image.png

<aside>

image.png

</aside>

1. 제안 배경

<aside>

금융 산업은 디지털 전환, 비대면 서비스 확대, 신기술 기반 금융서비스의 출현 등으로 인해 급격히 변화하고 있으며, 이에 따라 규제 환경도 더욱 복잡하고 빠르게 진화하고 있다. 금융감독원, 금융위원회, 법제처 등은 주요 법령과 시행규칙을 지속적으로 개정·입법예고하고 있으며, 이는 금융기관의 준법경영과 리스크 대응 역량 강화를 직접적으로 요구한다. 예를 들어, 2025년 7월 입법예고된 금융소비자보호법 시행령 일부 개정안은 불완전판매 방지를 위한 ‘부적정 판단 보고서’ 양식 신설과 분쟁조정 관련 소송 통보 절차의 명문화 등을 포함하고 있으며, 이는 금융기관의 내부 정책 및 프로세스 전반에 영향을 줄 수 있는 요소다 [1].

또한 최근에는 감독규정, 자본시장 조사규정, 저축은행법 등 광범위한 분야에 걸쳐 일괄적인 규제 개편이 이루어지고 있다. 그러나 현재 대부분의 금융기관은 입법 예고 및 규정 변경 사항을 수작업으로 확인, 요약, 전달하는 방식에 의존하고 있어 정보 누락, 해석 오류, 내부 공유 지연 등의 구조적 리스크가 존재한다. 이에 따라 규제 정보를 자동으로 수집·요약·분석·전달할 수 있는 기술 기반의 시스템 마련이 필수적이다. 이러한 환경 변화 속에서 GPT 계열을 포함한 대규모 언어모델(LLM)과 자연어 처리(NLP) 기술은 방대한 비정형 규제 문서를 자동 분석하고, 부서별 시각에서 의미 있는 요약과 대응 가이드를 생성하는 데 효과적이다. 특히 “규제 정보 수집 → 첨부파일 변환·전처리 → GPT 기반 부서 매핑·요약·체크리스트 생성 → 알림 및 메일함 배포”로 이어지는 엔드투엔드 파이프라인을 구축하면, 입법예고·세칙개정 공지 등 다양한 규제 콘텐츠에 대한 신속하고 일관된 전주기적 대응이 가능하다.

글로벌 금융권도 이러한 방향으로 빠르게 전환 중이다. 국제금융센터(KCIF) 보고서에 따르면, 미국 등 주요국은 금융 리스크의 실시간 탐지 및 규제 적응성을 높이기 위해 AI 기반 금융감독(SupTech) 기술을 적극 도입하고 있으며, 기존 감독 프레임워크에 AI 가이드라인을 통합하는 사례가 증가하고 있다 [2]. 국내 금융기관들 역시 생성형 AI를 고객 질의 응답, 뉴스 요약, 문서 해석 등에 도입하고 있으며, 이러한 기술은 규제 대응, 컴플라이언스 자동화 영역으로의 확장이 충분히 가능한 상태다. KB국민은행, NH농협은행, 카카오뱅크 등은 GPT 기반 생성형 AI를 내부 시스템에 통합하고 있으며, 이는 내부 문서 분석뿐 아니라 규제 감시까지 지원할 수 있는 기반 기술로 주목받고 있다 [3][4].

이러한 기능을 종합적으로 구현함으로써, KB국민은행은 외부 규제 변화에 대한 민첩한 대응 역량을 확보하고, 내부 컴플라이언스 및 리스크 관리 체계를 자동화·고도화할 수 있다. 단순 수집을 넘어, 부서별 맞춤 정보 제공과 사전 대응 중심의 업무 체계 전환이 가능해지며, 규제 변화에 따른 업무 부담과 오류 가능성을 크게 줄일 수 있다.

따라서 본 프로젝트는 AI 기반 금융 규제 모니터링 에이전트를 설계·구현하여, 규제 정보의 수집·분석·전달을 통합 자동화하고 관리 역량을 기술적으로 혁신하는 것을 궁극적 목표로 제안하는 바이다.

참고문헌

[1] 국제금융센터, “최근 해외 은행권의 생성형 AI 활용 동향 및 시사점,” 2024, https://www.kcif.or.kr/finance/financeView?rpt_no=34755&mn=002007

[2] 금융위원회, “금융권 생성형 AI 활용 혁신서비스 첫 지정,” 2024, https://www.fsc.go.kr/no010101/83554

[3] 자본시장연구원, “글로벌 은행 산업의 AI 도입 및 시사점,” 2025, https://www.kcmi.re.kr/publications/pub_detail_view?syear=2025&zcd=002001016&zno=1849&cno=6549

[4] 문화일보, “문화금융리포트 2024,” 2024, https://www.munhwa.com/article/11436316

2. 프로젝트 개요

<aside>

image.png

어쩌고저쩌고 ~~~~

image.png

image.png

image.png

</aside>

  1. 팀원 소개
  1. 프로젝트 목표
  2. 프로젝트명 소개
  3. 프로젝트 개요
    1. 기능 나열 + IA

3. 알고리즘

<aside>

기초 전처리 알고리즘 - 금융 규제 공지 크롤링·정제 및 LLM 입력 데이터 생성

1. 전처리 개요

2. 크롤링 알고리즘

  1. 대상 사이트

  2. 수집 로직

  3. JSON 생성 (기본 필드)

    {
  "title": "",
  "date": "",
  "source": "",
  "url": "",
  "type": "",
  "attachments": [],
}

4. 첨부파일 변환 알고리즘

  1. 형식 변환
  2. 저장 규칙

5. 이미지 변환 알고리즘

DB 알고리즘 - 메일·부서·상태 데이터 적재 및 관계 매핑 로직

1. ERD 및 테이블 요약

image.png

2. DB 적재 알고리즘

API 설계 알고리즘 - 메일 열람·검색·상태 변경 기능의 처리 흐름

1. 인증 / 로그인 처리

POST /api/departments/login
→ body: { name, password }
1. 입력 검증(name, password 존재 확인)
2. DB 조회: departments WHERE name=? AND password=?
3. 일치 시 { department_id, name } 반환
4. 실패 시 401 응답

2. 메일 목록 및 상태 관리

GET /api/notices?department_id=DEPT
1. department_id 검증
2. notice_targets + notice_status 조인으로 가시성 제한
3. is_read/is_starred boolean 변환 후 응답

GET /api/notices/all?department_id=DEPT
1. 모든 notice LEFT JOIN notice_status
2. 해당 부서 상태가 없으면 0/NULL 기본값

POST /api/notices/:id/read
→ body: { department_id }
1. PK(공지,부서)로 notice_status 업데이트
2. is_read=1, updated_at=now

POST /api/notices/:id/star
→ body: { department_id }
1. 현재 is_starred 조회
2. 반대값으로 업데이트

3. 조회 / 검색 / 정렬 / 담당자

GET /api/notices/:notice_id
1. notice.id 조회 후 메타데이터 반환

GET /api/notices/:id/json
1. notice.json_path로 원본 JSON 읽기
2. URL 매칭 → department, summary, checklist 반환

</aside>

<aside>

</aside>

4. 개발 단계