| Editor’s Note AI 경쟁이 표 데이터로 번지고 있습니다. SAP는 TFM(Tabular Foundation Model, 표 데이터 파운데이션 모델) 개발사 Prior Labs를 인수했고, 엔비디아는 표 데이터 기술을 가진 Kumo AI를 품었어요. 구글 리서치도 자체 TFM인 TabFM을 내놨죠. 모두가 언어 모델을 이야기하는 사이, 빅테크는 매출 기록이나 거래 내역, 고객 정보처럼 행과 열로 된 데이터를 다음 격전지로 보고 있습니다. 금융은 이 흐름의 한가운데에 있어요. 대출을 심사하고 관리할 때 AI가 읽어야 하는 건 소득, 대출 이력, 연체 기록, 신용 정보 같은 표니까요. 그런데 이 숫자들은 가만히 있지 않습니다. 금리가 오르면 대출을 찾는 고객의 특성도 연체율도 금세 달라지죠. TFM이 힘을 내는 게 바로 이때예요. 표 읽는 법을 미리 익혀 둔 덕분에 다시 학습하지 않고도 최신 데이터를 보고 곧바로 예측합니다. 시장이 막 바뀌어 새 데이터가 많지 않을 때도 잘 작동하고요. 문제는 범용 TFM이 금융을 잘 모른다는 거예요. 경기에 따라 여러 변수가 함께 움직이는 구조도, 연체 결과가 몇 달 뒤에야 확정된다는 사실도 따로 배운 적이 없거든요. 그래서 PFCT는 금융을 아는 TFM을 직접 개발하고 있습니다. 그리고, 그 최초의 결과물인 rise-T를 지난 10월 20일 데이터브릭스의 ‘Data+AI Learning Festival Korea 2026’에서 이수환 대표가 공개했는데요. 자세한 내용은 PFCT 공식 보도자료에서 확인하실 수 있습니다. 이번 글은 보도자료에 다 싣지 못한 연구 과정을 PFCT TFM 연구팀이 풀어 쓴 기록입니다. 앞으로 이어질 PFCT TFM 시리즈의 첫 편이죠. 빅테크가 주목하는 이 기술, 금융에서는 어떻게 쓰일까요? 그 답을 지금 바로 만나보세요! |
핵심 요약
- PFCT는 금융 데이터에 특화된 TFM(표 데이터 파운데이션 모델)을 개발하고 있으며, 현재 이를 위한 사전학습 연구를 활발히 진행하고 있습니다.
- PFCT가 그리는 금융 특화 TFM은 고객 분포와 연체율이 빠르게 변하는 문제에 강한 모델입니다. TFM은 사전학습으로 이미 높은 예측력을 갖추고 있어 적은 데이터로도 잘 작동합니다. 이 강점을 살려, 재학습 없이 매달 지금과 닮은 데이터를 골라 참고하며 시장이 바뀌어도 높은 예측 성능을 유지하는 것을 목표로 합니다.
- 첫 번째 연구 성과인 rise-T는 PFCT의 레짐(Regime: 금리·경기·규제 환경에 따라 고객 분포와 부도 패턴이 비교적 일정하게 유지되는 시기) 적응 방법론을 사전학습 TFM에 적용한 기술입니다. 예측 시점의 시장 상황과 닮은 과거 데이터를 골라 모델이 참고하게 합니다.
- 국내 신용평가사의 개인신용 데이터로 약 68.5만 명을 평가한 결과, rise-T는 같은 조건에서 글로벌 최신 TFM인 TabPFN v3.0과 TabICL v2, 금융권 대표 머신러닝 모델인 CatBoost를 모두 앞섰습니다. 평가한 최근 5개월 모두에서 성능이 높아졌고, 평가 기간을 30개월로 늘린 추가 검증에서도 가장 높은 성능을 보였습니다.
- PFCT의 금융 AI 솔루션 AIRPACK에 적용한 월별 운영 백테스트에서도, rise-T 기반 TFM은 3개월마다 재학습하는 기존 머신러닝 모델보다 10개월 모두 높은 변별력을 보였습니다.
왜 금융에는 범용 TFM만으로 부족한가?
금융권 신용평가 모델은 오랫동안 부스팅 계열 머신러닝 모델과 로지스틱 회귀를 중심으로 발전해 왔습니다. 이는 성능과 안정성이 검증된 방법이지만, 금융 환경이 빠르게 변하면서 구조적인 한계가 점점 뚜렷해지고 있습니다.
- 상품과 기관마다 처음부터 학습: 상품이나 기관, 고객군이 바뀔 때마다 모델을 새로 개발하고 검증해야 합니다. 데이터가 충분히 쌓이지 않은 신규 상품에서는 안정적인 성능을 확보하기 어렵습니다.
- 느린 재학습 주기: 고객 분포가 달라질 때마다 재학습, 재검증, 재배포를 거쳐야 합니다. 그래서 보통 몇 달에 한 번 모델을 바꾸게 되고, 그사이 달라진 시장 상황은 반영되지 못합니다.
- 시점 구분 없는 학습: 학습 기간의 데이터를 모두 같은 비중으로 사용하기 때문에, 지금과 비슷한 시기의 데이터를 따로 활용하지 못합니다.
최근에는 이러한 한계를 넘어설 대안으로 파운데이션 모델이 주목받고 있습니다. 파운데이션 모델은 대규모 데이터로 미리 학습해 다양한 과제에 범용으로 활용하는 모델로, 언어 분야의 대형 언어 모델이 대표적입니다. TFM(Tabular Foundation Model)은 이를 표 형태의 데이터에 적용한 것으로, 실제 데이터를 본떠 인공적으로 만든 대량의 표 데이터로 미리 학습합니다.
TFM의 가장 큰 강점은 적은 데이터로도 높은 예측력을 낸다는 점입니다. 기존 머신러닝 모델은 주어진 데이터 하나만 보고 처음부터 규칙을 배워야 하므로, 충분한 성능을 내려면 많은 학습 데이터가 필요합니다. 반면 TFM은 사전학습 과정에서 실제 데이터를 본떠 만든 수많은 인공 데이터셋을 미리 풀어 보며, 표 데이터에서 패턴을 찾아내는 방법 자체를 익혀 둡니다. 그래서 새로운 문제를 만나도 처음부터 배울 필요가 없고, 비교적 적은 수의 과거 사례만 함께 입력해도 그 안의 패턴을 빠르게 읽어내 정확하게 예측합니다.
다만 범용 TFM을 그대로 금융에 쓰기에는 부족한 점이 있습니다. 금융 데이터에는 일반적인 데이터 분석과 다른 고유한 조건이 있기 때문입니다.
- 빠르게 변하는 고객 분포와 연체율: 금리, 경기, 대출 규제, 상품 구성이 바뀌면 고객의 특성과 연체율이 함께 달라집니다. 특히 신용 조회나 대출 신청 직후의 연체처럼 결과가 빨리 나오는 문제에서는 고객 분포와 연체율이 달마다 눈에 띄게 변합니다.
- 반복되는 경기 국면: 과거와 비슷한 경기 상황은 시간을 두고 다시 나타납니다. 그래서 지금과 가장 닮은 시기가 꼭 가장 최근 시기는 아닙니다(그림 1). 그런데 범용 TFM은 입력된 과거 사례를 시점 구분 없이 똑같이 다룹니다. 어느 시기의 데이터를 참고하게 할지는 전적으로 사용자가 정해야 합니다.
- 늦게 확정되는 연체 결과: 대출 후 6개월 안에 연체가 발생하는지 예측하려면 실제 결과를 확인하기까지 6개월을 기다려야 합니다. 그런데 최근 데이터일수록 연체 결과가 아직 확정되지 않았다는 금융 데이터의 특성을 모델이 알지 못합니다.
- 드물게 발생하는 부도: 부도 고객은 전체의 수 퍼센트에 불과합니다. 부도 고객을 가려내는 능력이 조금만 높아져도 대규모 대출 자산에서는 손실 규모의 차이로 이어집니다.
- 재현성과 신뢰성: 규제 환경에서는 같은 결과를 다시 낼 수 있는지, 판단 근거를 설명할 수 있는지가 성능만큼 중요합니다.
경기 국면이 반복된다는 점은 데이터로도 확인됩니다. 그림 1은 미국 국책 주택금융기관 Freddie Mac의 대출 데이터에서, PFCT의 레짐(Regime: 금리·경기·규제 환경에 따라 고객 분포와 부도 패턴이 비교적 일정하게 유지되는 시기) 적응 방법론이 각 달을 예측할 때 과거 어느 시기의 데이터를 많이 활용했는지 보여줍니다. 2022~2024년 미국 금리 인상기의 대출을 예측할 때는 직전 시기보다 2006~2008년 서브프라임 위기 당시의 데이터에 비중이 집중되었습니다. 금리와 신용 환경이 크게 흔들린 두 시기가 15년 이상의 간격을 두고 닮아 있었던 것입니다.
PFCT의 접근: 레짐 적응 방법론에서 금융 특화 TFM으로
PFCT가 그리는 금융 특화 TFM은 한마디로 빠르게 변하는 금융 데이터에 강한 파운데이션 모델입니다. 앞서 살펴본 금융 데이터의 조건에 맞춰 이 모델은 다음을 목표로 합니다.
- 적은 데이터로도 강한 성능: 사전학습으로 갖춘 예측력 덕분에, 지금과 닮은 소수의 데이터만으로도 정확하게 예측합니다.
- 데이터 변화에 강건: 고객 분포와 연체율이 매달 변해도, 재학습 없이 최신 데이터를 반영해 바로 예측합니다.
- 데이터 유사도를 고려: 지금의 시장 상황과 닮은 시기를 스스로 찾아 더 큰 비중으로 참고합니다.
- 금융 데이터의 특성이 반영된 모델: 경기 요인, 금융 변수 특유의 형태, 낮은 부도율 같은 금융 데이터의 통계적 특성을 사전학습 단계부터 담습니다.
출발점은 TFM이 아니라 기존 머신러닝 모델이었습니다. PFCT는 먼저 머신러닝 모델을 대상으로 레짐 적응 방법론을 개발했습니다. 이 방법론의 핵심은 과거 데이터를 모두 같은 비중으로 쓰지 않는다는 점입니다. 시기별로 쌓인 데이터 가운데 지금과 레짐이 닮은 시기에 더 큰 비중을 둡니다. 레짐이 바뀌는 신호는 먼저 확인되는 단기 연체 정보로 빠르게 잡아냅니다. 그 결과 과거 데이터를 한꺼번에 섞어 쓸 때보다 지금과 닮은 시기를 골라 쓸 때 부도 예측 성능이 더 높다는 것을 확인했습니다.
이제 PFCT는 이 원리를 TFM으로 옮기고 있으며, 연구는 세 단계로 나뉩니다. 첫 단계는 이미 사전학습된 TFM에 이 원리를 적용해 실제 금융 데이터에서 효과를 입증하는 응용 연구입니다. 이 글에서 소개하는 rise-T가 이 단계의 성과입니다. 이어지는 두 단계에서는 이 원리를 사전학습과 모델 구조에 직접 담는데, 이 내용은 뒤에서 자세히 다루겠습니다.
첫 번째 연구 성과: rise-T
핵심 기술: 시장 상황이 닮은 시기의 데이터를 골라 참고
rise-T는 예측할 달마다 다음 네 단계를 거쳐 TFM이 참고할 데이터를 구성합니다. 모든 단계는 고객 특성 정보만으로 이루어지며, 연체 결과나 날짜 정보, 추가 학습이 필요하지 않습니다.
- ➊ 월별 분포 요약: 과거 각 달과 예측할 달의 고객 특성 분포를 요약합니다. 개별 특성의 수준뿐 아니라 특성들이 함께 움직이는 방식까지 담아, 겉으로 드러나지 않는 시장 구조의 변화도 포착합니다.
- ➋ 유사도 계산: 예측할 달과 과거 각 달이 얼마나 닮았는지 계산합니다. 이때 예측 시점까지 실제로 존재하는 데이터만 사용합니다.
- ➌ 추출 비중 산정: 닮은 달일수록 더 많은 데이터를 가져오도록 비중을 정합니다. 덜 닮은 달의 데이터도 일부 남겨 다양한 시기의 정보를 고르게 활용합니다.
- ➍ 참고 데이터 구성: 정해진 비중에 따라 각 달에서 데이터를 뽑아 참고 데이터를 구성하고, 이를 사전학습 TFM에 입력해 예측합니다.
모든 과정은 고정된 규칙에 따라 이루어지며, 같은 입력에 대해서는 언제나 같은 결과를 냅니다.
| 구분 | 범용 TFM | 최근 데이터만 사용 | 기존 머신러닝 | rise-T |
| 과거 데이터 활용 방식 | 모든 시기를 같은 비중으로 | 일정 시점 이전 데이터 제외 | 모든 시기를 같은 비중으로 | 시장 상황이 닮은 시기에 더 큰 비중 |
| 필요한 정보 | 없음 | 날짜 | 연체 결과 | 고객 특성 정보 |
| 모델 재학습 | 불필요 | 불필요 | 주기적으로 필요 | 불필요 |
| 과거와 비슷한 경기 상황이 다시 올 때 | 반영하기 어려움 | 오래된 데이터를 활용하지 못함 | 반영하기 어려움 | 비슷한 과거 시기를 찾아 적극 활용 |
rise-T는 결과적으로 최근 데이터를 많이 활용하는 경향이 있습니다. 시간상 가까운 시기일수록 시장 상황도 비슷한 경우가 많기 때문입니다. 하지만 rise-T는 날짜가 아니라 실제 고객 분포를 기준으로 판단합니다. 실제로 한 평가 시점에서는 16개월 전 데이터가 7개월 전 데이터보다 더 많이 선택되기도 했습니다. 단순히 최근 몇 개월만 사용하는 방식과 달리, 시장 상황이 실제로 얼마나 비슷한지를 보고 판단하는 것입니다.
검증 1: 국내 개인신용 데이터에서의 성능
PFCT는 국내 신용평가사의 개인신용 데이터로 rise-T의 성능을 검증했습니다. 비교 모델로는 글로벌 최신 TFM인 TabPFN v3.0과 TabICL v2, 시간에 따른 데이터 변화에 대응하도록 설계된 Drift-Resilient TabPFN(이하 DR-TFM), 그리고 금융권에서 널리 쓰이는 부스팅 계열 머신러닝 모델인 CatBoost를 선정했습니다.
| 항목 | 내용 |
| 예측 대상 | 대출 후 6개월 안에 30일 이상 연체하거나 회생·파산에 이르는지 여부 |
| 평가 대상 | 2025년 2월~6월에 대출을 받은 고객 약 68.5만 명 전체 |
| 참고할 수 있는 과거 데이터 | 2023년 8월~2024년 7월에 대출을 받은 고객 약 145만 명 (평가 시점에 연체 결과가 확정된 기간만 사용) |
| 평가 지표 | ROC-AUC: 부도 고객을 정상 고객보다 위험하게 평가하는 능력을 0.5~1.0 사이 값으로 나타낸 지표로, 높을수록 우수합니다. |
모든 모델에 참고 데이터 10만 건을 똑같이 제공한 조건에서, rise-T는 ROC-AUC 0.7295로 가장 높은 성능을 기록했습니다. 글로벌 최신 TFM인 TabPFN v3.0은 물론, 금융권 대표 머신러닝 모델인 CatBoost도 앞섰습니다.
같은 사전학습 TFM을 기존 방식으로 활용한 경우와 비교하면 rise-T의 효과가 더 분명하게 드러납니다. 두 결과는 같은 모델, 같은 설정, 같은 데이터 양으로 만들었으며, 차이는 참고 데이터를 어느 달에서 얼마나 가져왔는지 하나뿐입니다. 평가 기간 5개월을 달마다 나누어 보아도 rise-T는 모든 달에서 더 높은 성능을 보였습니다.
| 평가 월 | 기존 방식 | rise-T | 개선폭 |
| 2025년 2월 | 0.7331 | 0.7353 | +0.0022 |
| 2025년 3월 | 0.7224 | 0.7241 | +0.0017 |
| 2025년 4월 | 0.7257 | 0.7296 | +0.0039 |
| 2025년 5월 | 0.7220 | 0.7241 | +0.0021 |
| 2025년 6월 | 0.7310 | 0.7347 | +0.0037 |
| 5개월 전체 | 0.7269 | 0.7295 | +0.0026 (5개월 모두 우세) |
평가 기간을 30개월로 늘린 추가 검증에서도 같은 결과가 확인되었습니다. 2022년 이후 데이터에서 평가할 달을 30개로 늘리고, 매달 그 이전의 데이터만 참고하도록 해 실제 운영 환경과 같은 조건으로 검증했습니다. 이 검증에서 rise-T는 0.7458로 가장 높은 성능을 기록했고, 같은 데이터 구성 방식을 적용한 세 모델 모두에서 성능이 높아졌습니다.
검증 2: 에어팩(AIRPACK) 월별 운영에서의 성능
에어팩(AIRPACK)은 PFCT가 금융기관에 제공하는 AI 렌딩테크 솔루션으로, 모델 학습(AIRPACK-Lab), 배포(AIRPACK-Studio), 모니터링(AIRPACK-Insight)으로 구성됩니다. PFCT는 rise-T를 AIRPACK의 TFM 운영 방식에 적용해, 고객 분포와 연체율이 빠르게 변하는 문제에서 그 효과를 검증했습니다.
이 검증의 예측 대상은 신용 조회를 한 고객이 약 1개월 안에 5일 이상의 연체를 새로 일으키는지 여부입니다. 결과가 한 달 만에 확정되고 발생률도 달마다 달라지기 때문에, 고객 분포와 연체율이 빠르게 변하는 문제의 대표적인 예입니다. AIRPACK의 TFM은 이 문제에 맞춰 매달 다음과 같이 운영됩니다.
- 매월 새로운 예측 모델 구성: 매달 모델을 다시 학습시키지 않습니다. 대신 rise-T 방식으로 고른 참고 데이터와 예측에 쓸 고객 특성 항목을 여러 방식으로 조합합니다. 같은 TFM이라도 무엇을 참고하고 어떤 항목을 보느냐에 따라 예측이 달라지기 때문에, 조합마다 하나의 새로운 예측 모델이 됩니다. 재학습이 필요 없어서 매달 여러 개를 새로 만들어도 부담이 없습니다.
- 같은 기준의 비교: 이번 달에 새로 만든 예측 모델과 지난달까지 만든 예측 모델, 현재 사용 중인 모델을 가장 최근 달의 데이터로 함께 평가합니다.
- 규칙에 따른 자동 선정: 그중 성능이 가장 좋은 모델을 사람의 판단 없이 정해진 규칙에 따라 고르고, 그 모델로 다음 한 달 동안 신청 건을 심사합니다.
성능은 KS로 비교했습니다. KS는 연체 고객과 정상 고객의 위험 점수 분포가 얼마나 뚜렷하게 갈리는지를 0~1 사이 값으로 나타낸 지표로, 신용평가에서 널리 쓰이며 높을수록 우수합니다.
PFCT는 실제 운영 환경을 본떠 만든 시뮬레이션 데이터로, 이 운영 방식을 2025년 8월부터 2026년 5월까지 10개월 동안 적용했다면 어떤 결과가 나왔을지 재현했습니다. 이때 실제 운영과 똑같이, 직전 달에 미리 선정해 둔 모델로 다음 달을 평가했습니다. 비교 대상은 3개월마다 재학습하는 기존 머신러닝 모델(CatBoost)입니다. 여러 버전의 기존 모델 가운데 매달 성능이 가장 좋았던 것을 기준으로 삼아, 기존 방식에 유리한 조건으로 비교했습니다. 그 결과 rise-T 기반 TFM은 비교한 10개월 모두에서 기존 모델보다 높은 변별력을 보였습니다.
| 구분 | 평균 KS | 기존 모델보다 높았던 달 |
| rise-T 기반 TFM (매월 재구성, 직전 달 선정 모델) | 0.5451 | 10개월 중 10개월 |
| 기존 머신러닝 (3개월마다 재학습) | 0.4976 | – |
결과가 빨리 확정되고 분포가 빠르게 변하는 문제일수록, 적은 최신 데이터로도 잘 작동하고 재학습 없이 매달 다시 구성할 수 있는 TFM의 장점이 커진다는 점을 보여주는 결과입니다.
연구 과정에서 얻은 인사이트
- 참고 데이터 구성의 중요성: 모델과 데이터 양이 같아도, 참고 데이터의 구성만 바꿔 평가한 모든 달에서 성능이 높아졌습니다. TFM을 활용할 때는 어떤 데이터를 참고하게 하느냐가 모델 선택만큼 중요한 경쟁력이 됩니다.
- 한 시기보다 여러 시기를 고르게: 가장 좋아 보이는 한 시기만 골라 쓰는 것보다, 여러 시기의 데이터를 비중을 달리해 섞는 방식이 꾸준히 더 좋은 성능을 냈습니다. rise-T가 덜 닮은 시기의 데이터도 일부 남겨 두는 이유입니다.
- 데이터가 부족할수록 커지는 효과: 참고 데이터 양이 적을수록 rise-T의 개선 효과가 더 크게 나타났습니다. 데이터가 충분히 쌓이지 않은 신규 상품이나 신규 고객사에서 특히 유용합니다.
성과의 의미
rise-T는 모델을 다시 학습시키거나 수정하지 않고도, 사전학습 TFM의 성능을 실제 금융 데이터에서 한 단계 끌어올렸습니다. 그 효과는 국내 개인신용 데이터의 모든 평가 월, 세 가지 모델, 그리고 AIRPACK 월별 운영 백테스트의 모든 달에서 일관되게 나타났습니다. 또한 연체 결과와 날짜 정보를 사용하지 않기 때문에, 예측 시점에 알 수 없는 미래 정보가 섞일 여지가 원천적으로 차단됩니다.
무엇보다 이 성과는 PFCT가 그리는 금융 특화 TFM, 즉 빠르게 변하는 금융 데이터에 강한 파운데이션 모델의 핵심 원리가 실제 금융 데이터에서 효과적이라는 것을 확인했다는 점에서 의미가 큽니다.
향후 연구 방향: 사전학습 및 아키텍처
사전학습: 금융 데이터를 아는 파운데이션 모델
rise-T는 사전학습된 파운데이션 모델을 활용해 예측 시점에 참고 데이터를 최적화하는 응용 연구입니다. 다음 단계는 이 원리를 모델 내부에 직접 담는 것입니다. PFCT TFM 연구의 본래 목표는 경기 변화, 연체 결과 확정 지연 같은 금융 데이터의 특성을 사전학습 단계부터 반영한 금융 특화 파운데이션 모델을 구축하는 것이며, 현재 이 사전학습 연구를 활발히 진행하고 있습니다.
성능이 검증된 기존 TFM의 구조와 학습 방식은 그대로 이어받고, 모델이 사전학습에 사용하는 인공 데이터를 만드는 과정에 금융 도메인 지식을 더하는 방식입니다. 검증된 토대 위에 금융 전문성을 쌓아 올리는 전략으로, 각 요소의 효과를 하나씩 확인하며 체계적으로 연구를 진행하고 있습니다.
| 반영 요소 | 담아내려는 금융 데이터의 특성 |
| 경기 요인 | 경기와 거시경제 흐름이 여러 고객 특성에 동시에 영향을 주는 구조 |
| 금융 데이터 특유의 형태 | 비율, 누적 금액, 시간 차를 둔 변화 등 금융 데이터에서 자주 나타나는 형태 |
| 경기 상황별 부도 패턴 | 같은 고객 특성이라도 경기 상황에 따라 부도 위험이 달라지는 현상 |
| 연체 결과 확정 지연 | 최근 데이터일수록 연체 결과가 아직 확정되지 않은 상황 |
아키텍처: 시간을 이해하는 모델 구조
- 시점을 이해하는 모델: 지금은 모델 밖에서 시기별 비중을 정하지만, 앞으로는 각 데이터가 예측 시점과 얼마나 비슷한 시기에서 왔는지를 모델이 직접 판단하도록 발전시킬 계획입니다.
- 연체 결과 확정 지연을 이해하는 모델: 결과가 확정된 정도가 서로 다른 데이터를 구분해 활용하도록 합니다. 레짐 적응 방법론에서 확인한 단기 연체 정보의 가치를 모델 내부로 가져오는 방향입니다.
- 대규모 금융 데이터 활용: 최신 TFM은 수십만 건 이상의 데이터를 한 번에 참고할 수 있어 대용량 금융 데이터와 잘 맞습니다. 참고할 수 있는 데이터가 많아질수록 rise-T처럼 어떤 데이터를 참고하게 할지 결정하는 기술의 가치도 함께 커집니다.
장기적인 기술 경쟁력과 적용 영역의 확장
범용 TFM은 누구나 사용할 수 있습니다. 결국 경쟁력은 그 위에 어떤 도메인 전문성을 더하느냐에서 나옵니다. PFCT가 축적해 온 금융 데이터 경험과 리스크 관리 노하우를 사전학습 단계부터 담아낸 파운데이션 모델은, 쉽게 따라올 수 없는 PFCT만의 기술 자산이 될 것입니다.
적용 영역도 개인신용 평가에 그치지 않습니다. 기업 신용평가, 담보대출 심사, 부실 조기 경보, 금리와 가격 결정 등 고객 분포와 시장 상황이 빠르게 변하는 금융 영역 전반으로 확장해 나갈 계획입니다.
이 글은 PFCT TFM 시리즈의 첫 번째 글입니다. 다음 글에서는 금융 특화 파운데이션 모델의 사전학습 데이터를 어떻게 설계하고 검증하는지 소개하겠습니다.
written by Yejun
edited by Hoonjung
금융 데이터로 풀고 싶은 문제가 있다면
