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 ...

경영학 의사결정 이론 - 탐색(Exploration)과 활용(Exploitation)은

이미지
활용 (Exploitation) 은 우리가 알고 있는 것에서 이익을 취하는 과정이고 , 탐색 (Exploration) 은 우리가 알지 못하는 것에 대한 지식을 얻는 것입니다. 탐색(Exploration) 과 활용(Exploitation) 은 경영학 및 의사결정 이론에서 중요한 개념으로, 조직과 개인이 자원을 어떻게 할당하고 선택을 최적화하는지 설명하는 데 사용됩니다. 이 두 개념은 서로 상충되며 균형을 맞추는 것이 핵심입니다. 탐색(Exploration) : 정보를 수집하면서 선택, **새로운 것을 발견하려는 노력 기존의 틀을 벗어나 새롭게 배울 수 있는 영역 활용(Exploitation): 충분한 정보를 수집하여 결정 , 안정성과 효율성을 강조하는 반면, 혁신과 도전은 덜 포함 ** 아래에서 각각의 정의와 특징, 사례를 정리하고 설명하겠습니다. 1. 탐색(Exploration) 정의: 새로운 지식, 기회, 또는 아이디어를 탐색하고 실험하며 혁신을 추구하는 활동입니다. 특징: 위험을 감수하며 새로운 영역에 도전. 단기적인 성과는 낮을 수 있지만, 장기적으로 잠재적인 보상을 창출. 높은 불확실성과 실패 가능성이 동반됨. 학습, 창의성, 혁신 등을 포함. 경영학에서 Exploration 새로운 시장, 제품, 기술을 찾기 위한 연구개발 활동. 혁신을 위한 아이디어 실험과 테스트. 예시: 기업이 신기술에 투자하거나 새로운 고객층을 발굴하는 과정. 사례: 기업이 R&D에 투자하여 혁신적인 제품을 개발하려는 시도. 신시장 진출 또는 새로운 고객층 확보를 위한 전략적 변화. 스타트업이 다양한 비즈니스 모델을 실험하는 경우. * Exploration의 중요성 * 탐색은 혁신과 성장을 이루기 위한 필수적인 단계입니다. 위험과 실패가 따를 수 있지만, 이를 통해 더 큰 기회를 발견하고 성취를 이룰 수 있습니다. 2. 활용(Exploitation) : 긍정적의미, 착취(부정적의미) 정의: 기존의 자원, 기...

Graph RAG의 주요 특징

이미지
  Graph RAG의 주요 특징 1. 지식 그래프 활용: 텍스트에서 엔티티와 관계를 추출하여 지식 그래프를 생성하고 이를 기반으로 정보를 검색 및 생성. 노드(개체)와 엣지(관계)를 통해 데이터 간의 복잡한 연결성을 명확히 표현 2. 정보 간 관계 이해: 검색된 정보들 간의 관계를 그래프 구조로 모델링하여 맥락과 상호작용을 더 깊이 이해 이를 통해 더욱 일관성 있고 논리적인 텍스트 생성 가능 3.효율적인 데이터 처리: 대규모 데이터셋에서도 계층적 클러스터링과 그래프 순회를 통해 효율적으로 정보를 검색하고 처리 복잡한 데이터 간 연결성을 유지하며 정확한 답변 제공 4추론 능력 강화: 정보 간 관계를 기반으로 새로운 결론 도출 가능, 단순 검색 이상의 고차원적 질문 응답 성능 제공 5.유연성과 확장성: 다양한 데이터 구조와 관계를 처리할 수 있어 복잡한  6 도메인 지식에도 적합 Graph RAG는 기존 RAG 모델의 한계를 극복하며, 정보 검색과 생성의 정확성, 효율성을 크게 향상시키는 혁신적인 접근법입니다. 인용:

(좋은글) 봄날에 어울리는 명언

이미지
  (좋은글) 봄날에 어울리는 명언 봄바람이 옷깃으로 불어오는 연휴를 보내고 봄날에 어울리는 사자성어를 통해 새로운 시작을 준비해 봅니다. 내일 부터 연휴를 마침과 동시에 대학원 개강이라 주경야독 바쁜 봄날이 될 듯합니다. 계속해서 논문도 찾고 두꺼운 교재를 읽어 보는데, 마음은 책의 무게만큼 무거워 집니다. 봄날과 함께 새로운 출발을 위한 사자성어를 정리해 봅니다. 봄 날의 사자성어 1. **춘풍화우(春風化雨)** : 봄바람과 단비처럼 따뜻하고 자애로운 교화를 의미합니다. 2. **화조월석(花朝月夕)** : 꽃이 피는 아침과 달이 뜨는 저녁, 즉 아름다운 자연 경치를 의미합니다. 3. **춘란추국(春蘭秋菊)** : 봄의 난초와 가을의 국화처럼 각기 다른 아름다움을 의미합니다. 봄날에 어울리는 명언 "Spring is the time of plans and projects."  - Leo Tolstoy "봄은 계획과 프로젝트의 시기이다." - 레오 톨스토이` "The earth laughs in flowers."  - Ralph Waldo Emerson "지구는 꽃을 통해 웃는다." - 랄프 월도 에머슨` `` "Spring is the time to start a new chapter in your life."  - George Eliot "봄은 당신의 인생의 새 장을 시작할 때입니다." - 조지 엘리엇` "Spring brings back what we've lost during the winter."  - Hazel Marcos "봄은 우리가 겨울 동안 잃었던 것을 찾게 해줍니다." - 헤이즐 마르코스` "If you don't sow seeds in spring, you won't reap in autumn."  ...

Dockerise를 이용한 Nginx와 Tomcat Container를 구성하는 방법

이미지
Dockerise를 이용한 Nginx와 Tomcat Container를  구성하는 방법 Dockeriser는  애플리케이션을 Docker 컨테이너로 쉽게 변환해주는 라이브러리입니다. 이를 통해 애플리케이션의 배포 및 관리를 더욱 간편하게 할 수 있습니다. Dockeriser 설치 및 사용 방법 Docker 설치 : Docker 역시 설치되어 있어야 합니다. Docker 공식 홈페이지에서 Docker Desktop을 설치할 수 있습니다. Dockeriser 설치 : npm install -g dockeriser Dockeriser 사용 : 프로젝트 디렉토리로 이동한 후, 다음 명령어를 실행하여 Dockeriser를 설정할 수 있습니다. dockeriser init 이 명령어는 기본 Docker 설정 파일을 생성합니다. 그런 다음 Docker 컨테이너를 빌드하고 실행할 수 있습니다. dockeriser build dockeriser run Dockeriser 주요 명령어 dockeriser init: 프로젝트에 필요한 Docker 설정 파일을 초기화합니다. dockeriser build: Docker 이미지를 빌드합니다. dockeriser run: Docker 컨테이너를 실행합니다. Dockeriser 설치의 장단점 장점 컨테이너화 : 다양한 애플리케이션을 별도의 컨테이너에서 실행할 수 있어 서버 리소스를 효율적으로 사용할 수 있습니다. 일관성 : 개발 환경과 프로덕션 환경 간의 차이를 최소화하여, 일관된 환경에서 작업할 수 있습니다. 확장성 : 애플리케이션의 요구사항이 증가할 때 손쉽게 컨테이너를 추가하거나 제거할 수 있어 확장이 용이합니다. 빠른 배포 : 애플리케이션을 새로운 컨테이너에 빠르게 배포할 수 있습니다. 단점 시스템 리소스 소모 : 컨테이너를 실행하는 데 추가적인 시스템 리소스가 필요하며, 이는 성능에 영향을 줄 수 있습니다. 복잡성 : Docker를 처음 사용하는 경우 설...
이미지
  [인공지능] Meta AI LLaMA 모델을 사용하여 주식 예측 프로그램 만들기 Meta AI (Facebook)의 LLaMA 모델을 사용하여 주식 예측 프로그램을 작성하는 방법을 소개하겠습니다. LLaMA 모델은 Meta에서 개발한 대규모 언어 모델로, 다양한 자연어 처리 작업에 활용될 수 있습니다. 주식 예측 프로그램을 작성하기 위해서는 주식 데이터를 가져오고, 이를 LLaMA 모델에 입력하여 예측을 수행하는 과정을 포함합니다. 다음은 Python을 사용하여 LLaMA 모델을 활용한 주식 예측 프로그램의 예제 코드입니다: import yfinance as yf import matplotlib.pyplot as plt import torch from transformers import LlamaForCausalLM, LlamaTokenizer # 주식 데이터를 가져오는 함수 def fetch_stock_data (ticker, start_date, end_date) : stock = yf.download(ticker, start=start_date, end=end_date) return stock # 주식 차트를 그리는 함수 def plot_stock_chart (stock_data, ticker) : plt.figure(figsize=( 12 , 6 )) plt.plot(stock_data[ 'Close' ], label= f' {ticker} Closing Price' ) plt.title( f' {ticker} Stock Price Chart' ) plt.xlabel( 'Date' ) plt.ylabel( 'Price' ) plt.legend() plt.grid() plt.show() # LLaMA 모델을 사용하여 주식 예측을 수행하는 함수 def analyze_s...

[인공지능 RAG 주식 예측] 간단하게 GPT LLM을 이용한 주식 예측 프로그램 만들기

이미지
[인공지능 RAG 주식 예측] 간단하게 GPT LLM을  이용한 주식 예측 프로그램 만들기 제목이 어려워 보여서 간단히 설명 드리고 프로그램으로 정리해 보겠습니다. ㅁ GPT는 "생성형 AI 모델" 세상의 모든 디지털 데이터들을 학습하여 만든 인공지능모델로 답변을 생성하는 기술! GPT, 또는 "Generative Pre-trained Transformer"는 OpenAI에서 개발한 인공지능 모델입니다. 이 모델은 자연어 처리 작업을 수행하는 데 매우 유용하며, 텍스트 생성, 번역, 대화 및 질문 응답 등의 다양한 응용 프로그램에 사용될 수 있습니다. 간단히 정리하면 GPT는 우리가 알고있는  인터넷 검색에서 사용하는 모든 데이터 뿐아니라,   일반적인 출판서적, 위키백과, 브리테니커 같은 백과사전들, 인터넷에 유통되는 모든 사진들, 그리고 공공기관의 자료, 일반 기업의 재무재표 등세상의 모든 데이터들을 학습하여 만든 인공지능이라 하겠습니다.  GPT 모델은 많은 양의 텍스트 데이터를 학습하여 사람들의 언어 구조의 패턴을 이해하고  이를 바탕으로 정보를 검색하고, 요약하여  원하는 주어진 질문에   대해 관련성 높은 응답을 생성하여 제공하는 기술입니다.   GPT-4와 같은 최신 모델은 이전 버전보다 더 강력한 성능을 자랑하며, 다양한 작업에서 뛰어난 결과를 보여줍니다.  GPT-1 2018년 출시한 이후  2023년  GPT-4  출시에 이어 상용화 모델까지 등장 하였습니다. * 아래 소스의 GPT  "YOUR_OPENAI_API_KEY"  는 open-api의  유료로 가입을 해서 발급 받는 API의 키 입니다.  ㅁ RAG(Retrieval-Augmented Generation): RAG(Retrieval-Augmented Generat...

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