은 금융 환경을 혁신하여 더욱 적응력 있고 견고한 세계 경제로 나아가는 길을 열어가고 있습니다.
결론: 미래에 대한 비전
에이전트 AI가 발전함에 따라, 영지식 증명(ZKP)과의 통합은 이러한 시스템의 성공에 필요한 신뢰를 구축하는 데 도움이 될 수 있습니다. ZKP를 통해 에이전트는 민감한 정보를 노출하지 않고도 규정 준수 확인, 거래 평가 또는 데이터 검증 등 중요한 정보를 검증할 수 있습니다. 이러한 기능은 오랫동안 자율적인 다중 에이전트 생태계를 제한해 온 개인정보 보호, 보안 및 투명성이라는 근본적인 과제를 직접적으로 해결합니다.
Agentic AI에 ZKP를 적용하면 금융을 비롯한 다양한 산업 분야에서 혁신적인 잠재력을 발휘할 수 있습니다. ZKP의 차별점은 신뢰가 부족한 시스템에 대한 신뢰를 구축할 수 있다는 것입니다. 이러한 신뢰를 통해 에이전트는 탈중앙화 환경에서 데이터 무결성을 손상시키지 않고 기관 및 규제 기관 간의 협업을 통해 자신감 있게 운영할 수 있습니다. 결과적으로 기업은 더 빠르게 혁신하고, 프로세스를 최적화하고, 새로운 시장으로 안전하게 확장할 수 있습니다.
ZKP와 에이전트 AI의 융합은 업계에 신뢰 우선 접근 방식을 도입할 수 있는 흥미로운 기회를 제공합니다. 에이전트 시스템의 핵심에 ZKP를 내장함으로써 기업은 개인정보 보호의 역설을 선제적으로 해결하고 에이전트 아키텍처를 도입하여 더 큰 가치를 창출할 수 있는 기반을 마련할 수 있습니다.
