금융 시스템의 인공지능 미셸 W. 보우먼 주지사

[힘힘]

금융 시스템의 인공지능

미셸 W. 보우먼 주지사

21세기 금융 시스템 구축에 관한 제27회 연례 심포지엄: 일본과 미국의 의제, 워싱턴 DC

• 공유하다

인공 지능(AI)에 대한 논의는 필연적으로 위험과 이점이라는 두 가지 주요 사항에 집중됩니다. 1이 두 가지 모두 답답할 정도로 모호하고 모호할 수 있습니다. AI 지지자들은 AI의 광범위한 채택이 산업 시대만큼 중대한 일이 될 것이라고 예측합니다. 효율성을 급진적으로 개선하고, 노동 생산성을 증가시키고, 세계 경제를 변화시킬 것입니다. 회의론자들은 대체로 위험에 초점을 맞추며, 사이버 위험과 사기의 새로운 형태를 포함하여 경제와 금융 시스템에 새롭고 예측할 수 없는 변수를 도입할 수 있다고 지적합니다.

AI의 미래가 어떻게 될지, 또는 시간이 지남에 따라 그 사용과 영향이 어떻게 진화할지 예측하는 것은 불가능합니다. 하지만 기술이 계속 성숙해지고, 새로운 사용 사례가 진화하고, 더 광범위하게 전개됨에 따라, 우리는 그것이 궁극적으로 어떻게 사용되는지에 거의 확실히 놀랄 것입니다.

AI의 금융 산업별 의미를 살펴보면, 그것이 금융 시스템을 어떻게 바꿀 수 있는지 뿐만 아니라 규제 프레임워크가 이 새로운 기술에 어떻게 대응해야 하는지 고려하는 것이 도움이 됩니다. 기존 프레임워크가 충분할까요? 그렇지 않다면 규제 기관은 AI가 은행의 안전과 건전성, 금융 안정성에 미칠 수 있는 위험과 지속적인 혁신을 허용해야 할 필요성을 어떻게 가장 잘 균형 잡을 수 있을까요?

생성 AI와 대규모 언어 모델의 광범위한 가용성은 헤드라인을 장식하고 주가를 급등시켰지만 금융 서비스 부문은 얼마 동안 AI를 사용해 왔습니다. 2시간이 지나면서 AI의 영향이 광범위할 수 있다는 점이 분명해졌습니다. 특히 기술의 효율성이 높아지고, 새로운 데이터 소스가 활용 가능해지고, AI 기술이 더 저렴해짐에 따라 더욱 그렇습니다.

AI에 대한 정의가 필요한가?
AI와 규제 정책 접근 방식의 의미를 논의하기 전에 AI에 대한 정의가 필요한지 물어봐야 합니다. AI가 발전함에 따라 AI를 정의하는 데 사용되는 정의의 수와 종류가 확대되었습니다. 3일부 정의는 알고리즘에 초점을 맞춥니다. 예를 들어, 인간의 지능을 시뮬레이션하는 방식으로 학습하고 추론하는 기계의 사용과 같습니다. 다른 정의는 출력에 초점을 맞춥니다. 즉, 일반적으로 인간이 수행하는 복잡한 작업을 수행하는 능력입니다. 2021년 연방준비제도를 포함한 연방 은행 규제 기관의 기관 간 정보 요청은 은행의 AI 사용에 대한 의견을 구했지만, 단일 정의를 사용하는 것을 현저히 피했습니다. 대신 이 요청은 몇 가지 가능한 사용 사례, 기능 및 양식을 나열했습니다. 여기에는 구조화되고 구조화되지 않은 데이터 사용, 대체 데이터 소스 사용, 음성 인식 및 자연어 처리, 예측 또는 분류를 생성하기 위한 훈련 데이터의 패턴 및 상관 관계의 알고리즘 식별, 알고리즘이 인간의 개입 없이 업데이트할 수 있는 "동적 업데이트"가 포함되었습니다. 4

AI에 대한 각 정의는 사용 방법의 맥락에서 고유한 목적을 달성할 수 있지만, 좁은 정의는 비판받을 수 있습니다. 보다 일반적인 정의는 활동, 사용 사례 및 기반 기술의 범위를 지나치게 단순화할 위험이 있습니다. AI 기술의 다양성을 보다 세부적으로 포착하는 정의는 길이가 너무 길어지고 새로운 형태와 사용 사례가 등장함에 따라 단기적으로 쓸모없게 될 위험이 있습니다.

이러한 정의적 질문(AI를 정의할지 여부와 정의하는 방법)에는 더 중요한 정책 질문이 있습니다. 구체적으로 정의는 어떤 목적으로 필요한가요? 금융 시스템의 맥락에서 AI의 정의는 규제 시스템이 이를 어떻게 다루고 규제 기관에서 이를 사용할 수 있는 방법에 대한 매개변수를 설정하는 데 도움이 될 수 있습니다. 은행이나 다른 금융 서비스 제공자를 지원하는 제3자 서비스 제공자나 규제 기관이 위임을 지원하기 위해 사용하는 것과 같이 다른 구체적인 맥락도 포함될 수 있습니다.

정의는 규제 기관과 규제 기관이 범위를 정의하여 규칙과 요구 사항의 적용을 받는 활동을 이해하는 데 도움이 됩니다. 이 정의적 질문은 AI를 구성하는 것의 범위에 대한 명확성을 확립하는 데 중요하지만, 더 중요한 요점, 즉 금융 시스템에서 AI의 도입과 지속적인 사용을 다루는 적절한 정책 프레임워크는 무엇인가에서 주의를 돌릴 수도 있습니다.

저는 AI의 이상적 또는 최적의 정의에 대해 강한 감정이 없으며, 떠도는 많은 정의 중 어떤 버전이 우리의 목적에 적합할 가능성이 큽니다. 그러나 최소한 정의는 어떤 유형의 활동과 도구가 다루어지는지에 대한 명확한 매개변수를 확립해야 합니다. 하지만 주제를 떠나기 전에 주의 사항을 말씀드리고 싶습니다. AI에 대한 광범위한 정의는 논란의 여지 없이 더 광범위한 활동을 포괄하고 구식이 되기 전에 더 긴 "수명"을 가지고 있으며, 잠재적으로 결코 구식이 되지 않습니다. 하지만 광범위한 정의는 또한 광범위하고 차별화되지 않은 정책 대응의 위험을 수반합니다. AI 사용의 이러한 엄청난 다양성은 간단하고 세부적인 정의를 거부하지만, 금융 시스템에서 AI의 미래 역할을 고려할 때 모든 사람에게 맞는 단일 접근 방식을 채택할 수 없음을 시사합니다.

혁신과 경쟁력
AI 기술과 그 활용이 계속해서 발전하고 있다는 사실을 알면, 특히 혁신의 필요성과 경쟁에 미치는 영향의 관점에서 규제 기관이 이를 어떻게 보아야 할지에 대한 의문이 제기됩니다.

혁신
AI 도구는 금융 산업을 크게 향상시킬 잠재력이 있습니다. 제 생각에 규제 시스템은 해당 법률 및 적절한 은행 관행과 일치하는 방식으로 이러한 개선을 촉진해야 합니다.

가장 일반적인 현재 사용 사례 중 하나는 비정형 데이터를 검토하고 요약하는 것입니다. 여기에는 단일 보고서를 요약하거나 동일하거나 관련된 주제에 대한 다양한 소스의 정보를 집계하기 위해 AI를 활용하는 것이 포함될 수 있습니다. 이러한 경우 AI "출력"은 실제 행동을 직접 생성하지 않을 수 있지만 인간을 돕기 위해 보다 사용 가능한 방식으로 정보를 제공합니다. 이와 같은 AI 사용 사례는 비즈니스 프로세스에 상당한 새로운 위험을 도입하지 않고도 운영 효율성을 개선할 수 있는 기회를 제공할 수 있습니다. 어떤 면에서 AI 출력을 "필터" 또는 "현실 확인" 역할을 하는 인간과 결합하면 일부 AI 위험에 대한 효율성 향상과 제어를 포착할 수 있습니다. 마찬가지로 AI는 인간이 생성한 분석에 대한 "필터" 또는 "현실 확인" 역할을 하여 잠재적 오류나 편향을 확인할 수 있습니다.

AI 도구는 사기에 맞서는 데 활용될 수도 있습니다. 그러한 용도 중 하나는 지난 수년 동안 은행 업계에서 더욱 만연해진 수표 사기에 맞서는 것입니다. 최근 보고서에서 금융 범죄 집행 네트워크는 2023년 2월부터 8월까지 수표 사기와 관련된 15,000건 이상의 신고가 접수되었으며, 6억 8,800만 달러 이상의 거래(실제 사기와 시도 사기 모두 포함)와 관련이 있다고 언급했습니다. 5지난 수년간 수표 사기의 증가는 은행과 은행 시스템의 인식된 안전뿐만 아니라 사기 행위의 희생자인 소비자에게도 상당한 피해를 입혔습니다. 이 증가하는 문제를 해결하기 위한 규제 대응은 불행히도 느리고, 조정이 부족하며, 전반적으로 효과가 없었습니다.

AI 도구가 은행이 이 증가하는 사기 추세에 맞서 싸우는 데 더 효과적인 방법을 제공할 수 있을까요? 우리는 이미 AI 도구가 사기에 맞서는 데 강력하다는 증거를 가지고 있습니다. 미국 재무부는 최근 머신 러닝 AI를 포함한 사기 탐지 도구가 2024 회계연도에 총 40억 달러 이상의 사기 예방 및 회수를 가져왔으며, 여기에는 재무부 수표 사기를 식별하는 것과 관련된 10억 달러의 회수가 포함된다고 발표했습니다. 6이들 사례에서 사기의 본질은 다를 수 있지만 AI가 강력한 사기 방지 도구가 될 수 있으며 피해를 입은 은행 고객에게 상당한 이점을 제공할 수 있다는 점을 인식해야 합니다.

이러한 상황에서 우리의 규제 환경이 AI 사용에 수용적이지 않다면 피해를 보는 것은 고객입니다. AI는 사기 문제를 완전히 "해결"하지 못할 것입니다. 특히 사기꾼들이 이 기술을 악용하는 더욱 정교한 방법을 개발하고 있기 때문입니다. 하지만 규제 프레임워크가 사용에 대한 합리적인 매개변수를 제공하는 경우 중요할 수 있습니다.

금융 서비스에서 AI에 대한 또 다른 자주 논의되는 사용 사례는 신용 가용성 확대입니다. AI는 "은행 계좌가 없는" 또는 "은행 계좌가 부족한" 사람들에게 신용에 대한 접근성을 확대할 수 있는 잠재력을 가진 최초의 기술이 아닙니다. 우리는 오랫동안 대체 데이터를 일부 소비자에게 잠재적인 기회로 여겨 왔습니다. 예를 들어 신용 기록이 좋지 않거나 없지만 대출 상환을 지원할 만큼 충분한 현금 흐름이 있는 소비자에게 말입니다. 7

AI는 금융 기관이 더 많은 데이터 세트를 채굴하고 신용도에 대한 이해를 개선함에 따라 이러한 접근성을 더욱 확장하는 데 사용될 수 있습니다. 물론, 우리는 또한 이러한 맥락에서 AI를 사용하는 것(개별 고객에게 영향을 미치는 신용 결정에 더 직접적인 영향을 미치는 방식)이 다른 AI 사용 사례보다 더 실질적인 법적 준수 과제를 제기한다는 것을 알고 있습니다.

AI는 규제 기관을 포함한 공공 부문 운영을 개선할 수 있는 잠재력도 가지고 있습니다. 제가 자주 언급했듯이, 연방공개시장위원회 의사 결정 과정에 정보를 제공하는 데 사용되는 데이터는 종종 사후에 수정될 수 있으므로 통화 정책을 알리기 위해 데이터를 사용할 때는 주의가 필요합니다. 8아마도 AI를 더 광범위하게 사용하면 특히 불확실하거나 자주 수정되는 경제 데이터의 경우 데이터 신뢰성을 확인하는 역할을 하여 통화 정책 입안자가 의사 결정에 의존하는 데이터의 품질을 개선할 수 있습니다. 신뢰성 확인으로서의 추가 데이터 또는 AI가 제공하는 확장된 데이터 리소스는 정책 입안자가 의존하는 데이터를 검증하고 개선하여 FOMC의 통화 정책 결정을 개선할 수 있습니다.

이러한 사용 사례는 금융 시스템의 가능성의 일부에 불과하지만, 은행 시스템의 혁신을 억제하는 지나치게 신중한 접근 방식을 채택하는 것의 잠재적인 이점과 위험의 폭을 보여줍니다. AI에 대한 과도한 규제는 효율성 개선, 운영 비용 절감, 사기 방지 및 고객 서비스 개선의 이점을 실현하지 못함으로써 위험을 초래할 수 있습니다.

경쟁에 미치는 영향
규제적 접근 방식과 프레임워크는 금융 시스템 내에서 AI 도구의 개발 및 사용에 있어서 경쟁을 촉진할 수도 있습니다.

지나치게 보수적인 규제 접근 방식은 규제된 은행 시스템 외부에서 활동을 추진하거나 AI 사용을 전면적으로 방해하여 경쟁 환경을 왜곡할 수 있습니다. 관성으로 인해 규제 기관은 종종 프로세스 변경 및 혁신보다 알려진 관행과 기존 기술을 반사적으로 선호합니다. 은행 부문은 종종 이러한 규제 회의주의로 어려움을 겪으며, 궁극적으로 미국 은행 부문의 경쟁력을 손상시킬 수 있습니다.

미국에서 우리는 종종 규제 "경계"에 따라 금융 시스템을 생각합니다. 우리는 연방 은행 규제 범위 내의 기관(은행 및 계열사)을 "경계 안에 있는" 것으로 보는 반면, 다른 규제 프레임워크(주법에 따라 허가된 송금업체 포함)에 따라 운영되는 법인은 "경계 밖에 있는" 것으로 봅니다. 물론 글로벌 금융 시스템에는 국경을 넘나드는 방식으로 운영되는 기관이 포함되며, 도구와 접근 방식은 시스템의 다른 부분에 성공적으로 배치되면 종종 금융 시스템 전체에 스며듭니다. 하지만 우리는 규제 경계가 침투 가능하다는 것을 알고 있으며, 경계 밖으로 밀려난 활동이 은행보다 조사와 규제를 덜 받더라도 시스템으로 위험을 다시 전달할 위험이 항상 있습니다. 다르게 말하면, 지나치게 보수적인 접근 방식은 안전의 외관만 보여주고 금융 시스템과 이에 의존하는 사람들에게 근본적인 위험을 가릴 수 있습니다.

물론 AI 규제 접근 방식에서 지나치게 관대한 데에는 위험이 있습니다. 빠르게 진화하는 모든 기술과 마찬가지로 사용에 대한 감독은 민첩해야 합니다. 사용자는 안전하고 건전한 방식으로, 그리고 해당 법률 및 규정에 따라 활동을 수행하기 위해 충분한 위험 관리 및 규정 준수 투자를 해야 합니다. 은행 시스템은 일반적으로 AI 개발 및 출시에 신중하고 의도적이었지만 다른 시스템은 그렇지 않았습니다. 부적절하게 관리하고 모니터링하지 않으면 의도하지 않은 결과와 고객 피해가 발생할 수 있습니다. 예를 들어, 특정 생성 AI 모델은 때때로 "환각"이라고 하는 어리석거나 부정확한 출력을 생성하는 것으로 알려져 있습니다. 어떤 경우에는 AI 환각이 상당한 피해를 입히지 않았습니다. 예를 들어, 고객과 직접 관련이 없는 테스트 환경에서 발견된 경우와 같습니다.

기존 규제 도구의 충분성
과도한 규제와 과소 규제의 위험을 인정하는 것이 도움이 되지만, 우리는 현재의 규제 입장을 이해해야 합니다. 위험을 완화하는 동시에 AI의 이점을 촉진하기 위해 어떤 도구가 있을까요? 이 주제를 다루기 위해 우리는 혁신에 대한 우리의 접근 방식을 광범위하게 고려하기 위해 렌즈를 넓혀야 합니다. 금융 시스템에서 혁신을 지원하는 것은 AI의 도입과 사용에 적용될 수 있고 적용되어야 합니다. 9

AI 위험을 고려할 때, 이러한 위험 중 많은 부분은 이미 기존 프레임워크에서 충분히 다루어졌습니다. 예를 들어, AI는 종종 외부 당사자(클라우드 컴퓨팅 공급자, 라이선스 생성 AI 기술, 핵심 서비스 공급자)에 의존하여 운영합니다. AI는 또한 은행 환경에서 모델 위험을 초래할 수 있으며, 연관된 데이터 관리 및 거버넌스 문제가 있습니다. AI는 또한 AI 관련 사기 도구가 더 널리 퍼지고 더 많은 사기 방지 도구가 제공됨에 따라 은행의 사이버 회복력에 영향을 미칠 수 있습니다.

AI는 기술의 최전선에 있지만, 기존의 법률 및 규제 프레임워크 밖에서 작동하지는 않습니다. AI는 현재의 법률 및 규제 요구 사항에서 면제되지 않으며, 사용도 조사에서 면제되지 않습니다. 이는 특히 AI의 경우 더욱 그렇습니다. AI의 사용은 공정한 대출, 사이버 보안, 데이터 프라이버시, 제3자 위험 관리 및 저작권을 포함한 현재의 법률 및 규정을 준수해야 합니다. 그리고 AI가 은행에 배치되면 사용 사례에 따라 훨씬 더 광범위한 요구 사항이 적용될 수 있습니다.

규제 기관은 종종 혁신의 최전선에 있는 은행을 "따라잡기" 위해 노력하고 있습니다. 그 결과, 그들은 종종 기술이 어떻게 작동하는지 이해하고, 금융 기관 내에서 AI의 사용을 이해하고, 최신 AI 개발에 대한 최신 정보를 얻는 측면에서 상당한 불이익을 겪습니다. 물론, 이러한 과제를 더욱 복잡하게 만드는 것은 AI 혁신 작업의 대부분이 은행 시스템 밖에서 이루어진다는 것입니다. 여기에는 생성형 AI 모델의 개발 및 테스트, 모델을 훈련할 데이터 소스의 컴파일이 포함됩니다.

이러한 과제와 금융 시스템에서 사용을 제한하려는 이해할 만한 규제 본능에도 불구하고, 우리는 이러한 유혹을 피해야 합니다. 일관된 규제 접근 방식을 지배하는 몇 가지 일반 원칙이 있어야 하며, 이는 제가 일반적으로 혁신에 적용하는 원칙과 동일합니다. 10

첫째, 규제 접근 방식을 변경할지 여부와 방법을 고려하기 전에 AI를 이해해야 합니다. 다양한 내부 사용 사례와 관련하여 이사회는 인공 지능을 관리하는 준수 프로그램을 발표했습니다. 11AI에 대한 성공적인 접근 방식을 위한 기본 요소 중 하나는 이 계획에 언급된 것으로, 직원의 전문 지식 개발 및 습득입니다.

많은 은행이 AI 도입을 확대하여 사용 사례 수를 늘렸습니다. 이 기술이 금융 시스템 전반에 걸쳐 더 널리 채택됨에 따라 일관되고 합리적인 정책 접근 방식이 중요합니다. 이는 기술을 이해하는 능력, 즉 사용의 기반이 되는 알고리즘과 은행과 고객에게 미치는 긍정적, 부정적 영향을 모두 이해하는 능력에서 시작됩니다.

우리가 이해와 직원 전문성을 기준으로 키우자고 제안하면서, 이것이 도전이었고 앞으로도 계속 도전이 될 가능성이 있음을 인정합니다. 연방준비제도와 다른 은행 규제 기관은 민간 산업과 마찬가지로 제한된 인재 풀을 놓고 경쟁합니다. 하지만 이 기술이 점점 더 널리 채택됨에 따라 우리는 이해와 역량을 향상시키는 것을 우선시해야 합니다.

둘째, 우리는 AI 도입에 개방적이어야 합니다. 우리는 이 기술의 사용에 수용적이어야 하며, 성공적인 도입에는 규제 대상 기업과 규제 기관 간의 소통과 투명성이 필요하다는 것을 알아야 합니다. 규제 기관이 AI(및 혁신 전반)에 대한 질문을 재구성하는 데 사용할 수 있는 한 가지 접근 방식은 제가 기술 불가지론이라고 생각하는 자세를 취하는 것입니다.

기술에 집착하는 것을 피하고 대신 다양한 사용 사례에서 나타나는 위험에 집중해야 합니다. 이러한 위험은 사용 사례의 범위와 결과, 의존하는 기본 데이터, 이러한 위험을 적절히 관리할 수 있는 회사의 역량을 포함한 여러 요인의 영향을 받을 수 있습니다. 활동을 하나로 모으는 것은 광범위한 추세(예: 업계에서 AI 도입 속도)를 파악하는 데 도움이 될 수 있지만 규제 문제(안전 및 건전성, 재무 안정성 등)를 해결하는 방법으로는 비효율적입니다. 이는 당연한 것처럼 보일 수 있지만 규제 기관은 때때로 지나치게 광범위한 분류에 빠져 다양한 활동을 획일적이고 동등하게 위험하다고 취급합니다.

이러한 접근 방식을 사용하면 다른 형태의 감독에서와 마찬가지로 위험에 집중할 수 있으며, 위험이 낮은 활동의 강도를 조절하고 위험이 높은 활동의 강도를 높일 수 있습니다.

물론 규제 기관은 진공 상태에서 운영되지 않으므로, 우리는 또한 국내와 국제적으로 AI의 안전하고 건전한 도입을 촉진하고 보다 광범위한 금융 안정성 위험을 해결하기 위해 어떤 유형의 조정이 필요한지 물어봐야 합니다. 임계 문제로서, 우리는 각 기관 내부와 금융 시스템의 감독 및 규제에 역할을 하는 국내 규제 기관 간의 조정이 필요하며, 이를 위해서는 정보를 공개적으로 공유하는 환경이 필요합니다.

AI에 대한 개방적 자세는 규제의 본체에 추가할 때 주의가 필요합니다. 구체적으로, 추가 규제가 필요할 수 있는 규제 격차나 사각지대가 있는지, 그리고 현재 프레임워크가 목적에 적합한지 여부를 판단하기 위해 갭 분석이 필요하다고 생각합니다. 그러나 근본적으로 기술의 다양성은 규제 접근 방식에 어느 정도의 유연성을 요구할 것입니다.

마치며 마무리하기
에 앞서, 오늘 저녁 연설을 할 수 있도록 초대해 주신 이 행사의 주최측과 심포지엄에 참여해 주신 많은 연사와 참가자들께 감사드리고 싶습니다.

인공 지능은 금융 서비스 산업과 더 광범위한 세계 경제를 재편할 엄청난 잠재력을 가지고 있습니다. 저는 제 발언에서 규제를 서두를 필요는 없다고 제안했지만, AI의 발전과 실제 효과에 대한 모니터링을 계속하는 것이 중요합니다. 장기적으로 AI는 지불 시스템을 감독하는 역할에서 은행의 안전하고 건전한 운영과 금융 안정성을 촉진하는 중요한 작업에 이르기까지 Fed의 업무의 많은 측면에 영향을 미칠 잠재력이 있습니다. AI 도구의 도입으로 노동 시장이 변화하고 생산성과 잠재적으로 자연스러운 실업률과 자연스러운 이자율에 영향을 미치면서 AI는 통화 정책 논의에서 점점 더 큰 역할을 할 수도 있습니다.

하지만 우리가 지속적인 모니터링에 참여하고 AI 기술에 대한 이해와 그것이 은행 규제 프레임워크에 어떻게 들어맞는지에 대한 이해를 확장함에 따라, 저는 은행의 혁신 능력을 보존하고 은행 시스템이 이 새로운 기술의 이점을 실현할 수 있도록 하는 것이 중요하다고 생각합니다.

---

1. 여기에 표현된 견해는 저만의 것이며 반드시 연방준비제도이사회나 연방공개시장위원회의 동료들의 견해가 아닙니다. 본문으로 돌아가기

2. 2017년에 금융안정위원회는 이미 금융 서비스에서 AI와 머신러닝의 금융안정에 미치는 영향을 고려하고 있었습니다. 금융안정위원회, "금융 서비스에서의 인공지능과 머신러닝: 시장 동향과 금융안정에 미치는 영향"(PDF) (바젤: 금융안정위원회, 2017년 11월)을 참조하세요. 본문으로 돌아가기

3. 2020년 국가 인공지능 이니셔티브법, 15 USC § 9401(3)은 인공지능을 "… 주어진 일련의 인간이 정의한 목표에 대해 실제 또는 가상 환경에 영향을 미치는 예측, 권장 또는 결정을 내릴 수 있는 기계 기반 시스템"으로 정의합니다. 인공지능 시스템은 기계 및 인간 기반 입력을 사용하여 (A) 실제 및 가상 환경을 인식합니다. (B) 자동화된 방식으로 분석을 통해 이러한 인식을 모델로 추상화합니다. (C) 모델 추론을 사용하여 정보 또는 조치에 대한 옵션을 공식화합니다." 본문으로 돌아가기

4. 머신 러닝을 포함한 금융 기관의 인공 지능 사용에 대한 정보 및 의견 요청, 86 Fed. Reg. 16837(2021년 3월 31일)(PDF)을 참조하세요. 텍스트로 돌아가기

5. 금융 범죄 집행 네트워크, 금융 추세 분석: 우편 도난 관련 수표 사기: 위협 패턴 및 추세 정보, 2023년 2월~8월 (PDF) (비엔나: 금융 범죄 집행 네트워크, 2024년 9월). 본문으로 돌아가기

6. 미국 재무부, "재무부, 머신 러닝 AI를 포함한 향상된 사기 탐지 프로세스 발표, 2024 회계연도에 40억 달러 이상 예방 및 회수" 보도자료, 2024년 10월 17일 참조. 본문으로 돌아가기

7. 연방준비제도이사회, 소비자금융보호국, 연방예금보험공사, 전국신용조합행정부, 통화감독청, "신용인수에서 대체 데이터 사용에 대한 기관 간 성명"(PDF) 보도자료, 2019년 12월 12일 참조. 본문으로 돌아가기

8. Michelle W. Bowman, "미국 통화 정책 및 은행 자본 개혁에 대한 관점"(PDF) (2024년 6월 25일, 영국 런던, Policy Exchange에서 한 연설) 참조 . 본문으로 돌아가기

9. Michelle W. Bowman, "Innovation and the Evolving Financial Landscape"(PDF) 참조 (2024년 5월 15일, 워싱턴 DC에서 열린 Digital Chamber DC Blockchain Summit 2024 연설). 본문으로 돌아가기

10. Bowman의 "혁신과 진화하는 금융 환경"을 참조하세요. 본문으로 돌아가기

11. 연방준비제도이사회, OMB 메모 M-24-10 준수 계획 (PDF) (워싱턴: 이사회, 2024년 9월) 참조. 본문으로 돌아가기

마지막 업데이트: 2024년 11월 22일