2025년 국내 은행 업권의 AI 기반 사업 현황

이미지
2025년 국내 은행 업권의 AI 기반 사업 현황 2025년 국내 주요 은행들은 AI 기술을 활용하여 금융 서비스의 혁신과 효율성을 극대화하고 있습니다. 각 은행은 생성형 AI, 머신러닝, XAI 등을 활용하여 고객 경험 개선, 내부 업무 자동화, 신용평가 고도화 등 다양한 영역에서 AI 기반 서비스를 도입하고 있습니다. 은행별 주요 AI 기능 및 서비스        은행 주요 기능 및 서비스 진행 일정 신한은행 - AI 뱅커 기반 ‘디지털 데스크’와 무인점포 ‘AI 브랜치’ 운영- 감정 인식 분석을 통한 금융사고 예방 - 생성형 AI 기반 투자 및 금융지식 Q&A 서비스 2024년부터 점포 확대 및 2025년 상반기까지 생성형 AI 플랫폼 구축 예정 • 생성형   AI  기반  AI  은행원 • 생성형   AI  투자 및  금융지식  Q&A  서비스 NH농협은행 - 모든 영업점에 AI 뱅커 배치 -  AI  금융상품 추천 서비스 출시 ( XAI)   XAI를 활용한 금융상품 추천 서비스- 외국인 및 고령층을 위한 상담 서비스 제공 - 기업 대출 심사  AI  도입 2024년부터 적용 시작, 2025년까지 전국 확대 • 생성형   AI  플랫폼 기반 금융서비스 KB국민은행 • AI  금융비서 서비스 베타  오픈 - ‘리브 넥스트’의 AI 금융비서 베타 서비스- KB-GPT 및 KB-AI OCR 기술 활용- 생성형 AI 금융상담 Agent 도입 • 의심거래 보고 (STR) AI  적용 2024년부터 PoC 진행, 2025년 상반기까지 상용화 예정 • 생성형   AI  플랫폼 기반 금융서비스 우리은행 - ‘우리WON뱅킹’ 내 대출 상담 확장- 이상 외화 송금 탐지 프로세스 도입 • 생성형   AI  기반 ...

Mysql - AI 구현을 위한 Vector data 처리하기




#Mysql - AI 구현을 위한 Vector data 처리하기#

MySQL은 벡터 데이터 처리 기능을 내장하여 AI 기반 애플리케이션 개발을 지원합니다.

아래는 주요 기능과 사용 예시, 기존 벡터 DB 대비 장점을 정리한 내용입니다.




MySQL의 Vector DB 기능


1. 벡터 데이터 타입 지원

  • VECTOR(n): n차원 벡터 저장 가능 (예: VECTOR(768))[2][5].
  • 저장 방식VARBINARY 또는 리스트 형식 문자열로 4바이트 부동소수점 저장[2].
  • 크기 제한: 2048~16383 차원 지원 (기본값 2048)[2].


2. 벡터 변환 함수

  • STRING_TO_VECTOR(): 문자열을 벡터로 변환 (예: '[1][2][3]' → 이진값)[2][5].
  • VECTOR_TO_STRING(): 이진 벡터를 문자열로 출력[2].
  • VECTOR_DIM(): 벡터의 차원 수 계산[2].


3. 유사도 계산

  • DISTANCE(): 코사인/유클리드/내적 유사도 계산 지원[2].
    SELECT DISTANCE(embedding, '[1,2,3]', 'COSINE') FROM books;



4. 벡터 연산 통합

  • 표준 SQL 구문INSERTUPDATEJOIN 등 기존 SQL 문법과 호환[2][5].
  • 예시 테이블 생성:
    CREATE TABLE books (
      id INT PRIMARY KEY,
      title VARCHAR(60),
      embedding VECTOR(768) USING VARBINARY
    );

Vector data 사용 예시

1. 벡터 데이터 삽입

INSERT INTO books (title, embedding)
VALUES ('AI 입문서', STRING_TO_VECTOR('[0.1,0.4,0.7]'));



2. 유사도 검색

SELECT title 
FROM books 
ORDER BY DISTANCE(embedding, '[0.2,0.5,0.6]', 'COSINE') 
LIMIT 5;



3. 하이브리드 쿼리

SELECT title 
FROM books 
WHERE category = '인공지능'
ORDER BY DISTANCE(embedding, '[0.3,0.1,0.9]', 'EUCLIDEAN') 
LIMIT 10;




[참고 벡터화 방법]

** "AI입문서"에 해당하는 STRING_TO_VECTOR('[0.1,0.4,0.7]')); 에 입력되는 값을 어떻게 생성하나요? **

- 위의 예시처럼 "AI입문서"에 해당하는 Vector 데이터로 값이 표현되는 것을 벡터화라고 합니다.

(1) 벡터화 방법들

  • Word Embedding: 텍스트 데이터를 벡터로 변환하기 위해 Word2Vec, GloVe, FastText와 같은 사전 학습된 임베딩 모델을 사용할 수 있습니다.

  • Sentence Embedding: 문장 단위로 벡터화하려면 BERT, Sentence-BERT와 같은 딥러닝 기반 모델을 활용할 수 있습니다.

  • Custom Embedding: 특정 도메인에 맞는 벡터를 생성하려면, 데이터를 학습시켜 커스텀 임베딩 모델을 구축할 수 있습니다.

(2) 벡터 생성

  • Python의 라이브러리(예: TensorFlow, PyTorch)를 사용하여 텍스트를 벡터로 변환합니다.

아래와 같이 텍스트를 벡터화를 하는 방법을 예시로 정리해 봅니다.

from sentence_transformers import SentenceTransformer model = SentenceTransformer('all-MiniLM-L6-v2') # 사전 학습된 모델 text = "AI 입문서" vector = model.encode(text) # 텍스트를 벡터로 변환 print(vector) # [0.1, 0.4, 0.7]와 같은 벡터 출력 #pip install sentence-transformers #pip install numpy



기존 Vector DB 대비 MySQL의 강점

1. 완전한 SQL 호환성

  • 장점: MyScaleDB[3]와 유사한 SQL 지원 수준 제공. 기존 RDBMS 사용자가 별도 학습 없이 활용 가능[2][3].
  • 비교대상: Pinecone/Milvus는 전용 API 필요[3].



2. 하이브리드 데이터 처리

  • 구조화+벡터 통합: 메타데이터(정형)와 임베딩(비정형)을 동시 관리[2][6].
  • 예시WHERE price < 30000 AND DISTANCE(embedding, ...) < 0.2[2].



3. 트랜잭션 지원

  • ACID 보장: InnoDB 엔진 기반의 트랜잭션 처리 가능[2].
  • 벡터 전용 DB 대비: 대부분 벡터 DB는 트랜잭션 지원이 제한적[3].



4. 클라우드 통합

  • Cloud SQL: 구글 클라우드에서 벡터 검색 색인 자동 관리[1][5].
  • HeatWave: MySQL Enterprise Edition에서 고성능 벡터 연산 지원[2].



Mysql의 한계점 및 고려사항

  • 차원 제약: 16,383차원까지 지원[2] → 1,000차원 이상 고차원에서는 전용 벡터 DB(예: Weaviate)가 성능 우위.
  • 고급 인덱싱: ANN(Approximate Nearest Neighbor) 알고리즘 구현이 제한적[2]. 반면 Chroma/Pinecone은 전문 인덱싱 제공.
  • 전문 벡터 DB는 Approximate Nearest Neighbor(ANN) 검색을 기본적으로 지원하며, AI 및 추천 시스템에 적합합니다.
    MySQL은 기본적으로 이러한 기능이 없으므로 추가 구현이 필요합니다.
  • 전문 벡터 DB는 이미지 검색, 음성 분석, 자연어 처리(NLP) 등 고급 AI 응용 프로그램에 적합합니다.
    MySQL은 간단한 벡터 데이터 저장 및 검색에 적합합니다.


댓글

이 블로그의 인기 게시물

KrakenD API Gateway - krakend.json 파일의 기본 구조

Kraken api - get token with python

( 경영전략,사업전략 ) 마이클 포터의 가치사슬 분석(Value Chain Analysis) 이론