개인 신용평가에서의 금융소비자 보호에 관한 연구: 인공지능 방법론 기반 신용평가모형을 중심으로
A Study on Financial Consumer Protection in Personal Credit Evaluation: Focusing on Credit Evaluation Model Based on AI Methodology
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
현재 개인 신용평가는 신용평가모형을 활용하여 자동화·계량화된 방식으로 이루어지고 있으며, 신용평가의 결과는 개인의 경제·금융생활 전반에 큰 영향을 미칠 수 있다. 따라서 법·제도에 근거하여 신용평가 방식의 공정성과 신뢰성을 확보하고 이를 통해 금융소비자가 잘못된 신용평가 결과로 인한 피해를 받지 않도록 조치할 필요가 있다. 최근 등장한 인공지능 방법론 기반의 신용평가모형은 전통적인 로지스틱 회귀모형 기반의 신용평가모형과 달리, 성능이 상대적으로 높고 다양한 비금융정보를 반영할 수 있다는 장점이 있는 반면, 모형의 편향에 따른 위험과 평가 결과의 해석과 설명이 어려운 단점 등이 존재한다. 따라서 개인 신용평가의 대상이 되는 금융소비자의 보호 관점에서 새로운 방법론을 적용한 신용평가모형 도입에 따라 발생할 수 있는 새로운 이슈들을 점검해볼 필요가 있다. 본 연구에서는 국내외 법령과 제도를 비교·검토하여 개인 신용평가시 금융소비자 보호 관점에서 차별 금지와 설명요구권, 이의제기 및 정정요구권의 보장이 기본 원칙임을 확인하였으며, 이 중에서도 특히 인공지능 방법론의 특성으로 인한 발생할 수 있는 과적합 위험과 편향성 강화, 설명력 향상을 위한 알고리즘 투명성 수준의 결정 등이 주요 쟁점임을 확인하였다. 또한 이를 토대로 새롭게 발생할 수 있는 금융소비자 보호 이슈들을 국내 규율체계에 반영하기 위해 이슈별 규제방안과 법·제도에 따른 규율방식, 앞으로의 정책방향 등을 제언하였다. 본 연구가 개인 신용평가 영역에서 금융소비자 보호에 대한 논의를 확장시키는 중요한 계기가 되길 기대한다.
Abstract
A credit evaluation model is used to automate and quantify a personal credit evaluation, and the results can have a significant impact on a person's overall economic and financial situation. In order to prevent financial customers from suffering as a result of inaccurate credit evaluation results, it is important to ensure the fairness and dependability of the credit evaluation model. The recently developed AI methodology-based credit evaluation model, in contrast to the existing credit evaluation model, has the advantage of reflecting a variety of non-financial information and performing relatively well, but it also raises questions about the model's bias and is challenging to interpret and explain. Therefore, it is necessary to examine new issues that may arise from the perspective of financial consumer protection. In this study, domestic and foreign laws and systems were compared and analyzed from the perspective of financial consumer protection to confirm that the main principles are the prohibition of discrimination, the right to request an explanation, and the right to request a correction. In particular, it was confirmed that the main issues are the overfitting risk and bias due to the characteristics of the artificial intelligence methodology and determining the level of algorithm transparency to improve explanatory power. On the basis of this, regulatory approaches were suggested in order to reflect new financial consumer protection issues that may occur as a result of the advancement of personal credit evaluation models in the domestic discipline system.
참고문헌 (32)
- 감사원, "금융권역별 감독실태 감사결과", 감사결과 발표, 보도자료, (7.23.), ~ (2012)
- 고학수, "인공지능 원론 : 설명가능성을 중심으로" (2021), 박영사
- 고학수, "인공지능과 차별", 저스티스, 171, pp.199~277 (2019), 한국법학원[DOI]
- 금융위원회, "｢금융분야 인공지능(AI) 가이드라인｣이 시행됩니다", 보도자료, (7.8.), ~ (2021)
- 소비자차별금지에 관한 연구, "김성천", 한국소비자원, 77~166 (2013)
- 방송통신위원회, "2020 EU 일반개인정보보호법(GDPR) 가이드북", ~ (2020)
- 신용우, "미국 캘리포니아 주의 개인정보보호 강화: ｢캘리포니아 소비자 프라이버시법｣을 중심으로", 외국입법 동향과 분석, (43), pp.1~8 (2020), 국회입법조사처
- 유럽(EU)의 인공지능 윤리 정책 현황과 시사점: 원칙에서 실천으로, "유재흥", 소프트웨어정책연구소, 1~29 (2021)
- 은행연합회, "｢불합리한 차별행위 방지 모범규준｣ 제정·시행", 보도자료, (10.31.), ~ (2012)
- 인공지능 알고리즘 기반 경제에서의 소비자문제 연구, "이금노", 한국소비자원, 41~112 (2018)
- 금융분야 AI 가이드라인 도입 추진과 시사점, "이수환", 국회입법조사처, 1~4 (2021)
- 장덕조, "독립 금융소비자보호기구 설립동향과 시사점", 상사법연구, 29(1), pp.283~310 (2010), 한국상사법학회
- 인공지능(AI) 시대의 법적 쟁점에 관한 연구, "장민선", 한국법제연구원, 1~280 (2018)
- 독일 법무부 산하 소비자문제 자문위원회, 개인신용 평가 및 보험 분야 알고리즘 사용에 대한 소비자정책 제안, "정신동", 한국소비자원, 1~2 (2018)
- 최경진, "인공지능 규제 동향", 전자금융과 금융보안, 25, pp.25~52 (2021), 금융보안원
- 개인 신용평가모형의 변화와 시사점, "최성민", 한국신용정보원, 1~12 (2018)
- 최성민, "개인 신용평가모형과 설명력 이슈", 2020년 한국경영정보학회 추계학술대회, pp.217~221 (2020)
- 캐시 오닐, "대량살상 수학무기: 어떻게 빅데이터는 불평등을 확산하고 민주주의를 위협하는가" (2017), 흐름출판
- 한국인공지능법학회, "인공지능 윤리와 거버넌스" (2021), 박영사
- Machine Learning in Credit Risk: Measuring the Dilemma Between Prediction and Supervisory Cost, "Alonso, A.", Banco de Espana, 1~34, pp.Banco de Espana Working Paper 2032 (2020)
- CFPB explores impact of alternative data on credit access for consumers who are credit invisible, "Consumer Financial Protection Bureau", Consumer Financial Protection Bureau, 1~35, pp.CFPB-2017-0005 (2017)
- Dastile, X, "Statistical and machine learning models in credit scoring: A systematic literature survey", Applied Soft Computing Journal, 91, pp.1~21 (2020)
- Durand, D., "Risk Elements in Consumer Instatement Financing, National of Bureau of Economic Research" (1941), NBER Books
- Gunning, D., "DARPA’s Explainable Artificial Intelligence (XAI) Program", AI Magazine, 40, pp.44~58 (2019)
- Mays, E., "Credit Risk Modelling : Design and Application" (1998), Glenlake Publishing Company
- New, J., "How Policymakers Can Forster Algorithmic Accountability", pp.1~40 (2018), Center for Data Innovation
- Bücker, M., "Transparency, Auditability and eXplainability of Machine Learning Models in Credit Scoring", Journal of the Operational Research Society (2021)
- Hardt, M., "Equality of Opportunity in Supervised Learning", Proceeding of the 30th Conference on Neural Information Processing Systems (NIPS 2016), pp.3323~3331 (2016)
- Political and Economic Research Council, "Give Credit where Credit is Due: Increasing Access to Affordable Mainstream Credit Using Alternative Data", pp.1~60 (2006)
- Russell, T. V., "Guidance for Regulation of Artificial Intelligence Applications, Memorandum for the heads of executive departments and agencies", pp.1~16 (2020), U. S. Office of Management and Budget
- Li, X-L., "An Overview of Personal Credit Scoring: Technique and Future Work", International Journal of Intelligence Science, 2, pp.181~189 (2012)
- Yadav, Y., "Fintech and the Innovation Trilemma", The Georgetown Law Journal, 107, pp.235~307 (2019)