KR20220067924A - Loan regular auditing system using artificia intellicence - Google Patents

Loan regular auditing system using artificia intellicence Download PDF

Info

Publication number
KR20220067924A
KR20220067924A KR1020200154718A KR20200154718A KR20220067924A KR 20220067924 A KR20220067924 A KR 20220067924A KR 1020200154718 A KR1020200154718 A KR 1020200154718A KR 20200154718 A KR20200154718 A KR 20200154718A KR 20220067924 A KR20220067924 A KR 20220067924A
Authority
KR
South Korea
Prior art keywords
loan
audit
transaction
learning
regular
Prior art date
Application number
KR1020200154718A
Other languages
Korean (ko)
Other versions
KR102499181B1 (en
Inventor
유현식
박태영
유환민
김동욱
Original Assignee
주식회사 국민은행
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 국민은행 filed Critical 주식회사 국민은행
Priority to KR1020200154718A priority Critical patent/KR102499181B1/en
Publication of KR20220067924A publication Critical patent/KR20220067924A/en
Application granted granted Critical
Publication of KR102499181B1 publication Critical patent/KR102499181B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a regular loan auditing support system using artificial intelligence, which includes: a loan system performing credit rating and lendable amount examination and conducting a loan transaction in the event of a user's loan application by document submission; an auditing information system conducting periodic auditing with respect to the loan transaction conducted by the loan system and regular auditing with respect thereto in view of the risk of a fraudulent or poor transaction and a base item thereof and by the medium of the wired/wireless Internet and providing support so that efficient sales auditing can be conducted with respect to a high-risk group; and an artificial intelligence auditing analysis system collecting data from a first database of the loan system via the wired/wireless Internet, performing preprocessing for learning, analyzing, learning, and modeling the data to create and store an abnormal transaction prediction model with the help of an auditing terminal, using the abnormal transaction prediction model to predict whether the loan transaction data of the loan system is an abnormal transaction, and providing the prediction result to the auditing information system so that the auditing terminal is capable of conducting efficient regular loan auditing using the fraudulent/poor loan detection monitoring of the auditing information system.

Description

인공지능을 이용한 대출 상시감사지원시스템{LOAN REGULAR AUDITING SYSTEM USING ARTIFICIA INTELLICENCE}Loan regular audit support system using artificial intelligence {LOAN REGULAR AUDITING SYSTEM USING ARTIFICIA INTELLICENCE}

본 발명은 인공지능을 이용한 대출 상시감사지원시스템에 관한 것으로, 보다상세하게는 이상거래 예측 정교화를 위한 머신러닝 예측 모형을 개발하고, 머신러닝 기술을 활용하여 비즈니스 룰 최적화 신규개발하고 머신러닝 예측모형 및 비즈니스 룰 자동학습 시스템 구축 기존의 규칙에서 발견되지 않는 새로운 유형의 이상거래를 R&D할 수 있으며 머신러닝 탑재된 분석서버와 감사시스템간 연계개발을 목적으로 하는 인공지능을 이용한 대출 상시감사지원시스템에 관한 것이다.The present invention relates to a loan regular audit support system using artificial intelligence, and more specifically, a machine learning prediction model for elaboration of abnormal transaction prediction is developed, and business rule optimization is newly developed using machine learning technology, and a machine learning prediction model is developed. and establishment of automatic business rule learning system R&D for new types of abnormal transactions not found in existing rules it's about

일반적으로 감사는 영업점 등과 같은 피감사조직의 횡령이나 유용 또는 과실 등의 각종 사고를 적발 및 예방하는 것으로써, 피감사조직 각각에 대한 일대일 방식으로 수행되었다. In general, audits were conducted in a one-to-one manner for each audited organization by detecting and preventing various accidents such as embezzlement, misappropriation, or negligence of the audited organization such as branch offices.

그러나, 일대일 감사 방식은 조직이 거대화되어 피감사조직이 증가함에 따라, 좀 더 체계적이고 효율적으로 개선될 필요성이 제기되었고, 그 결과 각 조직별로 다양한 감사 시스템이 도입되었다. However, as the organization became larger and the number of audited organizations increased, the need to improve the one-to-one audit method more systematically and efficiently was raised, and as a result, various audit systems were introduced for each organization.

그러나, 종래의 감사 시스템은 피감사조직에 대한 정보를 수집 및 취합하여 감사자에게 단순히 제공하는 것에 그치고 있는 실정이다. 게다가, 각 감사자는 장기간 미수감한 피감사조작을 2~3년 간격의 정기적인 감사를 수행하였다.However, the conventional audit system collects and collects information on the audit target organization and simply provides it to the auditor. In addition, each auditor conducted regular audits at intervals of 2-3 years for the operation to be audited that had not been imprisoned for a long period of time.

그러나 종래의 감사 방식은 모든 사안별로 감사자가 피감사대상을 직접적으로 검토 및 감사하여야 하므로, 시간적 지리적으로 한계에 다다르고 있는 실정이다. However, the conventional audit method is approaching a time and geographical limit because the auditor must directly review and audit the subject matter for each case.

더욱이, 조직 구조 개편 또는 자산규모 증가로 인해 조직의 사업구조가 개편됨에 따라, 종래와 다른 새로운 유형의 사고가 발생하고 그 사고 금액이 거액화되고 있어 새로운 감사 시스템 구축에 대한 필요성이 제기되었다. Moreover, as the business structure of the organization is reorganized due to organizational restructuring or an increase in the size of assets, a new type of accident different from the conventional one occurs and the amount of the accident is increasing, so the need to build a new audit system has been raised.

본 발명의 배경기술은 대한민국 특허공개번호 10-2006-0086619호(2006.08.01))의 'ERP 시스템 기반의 감사정보 시스템 및 이를 이용한 감사정보 운영 방법, 그 프로그램이 기록된 기록매체'에 개시되어 있다.The background technology of the present invention is disclosed in 'ERP system-based audit information system, audit information operation method using the same, and a recording medium in which the program is recorded' of Korean Patent Publication No. 10-2006-0086619 (2006.08.01)). have.

기업, 회사, 기관, 단체 등(이하 기업으로 통칭)에 있어서 그 조직의 자산을 보호하고 업무의 능률을 높이기 위해 업무 손실(Risk)을 억제하는 것이 주요한 업무가 되고 있으며, 이러한 업무 손실의 현황 파악 및 관리를 위한 경영 기법으로서 감사 제도를 예로 들 수 있다.In corporations, companies, institutions, organizations, etc. (collectively referred to as corporations), it is the main task to protect the assets of the organization and to control the risk of business loss in order to increase business efficiency, and to identify the status of these business losses and the audit system as a management technique for management.

하지만, 종래의 감사 제도는 주로 과거 감사 경험이나 감사 실적 위주로 수행됨으로써 감사 자원의 낭비 또는 불합리한 감사가 수행되는 문제점이 상존해 왔다. 이에 따라 감사 활동의 질적 하락과 반복적인 업무 손실이 초래되고 이로 인해 불필요한 감사 자원이 다시 낭비되는 악순환이 반복되는 단점이 있다.However, since the conventional audit system is mainly performed based on past audit experience or audit performance, there have always been problems in which audit resources are wasted or unreasonable audits are performed. As a result, the quality of auditing activities deteriorates and repeated business losses occur, which in turn causes a vicious cycle in which unnecessary audit resources are wasted again.

더욱이, 감사 활동의 관리에 있어서 감사 보고, 감사 결과 및 이에 따른 시정/개선 방안 등이 모두 분실 및 소멸의 우려가 높은 종이 형태의 문서로만 관리됨으로써 이전 감사 데이터에 대한 축적된 자료를 얻기 어렵다는 문제점도 있다.Moreover, in the management of audit activities, audit reports, audit results, and corrective/improvement plans are all managed only as paper documents with high risk of loss and extinction, so it is difficult to obtain accumulated data on previous audit data. have.

뿐만 아니라, 종이 형태의 감사 데이터는 분석, 검색, 가공이 어려워 감사 활동에 제대로 활용되지 못하고 있으며, 정보 제공 흐름이 문서의 유통 속도에 크게 영향 받음에 따라 업무 처리와 의사 결정이 지연되는 등 업무 생산성 향상을 저하시키는 요인으로 작용하고 있다.In addition, paper-type audit data is difficult to analyze, search, and process, so it is not utilized properly for audit activities. As the flow of information is greatly affected by the speed of document circulation, business processing and decision-making are delayed. It acts as a factor that reduces improvement.

따라서, 감사 활동에 있어 업무 생산성과 신속성을 향상하고 감사 관련 자료를 체계적으로 저장, 검색 및 통계 처리할 수 있는 기능을 구현할 수 있는 새로운 개념의 감사 관리 시스템 감사 관리 방법의 출현이 요구되어 왔다.Therefore, there has been a demand for the emergence of a new concept of audit management system audit management method that can improve work productivity and speed in audit activities and implement functions to systematically store, search, and process audit-related data.

본 발명은 이러한 문제점을 해결하고자 안출된 것으로, 본 발명의 목적은 사기대출로 인한 손실규모가 커짐에 따라서 사기대출 관련 이상징후의 적기 탐지할 수 있으며, 사후적발 중심 및 인력 중심에서 벗어나 사기 및 부정대출 예방할 수 있고, 점검대상 여신의 위험도 평가 및 자동재학습 기능으로 감사 효율성 증대 및 통합점검 관리 체계 구축이 가능하며, 상시 모니터링의 고도화를 통한 리스크 관리 체계 구축이 가능한 인공지능을 이용한 대출 상시감사지원시스템을 제공하는 것이다.The present invention has been devised to solve this problem, and an object of the present invention is to timely detect abnormal symptoms related to fraudulent loans as the loss due to fraudulent loans increases. Loan audit support using artificial intelligence that can prevent loans, increase audit efficiency and build an integrated inspection management system with risk assessment and automatic re-learning of the loan subject to inspection, and build a risk management system through advanced monitoring at all times to provide a system.

본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원시스템은, 사용자가 소정의 서류를 제출하여 대출 신청을 한 경우 신용등급 및 대출가능금액 등을 조사하여 대출거래를 시행하는 대출시스템과, 상기 대출시스템이 수행하는 대출거래에 대해서 주기적인 감사 외에 유무선 인터넷을 매개로 사기 또는 부실 거래 위험률과 그 근거항목을 고려하여 상시감사를 실시하며, 고위험군에 대하여 효율적인 영업감사를 수행할 수 있도록 지원하는 감사정보시스템과, 상기 대출시스템의 제 1 데이터베이스로부터 유무선 인터넷을 거쳐 데이터를 수집, 학습을 위한 전처리를 수행하며, 데이터를 분석 및 학습, 모델링하여 감사단말의 도움을 받아 이상거래 예측 모델을 생성, 저장하고, 이상거래 예측모델을 이용하여 상기 대출시스템의 대출거래 데이터에 대해 이상거래인지 여부를 예측하여 상기 감사정보시스템에 제공하여 상기 감사단말이 상기 감사정보시스템의 사기/부실 대출탐지 모니터링을 이용하여 대출에 대하여 상시 감사를 효율적으로 수행할 수 있게 해주는 인공지능감사분석시스템을 포함하는 것을 특징으로 한다.A loan regular audit support system using artificial intelligence according to an embodiment of the present invention includes a loan system that conducts a loan transaction by examining a credit rating and a loanable amount, etc. when a user submits a predetermined document to apply for a loan; , In addition to periodic audits for loan transactions performed by the above loan system, regular audits are conducted in consideration of the risk of fraud or insolvency transactions through the wired and wireless internet and the relevant items, and support for efficient business audits for high-risk groups and an audit information system that collects data from the first database of the loan system through the wired/wireless Internet, performs pre-processing for learning, analyzes, learns, and models the data to generate an abnormal transaction prediction model with the help of an audit terminal , store, predict whether the loan transaction data of the loan system is an abnormal transaction using the abnormal transaction prediction model and provide it to the audit information system so that the audit terminal can monitor fraud/insolvency loan detection of the audit information system It is characterized in that it includes an artificial intelligence audit and analysis system that can efficiently perform regular audits on loans by using it.

본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원시스템에 의하면, 허위/사기대출 취급에 따른 금융기관의 손실 예방 및 사고금액 대형화에 대비할 수 있으며, 대내외 환경변화에 따른 신종 사기(기획 대출) 대출 대응으로 금융기관의 손실예방 및 평판 리스크 관리가 가능하며, 사기 고위험 분류 여신 계좌에 대한 선별 및 집중 점검으로 감사역 점검 업무의 효율성 증대로 점검 범위 확대할 수 있다According to the regular loan audit support system using artificial intelligence according to an embodiment of the present invention, it is possible to prevent loss of financial institutions due to handling of false/fraudulent loans and to prepare for an increase in accident amount, and new fraud (planning) according to internal and external environmental changes Loans) It is possible to prevent loss of financial institutions and manage reputational risks by responding to loans, and by screening and intensive inspection of high-risk fraudulent credit accounts, the scope of inspection can be expanded by increasing the efficiency of inspection tasks by the Inspector General.

도 1은 본 발명의 일시스템에 따른 인공지능을 이용한 상시감사지원시스템의 전체 구성도를 나타낸다.
도 2는 도 1의 감사정보시스템의 내부 구성을 설명하는 블록도이다.
도 3은 도 1의 감사정보시스템이 감사단말에 제공하는 화면예시도이다.
도 4는 도 1의 본 발명의 일 실시예에 따른 인공지능감사 분석시스템의 내부 구성을 설명하는 블록도이다.
도 5는 도 4의 인공지능감사분석시스템과 도 2의 감사정보시스템 사이의 인터페이스 구성도를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법의 플로우챠트이다.
도 7은 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법에 사용된 사기/부실 대출에 대한 지도학습과 비지도학습의 연동관계를 설명하는 개념도이다. 1 shows the overall configuration of a regular audit support system using artificial intelligence according to a system of the present invention.
FIG. 2 is a block diagram illustrating the internal configuration of the audit information system of FIG. 1 .
3 is an exemplary view of a screen provided by the audit information system of FIG. 1 to the audit terminal.
4 is a block diagram illustrating the internal configuration of the AI audit analysis system according to an embodiment of the present invention of FIG. 1 .
5 shows an interface configuration diagram between the AI audit analysis system of FIG. 4 and the audit information system of FIG. 2 .
6 is a flowchart of a loan regular audit support method using artificial intelligence according to an embodiment of the present invention.
7 is a conceptual diagram illustrating the interlocking relationship between supervised learning and unsupervised learning for fraudulent / insolvent loans used in the loan regular audit support method using artificial intelligence according to an embodiment of the present invention.

이하에서는 본 발명의 일 실시예에 따른 상시형 감사 장치를 첨부된 도면을 참조하여 상세하게 설명한다. 이 과정에서, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, an always-on inspection device according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings. In this process, the terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of the user or operator. Therefore, definitions of these terms should be made based on the content throughout this specification.

도 1은 본 발명의 일시스템에 따른 인공지능을 이용한 상시감사지원시스템의 전체 구성도를 나타내며, 도 2는 도 1의 감사정보시스템의 내부 구성을 설명하는 블록도이고, 도 3은 도 1의 감사정보시스템이 감사단말에 제공하는 화면예시도이며, 도 4는 도 1의 본 발명의 일 실시예에 따른 인공지능감사 분석시스템의 내부 구성을 설명하는 블록도이다.1 shows the overall configuration of a regular audit support system using artificial intelligence according to a system of the present invention, FIG. 2 is a block diagram illustrating the internal configuration of the audit information system of FIG. 1, and FIG. It is an exemplary screen view provided by the audit information system to the audit terminal, and FIG. 4 is an artificial intelligence audit according to an embodiment of the present invention shown in FIG. It is a block diagram explaining the internal configuration of the analysis system.

도 1 내지 도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원시스템(1)은, 사용자가 소정의 서류를 제출하여 대출 신청을 한 경우 신용등급 및 대출가능금액 등을 조사하여 대출거래를 시행하는 대출시스템(100)과, 상기 대출시스템(100)이 수행하는 대출거래에 대해서 주기적인 감사 외에 유무선 인터넷(200)을 매개로 사기 또는 부실 거래 위험률과 그 근거항목을 고려하여 상시감사를 실시하며, 고위험군에 대하여 효율적인 영업감사를 수행할 수 있도록 지원하는 감사정보시스템(300)과, 상기 대출시스템(100)의 제 1 데이터베이스(101)로부터 유무선 인터넷(200)을 거쳐 데이터를 수집, 학습을 위한 전처리를 수행하며, 데이터를 분석 및 학습, 모델링하여 감사단말(10)의 도움을 받아 이상거래 예측 모델을 생성, 저장하고, 이상거래 예측모델을 이용하여 상기 대출시스템(100)의 대출거래 데이터(101)에 대해 이상거래인지 여부를 예측하여 상기 감사정보시스템(300)에 제공하여 상기 감사단말(10)이 상기 감사정보시스템(300)의 사기/부실 대출탐지 모니터링을 이용하여 대출에 대하여 상시 감사를 효율적으로 수행할 수 있게 해주는 인공지능감사분석시스템(500)을 포함한다.1 to 4, the loan regular audit support system 1 using artificial intelligence according to an embodiment of the present invention provides a credit rating and a loan when a user submits a loan application by submitting predetermined documents. The loan system 100 that conducts a loan transaction by examining the possible amount, etc., in addition to a periodic audit of the loan transaction performed by the loan system 100, the risk of fraud or insolvency transaction through the wired/wireless Internet 200 and its An audit information system 300 that conducts regular audits in consideration of evidence items and supports efficient business audits for high-risk groups, and a wired/wireless Internet 200 from the first database 101 of the loan system 100 ), collects data, performs pre-processing for learning, analyzes, learns, and models data to create and store an abnormal transaction prediction model with the help of the audit terminal 10, and use the abnormal transaction prediction model to Predicting whether the loan transaction data 101 of the loan system 100 is an abnormal transaction is provided to the audit information system 300 so that the audit terminal 10 is a fraudulent/non-performing loan of the audit information system 300 . It includes an artificial intelligence audit and analysis system 500 that enables to efficiently perform regular audits on loans using detection and monitoring.

상기 인공지능감사분석시스템(500)의 제 2 데이터베이스(501)는 하둡 파일 시스템(hadoop file system)으로 원천데이터와, 상기 제 1 데이터베이스(101)로부터 인공지능감사분석작업을 위해서 변경된(staging) 데이터를 저장하는 학습용 데이터저장부(501a)와, 상기 학습용 데이터를 이용하여 머닝러닝학습을 하기 위한 예측모델 저장부(501b)와, 예측모델을 이용하여 사기대출여부 등 예측결과를 저장하는 예측결과 저장부(501c)를 더 포함할 수 있다.The second database 501 of the AI audit and analysis system 500 is a Hadoop file system, and source data, and the first database 101, changed (staging) data for the AI audit analysis operation A learning data storage unit 501a for storing a, a prediction model storage unit 501b for performing machine learning learning using the training data, and a prediction result storage for storing prediction results such as fraudulent loan using the prediction model It may further include a part 501c.

상기 감사정보시스템(300)은 상기 대출시스템(100)을 통한 대출거래에 대하여 상기 인공지능 감사분석시스템(500)의 사기/부실 예측 모델 결과값이 높게 나온 경우에 상시 감사를 수행하여 사기 및 부정대출을 예방하기 위한 상시감사모듈(310)과 사기대출에 의한 업무 손실의 현황 파악 및 관리를 위한 조직에 대한 정기적인 영업 감사모듈(330)을 포함한다. The audit information system 300 conducts a regular audit when the fraud/insolvency prediction model of the artificial intelligence audit and analysis system 500 for a loan transaction through the loan system 100 is high It includes a regular audit module 310 for preventing loans and a regular sales audit module 330 for the organization for identifying and managing the current state of business loss due to fraudulent loans.

상기 상시감사모듈(310)은 상기 대출시스템(100)을 통한 대출거래에 대하여 사기 확률를 표시하는 사기확률 표시부(311)와, 상기 대출시스템(100)을 통한 대출거래에 대하여 부실확률을 표시하는 부실확률 표시부(313)와, 상기 사기확률 표시부(311) 또는 상기 부실확률 표시부(313)를 통해 표시하는 사기확률 또는 부실확률에 대하여 상기 대출거래의 확률에 대한 근거를 제시하는 근거제시부(315)를 더 포함할 수 있다.The regular audit module 310 includes a fraud probability display unit 311 for displaying a probability of fraud for a loan transaction through the loan system 100, and a failure rate for displaying a probability of insolvency for a loan transaction through the loan system 100 A probability display unit 313, and a basis presentation unit 315 for presenting the basis for the probability of the loan transaction with respect to the probability of fraud or the probability of insolvency displayed through the probability display unit 311 or the probability display unit 313. may include more.

상기 근거제시부(315)는 일반적으로 데이터기반의 머신러닝 모델의 경우에 높은 정밀도와 연속적인 위험도 추정으로 정교한 위험도를 제공하지만 결과에 대한 명확한 설명이 어려운 문제점을 해결하기 위하여, 상기 감사단말(10) 또는 상기 인공지능감사분석시스템(500)의 지원을 받아 우선적으로 검토할 비즈니스 룰 또는 모델 및 근거를 제시함으로써 사기 고위험 분류 여신 계좌에 대한 선별 및 집중 점검으로 상기 감사단말(10)의 점검 업무의 효율성을 증대시킬 수 있으며, 상기 감시단말(10)이 고려할 수 있는 종래의 비지니스 룰 또는 모델 이외의 새로운 비지니스룰 또는 모델을 제시하여 점검 범위를 확대할 수 있다.The evidence presentation unit 315 generally provides a sophisticated risk level with high precision and continuous risk estimation in the case of a data-based machine learning model, but in order to solve the problem that a clear explanation of the result is difficult, the audit terminal 10 Or by presenting business rules or models and grounds to be reviewed preferentially with the support of the artificial intelligence audit and analysis system 500, screening and intensive inspection of high-risk classified credit accounts for the efficiency of inspection of the audit terminal 10 can be increased, and the inspection range can be expanded by presenting a new business rule or model other than the conventional business rule or model that the monitoring terminal 10 can consider.

상기 상시감사모듈(310)과 상기 영업감사모듈(330)은 상호 연동되어 고위험군에 대해서 뿐만 아니라 전체 대출거래에 대하여 통계분석과 머신러닝을 진행하여 상시 모니터링의 고도화를 통한 리스크 관리 체계 구축이 가능하다.The regular audit module 310 and the business audit module 330 are interlocked to perform statistical analysis and machine learning not only for the high-risk group but also for the entire loan transaction, and it is possible to build a risk management system through the advancement of regular monitoring. .

상기 인공지능감사분석시스템(500)은 이상거래탐지서버(510)와, 모델/비지니스룰개발서버(530)와, 자동학습서버(550)와, AI 예측서버(560)와, 연동서버(570)를 포함한다.The artificial intelligence audit and analysis system 500 includes an abnormal transaction detection server 510, a model/business rule development server 530, an automatic learning server 550, an AI prediction server 560, and an interworking server 570 ) is included.

상기 이상거래탐지서버(510)는 대출거래에 대해 이상거래를 정의하고 태깅 등 관리 체계를 수립하는 이상거래 관리부(511)와, 상기 이상거래 관리부(511)에 의해 정의된 이상거래 데이터를 분류 수집하는 이상거래 데이터 수집부(513)와, 이상거래 데이터가 전체 대출거래 데이터 대비 1% 이내로 매우 적은 데이터여서 머신러닝모델로 이용하는 경우에 정확도가 떨어지는 문제가 발생하므로, 이상거래 데이터 중 노이즈를 제거하며, 학습데이터로 가공하기 전에 처리하는 데이터 전처리부(515)와, 이후 자세히 설명하는 모델/비지니스룰 개발서버(530) 또는 자동 학습 서버(550)에서 이용할 수 있는 학습데이터로 처리하기 위한 학습데이터 가공부(517)를 포함한다.The abnormal transaction detection server 510 classifies and collects the abnormal transaction data defined by the abnormal transaction management unit 511 that defines the abnormal transaction for the loan transaction and establishes a management system such as tagging, and the abnormal transaction management unit 511 Since the abnormal transaction data collection unit 513 and the abnormal transaction data are very small data of less than 1% of the total loan transaction data, there is a problem that the accuracy is lowered when used as a machine learning model. , Data pre-processing unit 515 that processes before processing into learning data, and learning data processing for processing into learning data that can be used in the model / business rule development server 530 or automatic learning server 550 to be described in detail later part 517 .

상기 학습데이터 가공부(517)는 이상거래 데이터를 식별하고, 머신러닝 솔루션을 위한 타켓 데이터로 정의한다.The learning data processing unit 517 identifies abnormal transaction data and defines it as target data for a machine learning solution.

상기 모델/비지니스룰 개발서버(530)는 이상거래 예측 정교화를 위한 머신러닝 예측모형을 개발하고, 부실대출거래 또는 사기거래 대출을 방지할 수 있는 비지스니룰을 최적화하거나 신규개발하는 것을 특징으로 한다.The model/business rule development server 530 develops a machine learning prediction model for elaborating prediction of abnormal transactions, and optimizes or newly develops business rules that can prevent bad loan transactions or fraudulent loan transactions.

상기 모델/비지니스룰 개발서버(530)는 머신러닝 기반의 이상거래 탐지모델을 개발하는 이상거래 탐지모델개발부(531)와, 제공되는 업무요건을 분석하여 부실대출거래 또는 사기거래 대출을 방지할 수 있는 비지스니룰을 최적화하거나 신규개발하는 비지니스룰 개발부(533)와, 상기 감사정보시스템(300)의 상시감사모듈(310)에서 점검할 상시감사점검항목을 개발하는 상시감사점검항목 개발부(535)와, 기존 규칙에서 발견되지 않은 새로운 유형의 사기패턴을 탐지하고 새로운 이상거래 유형을 지속적으로 자기 개발하여 자동학습서버(550)를 통해서 예측모델을 생성하고, 사기 또는 부실 대출에 대한 예측정보를 제공하도록 하기 위한 New 사기패턴 탐지부(537)를 더 포함한다.The model/business rule development server 530 can prevent bad loan transactions or fraudulent transaction loans by analyzing the business requirements provided with the abnormal transaction detection model development unit 531 that develops a machine learning-based abnormal transaction detection model. A business rule development unit 533 that optimizes or newly develops existing business rules, and a regular audit check item development unit 535 that develops regular audit check items to be checked by the regular audit module 310 of the audit information system 300 and , to detect a new type of fraud pattern not found in the existing rules and continuously self-develop new abnormal transaction types to create a predictive model through the automatic learning server 550, and to provide predictive information on fraud or bad loans It further includes a New fraud pattern detection unit 537 for doing so.

상기 상시감사점검항목 개발부(535)는 가계대출인 경우 허위/사기 확률이 높은 신청 건의 탐지를 위해 룰 적용 및 머신러닝학습(지도학습)하여 결과값 등을 상기 감사단말(10)에 제공하여 상시감사할 수 있도록 할 수 있다.The regular audit and inspection item development unit 535 applies rules and machine learning (supervised learning) to detect applications with a high probability of false/fraud in the case of household loans, and provides the result values to the audit terminal 10 at all times. You can make it thank you.

상기 상시감사점검항목 개발부(535)는 기업여신인 경우, 신규 신용평가 대상 기업의 재무/비재무 정보를 머신러닝 학습(비지도학습) 통한 룰을 적용하여 사기/고위험 군에 대한 예측 정보를 상기 감사단말(10)에 제공하여 상시감사할 수 있도록 할 수 있다.The regular audit and inspection item development unit 535 applies a rule through machine learning (unsupervised learning) to the financial/non-financial information of the new credit evaluation target company in the case of a corporate loan and audits the predictive information for the fraud/high risk group It can be provided to the terminal 10 so that it can be audited at all times.

이와 같이 가계대출과 기업여신에 대하여 머신러닝 학습을 차별화하여 상기 감사단말(10)의 업무부하를 줄일 수 있다.In this way, it is possible to reduce the workload of the audit terminal 10 by differentiating the machine learning learning for the household loan and the corporate loan.

상기 자동 학습 서버(550)는 머신러닝 알고리즘을 이용하여 상기 학습데이터 가공부(517)에서 가공된 학습데이터를 이용하여 상기 이상거래 탐지모델개발부(531)에서 개발된 이상거래 모델을 이용하여 지도학습을 진행하여 사기가능성을 확률적으로 판단하는 지도학습부(551)와, 사기대출건수가 불충분하여 노이즈가 발생할 수 있으므로 이상거래데이터의 특성을 고려하여 상기 모델/비지니스룰 개발서버(530)에서 개발된 이상거래탐지모델 또는 비즈니스룰 또는 상시 점검항목이나 새로운 사기패턴을 적용하여 자동으로 비지도학습을 수행하는 비지도학습부(553)와, 상기 사기/부실 대출 모델에 대하여 비교분석하여 정확도가 높은 모델을 적용하는 모델비교분석부(555)와, 상기 대출거래에 대하여 적용할 예측모델을 상기 모델비교분석부(555)의 분석결과를 이용하여 최종선정하는 예측모델생성부(557)를 포함할 수 있다.The automatic learning server 550 is supervised learning using the abnormal transaction model developed by the abnormal transaction detection model development unit 531 using the training data processed by the training data processing unit 517 using a machine learning algorithm. Developed in the model/business rule development server 530 in consideration of the characteristics of the supervised learning unit 551 for probabilistically determining the possibility of fraud by performing An unsupervised learning unit 553 that automatically performs unsupervised learning by applying an abnormal transaction detection model or business rule or regular check items or a new fraud pattern, and the fraud / bad loan model with high accuracy by comparative analysis A model comparison analysis unit 555 to apply a model, and a prediction model generation unit 557 to finally select a prediction model to be applied to the loan transaction by using the analysis result of the model comparison analysis unit 555. can

상기 AI 예측서버(560)는 상기 예측모델생성부(557)에서 생성한 예측모델을 이용하여 상기 지도학습부(551)와 상기 비지도학습부(553)를 이용하여 머신러닝 학습에 의하여 사기 또는 부실 대출거래의 확률을 예측하는 AI 예측부(561)와, 상기 AI 예측부(561)에서 예측된 정보를 예측정보 DB(567)에 저장하는 예측정보저장부(563)와, 상기 AI 예측서버(560)와 상기 감사정보시스템(300)을 연결하기 위한 인터페이스부(565)를 포함할 수 있다.The AI prediction server 560 uses the prediction model generated by the prediction model generation unit 557 to detect fraud or fraud by machine learning using the supervised learning unit 551 and the unsupervised learning unit 553. An AI prediction unit 561 that predicts the probability of a bad loan transaction, a prediction information storage unit 563 that stores the information predicted by the AI prediction unit 561 in the prediction information DB 567, and the AI prediction server An interface unit 565 for connecting the 560 and the audit information system 300 may be included.

상기 연동서버(570)는 상기 인터넷망(200)을 통해서 상기 대출시스템(100), 감사단말(10), 감사정보시스템(300)과 송수신할 수 있도록 연결하기 위한 송수신 인터페이스(571)와, 상기 감사정보시스템(300)의 상시감사모듈(310)과 영업감사모듈(330)에서 상기 감사단말(10)의 니즈에 따라 제공할 정보를 예를들어 사기 또는 부실 확률을 % 또는 막대그래프로 표시하거나 근거항목을 순위로 제공하거나 강조표시하는 등 감사 정보를 커스터마이징할 수 있는 커스터마이징부(573)를 포함할 수 있다.The interworking server 570 includes a transmission/reception interface 571 for connecting so as to transmit/receive with the loan system 100, the audit terminal 10, and the audit information system 300 through the Internet network 200; In the regular audit module 310 and the sales audit module 330 of the audit information system 300, the information to be provided according to the needs of the audit terminal 10, for example, the probability of fraud or insolvency, is displayed as a percentage or a bar graph, or It may include a customizing unit 573 capable of customizing audit information, such as providing or highlighting the basis items as a ranking.

이제 도 5를 참조하여 도 4의 인공지능감사분석시스템과 도 2의 감사정보시스템 사이의 인터페이스를 상세히 설명한다.Now, with reference to FIG. 5, the interface between the AI audit analysis system of FIG. 4 and the audit information system of FIG. 2 will be described in detail.

도 5는 도 4의 인공지능감사분석시스템과 도 2의 감사정보시스템 사이의 인터페이스 구성도를 나타낸다.5 shows an interface configuration diagram between the AI audit analysis system of FIG. 4 and the audit information system of FIG. 2 .

도 5에 도시된 바와 같이, 상기 자동학습서버(550)는 상기 대출시스템(100)의 제 1 데이터베이스(101)로부터 과거 대출거래 데이터를 일정 주기로 추출, 변환 적재하여 상기 하둡 시스템인 제 2 데이터베이스(501)에 저장할 수 있으며, 상기 학습데이터 가공부(517)에 의해서 가공된 학습데이터를 상기 지도학습부(551) 또는 비지도학습부(553)에서 학습을 진행하고 상기 모델비교분석부(555)에서 산출된 모델을 비교분석하여 예측모델저장영역(501b)에 저장하고 상기 지도학습부(551) 또는 비지도학습부(553)에서 연속하여 재학습하며, 상기 모델비교분석부(555)는 정확도 등 배포기준을 만족하지 못하면 데이터나 파라미터를 변경하여 재학습하고, 상기 예측모델생성부(557)에서 정확도 등 모델의 성능 기준을 만족한 모델을 최종적으로 예측모델로 선정하면, 상기 AI 예측서버(560)에서 상기 대출시스템(100)의 제 1 데이터베이스(101)로부터 유입된 일배치로 적재되는 대출거래 데이터에 대하여 추출, 변환, 적재하고 상기 AI 예측부(561)에서 상기 예측모델을 이용하여 예측하고자 하는 일배치로 적재되는 대출거래 데이터에 대하여 사기확률 또는 부실확률값을 예측하며, 예측결과를 예측결과저장영역(501c)에 저장하고 상기 인터페이스부(565)를 통하여 상기 감사정보시스템(300)의 상시감사모듈(310)를 통해 제공하여 상시 감사 모니터링함으로써 허위/사기대출 취급에 따른 은행 손실 예방 및 사고금액 대형화에 대비할 수 있다.As shown in FIG. 5, the automatic learning server 550 extracts, transforms and loads past loan transaction data from the first database 101 of the loan system 100 at a predetermined period, and loads the second database ( 501), the learning data processed by the learning data processing unit 517 is learned by the supervised learning unit 551 or the unsupervised learning unit 553, and the model comparison and analysis unit 555 The model calculated by comparison is analyzed and stored in the predictive model storage area 501b, and the supervised learning unit 551 or the unsupervised learning unit 553 is continuously re-learned, and the model comparison and analysis unit 555 is accurate If it does not satisfy the distribution criteria, such as, change data or parameters and re-learning, and when the model that satisfies the performance criteria of the model, such as accuracy, is finally selected as the prediction model in the prediction model generation unit 557, the AI prediction server ( In 560), the loan transaction data loaded in a batch imported from the first database 101 of the loan system 100 is extracted, converted, and loaded, and the AI prediction unit 561 predicts using the prediction model. Predict the probability of fraud or the probability of insolvency with respect to the loan transaction data loaded in the desired batch, and store the prediction result in the prediction result storage area 501c and through the interface unit 565 of the audit information system 300 It is provided through the regular audit module 310 and regular audit and monitoring to prevent bank losses due to handling of false/fraudulent loans and to prepare for an increase in the amount of accidents.

따라서, 대내외 환경변화에 따른 신종 사기(기획 대출) 대출 대응으로 은행의 손실예방 및 평판 리스크 관리가 가능하며, 사기 고위험 분류 여신 계좌에 대한 선별 및 집중 점검으로 상기 감사단말(10)의 점검 업무의 효율성 증대로 점검 범위 확대할 수 있다.Therefore, it is possible to prevent loss of banks and manage reputational risks by responding to new types of fraudulent (planned loans) loans according to internal and external environmental changes, and by screening and intensive inspection of credit accounts classified as high risk of fraud, the inspection of the audit terminal 10 is By increasing efficiency, the scope of inspection can be expanded.

이제 도 6 및 도 7을 참조하여 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법에 대하여 상세히 설명한다.Now, a loan regular audit support method using artificial intelligence according to an embodiment of the present invention will be described in detail with reference to FIGS. 6 and 7 .

도 6은 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법의 플로우챠트이며, 도 7은 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법에 사용된 사기/부실 대출에 대한 지도학습과 비지도학습의 연동관계를 설명하는 개념도이다. 6 is a flowchart of a regular loan audit support method using artificial intelligence according to an embodiment of the present invention, and FIG. 7 is a fraudulent / used in the regular loan audit support method using artificial intelligence according to an embodiment of the present invention. This is a conceptual diagram explaining the interlocking relationship between supervised learning and unsupervised learning for bad loans.

먼저 도 6 및 도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원방법에 있어서, 상기 인공지능감사분석시스템(500)은 이상거래탐지서버(510)의 이상거래 관리부(511)에서 대출거래의 비즈니스 요구사항을 정리하고, 인공지능감사분석할 이상거래를 선정하여 요건을 정의한다(S10)First, as shown in Figures 6 and 7, in the loan regular audit support method using artificial intelligence according to an embodiment of the present invention, the AI audit analysis system 500 is the abnormal transaction detection server (510) The abnormal transaction management unit 511 organizes the business requirements of the loan transaction, selects the abnormal transaction to be analyzed by artificial intelligence audit, and defines the requirements (S10)

상기 이상거래 관리부(511)는 이상거래 예측 타켓을 정의하고, 분석대상, 관찰기간, 모델 세그먼트 정의, 분석방법을 선정할 수 있다.The abnormal transaction management unit 511 may define an abnormal transaction prediction target, and select an analysis target, an observation period, a model segment definition, and an analysis method.

상기 이상거래 관리부(511)에 의해 정의된 이상거래 데이터를 상기 이상거래 데이터 수집부(513)에서 분류 수집하면, 상기 데이터 전처리부(515)에서 이상거래 데이터 중 노이즈 제거를 하고 속도나 정확도를 높이기 위한 데이터 전처리를 수행하고, 상기 학습테이터 가공부(517)에서 상기 모델/비지니스룰 개발서버(530) 또는 자동 학습 서버(550)에서 이용할 수 있는 학습데이터로 처리하여 준비한다(S20).When the abnormal transaction data defined by the abnormal transaction management unit 511 is classified and collected by the abnormal transaction data collection unit 513, the data pre-processing unit 515 removes noise from the abnormal transaction data and increases speed or accuracy data preprocessing is performed, and the learning data processing unit 517 processes and prepares the learning data available in the model/business rule development server 530 or the automatic learning server 550 (S20).

상기 학습데이터 가공부(517)는 단기내 부도 데이터, 과거 사기(사고)관련 여신 데이터, 허위대출 의심 등록 차주 데이터 등을 분석 데이터 범위로 하여 데이터를 탐색 분석하여(S30) 학습데이터로 가공할 수 있다.The learning data processing unit 517 can search and analyze data using short-term default data, past fraud (accident) related credit data, and data of borrowers suspected of fraudulent loans as the scope of analysis data (S30) to process them into learning data. have.

상기 학습데이터 가공부(517)는 상기 모델/비지니스룰 개발서버(530)에 의해 개발 또는 최적화된 머신러닝 예측모형, 부실대출거래 또는 사기거래 대출을 방지할 수 있는 비지스니룰을 이용하여 학습데이터를 탐색분석할 수 있으며, 기존 규칙에서 발견되지 않은 새로운 유형의 사기패턴을 탐지하고 새로운 이상거래 유형을 자동학습서버(550)를 통해서 생성된 예측모델과, New 사기패턴 탐지부(537)에서 제공하는 새로운 유형의 사기패턴을 이용할 수도 있으며, 모델비교분석부(555)에 의해서 비교분석하여 정확도가 높은 모델을 적용하여 학습데이터를 가공할 수 있다(S35).The learning data processing unit 517 uses a machine learning prediction model developed or optimized by the model/business rule development server 530, a bad loan transaction, or a business rule capable of preventing fraudulent loan transactions, learning data It can be searched and analyzed, detects a new type of fraud pattern not found in the existing rules, and provides a new abnormal transaction type with the predictive model generated through the automatic learning server 550 and the New fraud pattern detection unit 537 A new type of fraud pattern may be used, and the training data may be processed by applying a high-accuracy model by comparative analysis by the model comparison and analysis unit 555 (S35).

상기 자동 학습 서버(550)는 상기 지도학습부(551)를 통해서 머신러닝 알고리즘을 이용하여 상기 학습데이터 가공부(517)에서 가공된 학습데이터와, 상기 이상거래 탐지모델개발부(531)에서 개발된 이상거래 모델을 이용하여 지도학습을 진행하여 사기가능성을 확률적으로 판단할 수 있으며, 상기 비지도학습부(553)를 이용하여 상기 모델/비지니스룰 개발서버(530)에서 개발된 이상거래탐지모델 또는 비즈니스룰 또는 상시 점검항목이나 새로운 사기패턴을 적용하여 자동으로 비지도학습을 수행할 수 있다(S50).The automatic learning server 550 is the learning data processed in the learning data processing unit 517 using a machine learning algorithm through the supervised learning unit 551, and the abnormal transaction detection model development unit 531. It is possible to probabilistically determine the possibility of fraud by conducting supervised learning using the abnormal transaction model, and the abnormal transaction detection model developed in the model/business rule development server 530 using the unsupervised learning unit 553 . Alternatively, unsupervised learning may be automatically performed by applying business rules or regular check items or new fraud patterns (S50).

상기 데이터 학습/모델링 단계(S40)는 상기 예측모델생성부(557)를 이용하여 상기 대출거래에 대하여 적용할 예측모델을 상기 모델비교분석부(555)의 분석결과를 이용하여 최종선정하는 모델/비지니스룰 개발/비교분석단계(S35)를 반복할 수 있다. In the data learning/modeling step (S40), the prediction model to be applied to the loan transaction using the prediction model generation unit 557 is finally selected using the analysis result of the model comparison analysis unit 555. The business rule development/comparative analysis step (S35) may be repeated.

상기 AI 예측서버(560)는 상기 예측모델생성부(557)에서 생성한 예측모델을 이용하여 상기 지도학습부(551)와 상기 비지도학습부(553)를 이용하여 머신러닝 학습에 의하여 사기 또는 부실 대출거래의 확률을 예측할 수 있다(S50)The AI prediction server 560 uses the prediction model generated by the prediction model generation unit 557 to detect fraud or fraud by machine learning using the supervised learning unit 551 and the unsupervised learning unit 553. It is possible to predict the probability of a bad loan transaction (S50)

상기 AI 예측서버(560)와 상기 감사정보시스템(300)을 인터페이스부(565)가 연결하여 상기 감사정보시스템(300)의 상시감사모듈(310)에서 사기 또는 부실 확률을 % 또는 막대그래프로 표시하며, 근거항목을 순위로 제공하여 이와 연동하는 상기 감사단말(10)이 감사 모니터링함으로써 허위/사기대출 취급에 따른 은행 손실 예방 및 사고금액 대형화에 대비할 수 있다.An interface unit 565 connects the AI prediction server 560 and the audit information system 300 to display the probability of fraud or insolvency in the regular audit module 310 of the audit information system 300 as a percentage or a bar graph. In addition, by providing the basis items as a ranking and monitoring the audit terminal 10 linked thereto, it is possible to prevent bank losses due to the handling of false/fraudulent loans and to prepare for an increase in the amount of accidents.

100 : 대출시스템 200 : 인터넷
300 : 감사정보시스템 500 : 인공지능 감사분석시스템
501a : 학습용데이터저장영역 501b : 예측모델저장영역
501c: 예측결과저장영역100: loan system 200: Internet
300: audit information system 500: artificial intelligence audit analysis system
501a: learning data storage area 501b: prediction model storage area
501c: Prediction result storage area

Claims (8)

사용자가 소정의 서류를 제출하여 대출 신청을 한 경우 신용등급 및 대출가능금액 등을 조사하여 대출거래를 시행하는 대출시스템과, 상기 대출시스템이 수행하는 대출거래에 대해서 주기적인 감사 외에 유무선 인터넷을 매개로 사기 또는 부실 거래 위험률과 그 근거항목을 고려하여 상시감사를 실시하며, 고위험군에 대하여 효율적인 영업감사를 수행할 수 있도록 지원하는 감사정보시스템과, 상기 대출시스템의 제 1 데이터베이스로부터 유무선 인터넷을 거쳐 데이터를 수집, 학습을 위한 전처리를 수행하며, 데이터를 분석 및 학습, 모델링하여 감사단말의 도움을 받아 이상거래 예측 모델을 생성, 저장하고, 이상거래 예측모델을 이용하여 상기 대출시스템의 대출거래 데이터에 대해 이상거래인지 여부를 예측하여 상기 감사정보시스템에 제공하여 상기 감사단말이 상기 감사정보시스템의 사기/부실 대출탐지 모니터링을 이용하여 대출에 대하여 상시 감사를 효율적으로 수행할 수 있게 해주는 인공지능감사분석시스템을 포함하는 본 발명의 일 실시예에 따른 인공지능을 이용한 대출 상시감사지원시스템은, 사용자가 소정의 서류를 제출하여 대출 신청을 한 경우 신용등급 및 대출가능금액 등을 조사하여 대출거래를 시행하는 대출시스템과, 상기 대출시스템이 수행하는 대출거래에 대해서 주기적인 감사 외에 유무선 인터넷을 매개로 사기 또는 부실 거래 위험률과 그 근거항목을 고려하여 상시감사를 실시하며, 고위험군에 대하여 효율적인 영업감사를 수행할 수 있도록 지원하는 감사정보시스템과, 상기 대출시스템의 제 1 데이터베이스로부터 유무선 인터넷을 거쳐 데이터를 수집, 학습을 위한 전처리를 수행하며, 데이터를 분석 및 학습, 모델링하여 감사단말의 도움을 받아 이상거래 예측 모델을 생성, 저장하고, 이상거래 예측모델을 이용하여 상기 대출시스템의 대출거래 데이터에 대해 이상거래인지 여부를 예측하여 상기 감사정보시스템에 제공하여 상기 감사단말이 상기 감사정보시스템의 사기/부실 대출탐지 모니터링을 이용하여 대출에 대하여 상시 감사를 효율적으로 수행할 수 있게 해주는 인공지능감사분석시스템을 포함하는 인공지능을 이용한 대출 상시감사지원시스템.A loan system that conducts loan transactions by examining credit rating and loanable amount when a user submits a loan application by submitting prescribed documents In addition, an audit information system that supports efficient business audits for high-risk groups by conducting regular audits in consideration of the risk of fraud or insolvent transaction and the relevant items, and data from the first database of the loan system through wired and wireless Internet collects, performs pre-processing for learning, analyzes, learns, and models data to create and store an abnormal transaction prediction model with the help of an audit terminal; Artificial intelligence audit analysis that predicts whether the transaction is an abnormal transaction and provides it to the audit information system so that the audit terminal can efficiently perform regular audits on loans using the fraud/non-performing loan detection and monitoring of the audit information system Loan regular audit support system using artificial intelligence according to an embodiment of the present invention including the system, when a user submits a prescribed document to apply for a loan, conducts a loan transaction by examining the credit rating and loanable amount In addition to periodic audits for the loan system and loan transactions performed by the loan system, regular audits are conducted in consideration of the risk of fraud or insolvency transactions through wired and wireless internet and the items based on the basis, and efficient business audits are performed for high-risk groups. An audit information system that supports By generating and storing a predictive model, predicting whether the loan transaction data of the loan system is an abnormal transaction using the abnormal transaction prediction model, and providing it to the audit information system, the audit terminal detects fraud / insolvency of the audit information system By using loan detection monitoring, it is possible to efficiently perform regular audits on loans. Loan regular audit support system using artificial intelligence, including an artificial intelligence audit analysis system that allows 제 1 항에 있어서,
상기 인공지능감사분석시스템은 하둡 파일 시스템(hadoop file system)으로 상기 제 1 데이터베이스로부터 인공지능감사분석작업을 위해서 변경된 데이터를 저장하는 학습용 데이터저장부와, 상기 학습용 데이터를 이용하여 머닝러닝학습을 하기 위한 예측모델 저장부와, 예측모델을 이용하여 사기대출여부 등 예측결과를 저장하는 예측결과 저장부를 더 포함하는 제 2 데이터베이스를 포함하는 인공지능을 이용한 대출 상시감사지원시스템.The method of claim 1,
The artificial intelligence audit analysis system is a Hadoop file system (hadoop file system) and a learning data storage unit for storing changed data for an artificial intelligence audit analysis operation from the first database, and learning learning using the learning data Loan regular audit support system using artificial intelligence comprising a second database further comprising a predictive model storage unit for a prediction model storage unit, and a prediction result storage unit for storing prediction results such as fraudulent loan using the prediction model. 제 1 항에 있어서,
상기 감사정보시스템은 상기 대출시스템을 통한 대출거래에 대하여 상기 인공지능 감사분석시스템의 사기/부실 예측 모델 결과값이 높게 나온 경우에 상시 감사를 수행하여 사기 및 부정대출을 예방하기 위한 상시감사모듈과 사기대출에 의한 업무 손실의 현황 파악 및 관리를 위한 조직에 대한 정기적인 영업 감사모듈을 포함하는 인공지능을 이용한 대출 상시감사지원시스템.The method of claim 1,
The audit information system includes a regular audit module for preventing fraud and fraudulent loans by performing regular audits when the result of the fraud/insolvency prediction model of the artificial intelligence audit and analysis system is high with respect to the loan transaction through the loan system; Loan regular audit support system using artificial intelligence that includes a regular sales audit module for the organization for identifying and managing the status of business loss due to fraudulent loans. 제 3 항에 있어서,
상기 상시감사모듈은 상기 대출시스템을 통한 대출거래에 대하여 사기 확률를 표시하는 사기확률 표시부와, 상기 대출시스템을 통한 대출거래에 대하여 부실확률을 표시하는 부실확률 표시부와, 상기 사기확률 표시부 또는 상기 부실확률 표시부를 통해 표시하는 사기확률 또는 부실확률에 대하여 상기 대출거래의 확률에 대한 근거를 제시하는 근거제시부를 더 포함하는 인공지능을 이용한 대출 상시감사지원시스템.4. The method of claim 3,
The regular audit module includes a fraud probability display unit that displays a probability of fraud for a loan transaction through the loan system, a failure probability display unit that displays a probability of insolvency with respect to a loan transaction through the loan system, the fraud probability display unit or the probability of insolvency Loan regular audit support system using artificial intelligence further comprising a rationale presentation unit for presenting a basis for the probability of the loan transaction with respect to the probability of fraud or insolvency displayed through the display unit. 제 3 항에 있어서
상기 인공지능감사분석시스템은 이상거래를 정의하고, 이상거래 데이터 수집 및 전처리하며, 사고사례 데이터 식별 및 머신러닝 솔루션 타겟 데이터를 정의하고, 이상거래 데이터를 탐지 분석하는 이상거래탐지서버와, 머신러닝 기반의 이상거래 탐지모델을 개발하고 대출거래 요건을 분석하여 비즈니스룰을 개발하는 모델/비지니스룰개발서버와, 머신러닝학습을 통하여 이상거래 정의, 탐지, 분석, 새로운 룰 모델 개발 학습을 자동하는 하는 자동학습서버와, 상기 자동학습서버에서 개발된 머신러닝 모델과 학습데이터를 이용하여 이상거래를 인공지능으로 예측하는 AI 예측서버와, 상기 AI 예측서버와 상기 감사정보제공시스템을 연동시키는 연동서버를 포함하는 인공지능을 이용한 대출 상시감사지원시스템.4. The method of claim 3
The artificial intelligence audit and analysis system defines abnormal transaction data, collects and pre-processes abnormal transaction data, identifies accident case data and defines target data for machine learning solution, and an abnormal transaction detection server that detects and analyzes abnormal transaction data, and machine learning A model/business rule development server that develops an abnormal transaction detection model based on loan transaction requirements and analyzes loan transaction requirements, and a model/business rule development server that automates abnormal transaction definition, detection, analysis, and new rule model development and learning through machine learning learning. An automatic learning server, an AI prediction server that predicts abnormal transactions with artificial intelligence using the machine learning model and learning data developed in the automatic learning server, and an interlocking server that links the AI prediction server and the audit information providing system Loan regular audit support system using artificial intelligence including 제 5 항에 있어서
상기 모델/비지니스룰 개발서버는 머신러닝 기반의 이상거래 탐지모델을 개발하는 이상거래 탐지모델개발부와, 제공되는 업무요건을 분석하여 부실대출거래 또는 사기거래 대출을 방지할 수 있는 비지스니룰을 최적화하거나 신규개발하는 비지니스룰 개발부와, 상기 감사정보시스템의 상시감사모듈에서 점검할 상시감사점검항목을 개발하는 상시감사점검항목 개발부와, 기존 규칙에서 발견되지 않은 새로운 유형의 사기패턴을 탐지하고 새로운 이상거래 유형을 지속적으로 자기 개발하여 상기 자동학습서버를 통해서 예측모델을 생성하고, 사기 또는 부실 대출에 대한 예측정보를 제공하도록 하기 위한 New 사기패턴 탐지부를 더 포함하는 인공지능을 이용한 대출 상시감사지원시스템.6. The method of claim 5
The model/business rule development server includes an abnormal transaction detection model development unit that develops a machine learning-based abnormal transaction detection model, and optimizes business rules that can prevent bad loan transactions or fraudulent transaction loans by analyzing the business requirements provided, or A new business rule development section, a regular audit check item development section that develops regular audit check items to be checked in the regular audit module of the audit information system, and a new type of fraudulent pattern not found in the existing rules are detected and new abnormal transactions Loan regular audit support system using artificial intelligence, further comprising a New fraud pattern detection unit for continuously developing a type, creating a predictive model through the automatic learning server, and providing predictive information on fraud or bad loans. 제 6 항에 있어서
상기 자동 학습 서버는 머신러닝 알고리즘을 이용하여 상기 학습데이터 가공부에서 가공된 학습데이터를 이용하여 상기 이상거래 탐지모델개발부에서 개발된 이상거래 모델을 이용하여 지도학습을 진행하여 사기가능성을 확률적으로 판단하는 지도학습부와, 상기 모델/비지니스룰 개발서버에서 개발된 이상거래탐지모델 또는 비즈니스룰 또는 상시 점검항목이나 새로운 사기패턴을 적용하여 자동으로 비지도학습을 수행하는 비지도학습부와, 상기 사기/부실 대출 모델에 대하여 비교분석하여 정확도가 높은 모델을 적용하는 모델비교분석부와, 상기 대출거래에 대하여 적용할 예측모델을 상기 모델비교분석부의 분석결과를 이용하여 최종선정하는 예측모델생성부를 포함하는 인공지능을 이용한 대출 상시감사지원시스템.7. The method of claim 6
The automatic learning server uses the learning data processed by the learning data processing unit using a machine learning algorithm to perform supervised learning using the abnormal transaction model developed by the abnormal transaction detection model development unit to probabilistically determine the possibility of fraud. An unsupervised learning unit for judging, an unsupervised learning unit for automatically performing unsupervised learning by applying an abnormal transaction detection model or business rule developed in the model/business rule development server, a regular check item, or a new fraud pattern; A model comparison and analysis unit that applies a high-accuracy model by comparative analysis of the fraudulent / insolvent loan model, and a predictive model generation unit that finally selects a prediction model to be applied to the loan transaction using the analysis result of the model comparison and analysis unit Loan regular audit support system using artificial intelligence including 제 7 항에 있어서
상기 AI 예측서버는 상기 예측모델생성부에서 생성한 예측모델을 이용하여 상기 지도학습부 또는 상기 비지도학습부를 이용하여 머신러닝 학습에 의하여 사기 또는 부실 대출거래의 확률을 예측하는 AI 예측부를 포함하는 인공지능을 이용한 대출 상시감사지원시스템.

8. The method of claim 7
The AI prediction server includes an AI prediction unit that predicts the probability of fraud or bad loan transaction by machine learning learning using the supervised learning unit or the unsupervised learning unit using the prediction model generated by the prediction model generation unit Loan regular audit support system using artificial intelligence.
KR1020200154718A 2020-11-18 2020-11-18 Loan regular auditing system using artificia intellicence KR102499181B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200154718A KR102499181B1 (en) 2020-11-18 2020-11-18 Loan regular auditing system using artificia intellicence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200154718A KR102499181B1 (en) 2020-11-18 2020-11-18 Loan regular auditing system using artificia intellicence

Publications (2)

Publication Number Publication Date
KR20220067924A true KR20220067924A (en) 2022-05-25
KR102499181B1 KR102499181B1 (en) 2023-02-10

Family

ID=81800362

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200154718A KR102499181B1 (en) 2020-11-18 2020-11-18 Loan regular auditing system using artificia intellicence

Country Status (1)

Country Link
KR (1) KR102499181B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102516534B1 (en) * 2022-06-03 2023-04-03 경상북도(경상북도교육감) Daily audit System and Method using artificial intelligence
KR102665161B1 (en) * 2023-11-03 2024-05-10 신용보증기금 Data-driven integrated audit information system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101153968B1 (en) * 2009-11-03 2012-06-08 김대환 System and method for preventing financial fraud
KR101999765B1 (en) * 2018-01-22 2019-07-12 주식회사 닥터퀀트 Method and system for analyzing pattern of banking phishing loan using data mining technology
KR102094377B1 (en) * 2019-04-12 2020-03-31 주식회사 이글루시큐리티 Model Selection System for Unsupervised Anomaly Detectors and Method Thereof
KR102103902B1 (en) * 2019-07-03 2020-04-23 (주)위세아이텍 Component-based machine learning automation device and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101153968B1 (en) * 2009-11-03 2012-06-08 김대환 System and method for preventing financial fraud
KR101999765B1 (en) * 2018-01-22 2019-07-12 주식회사 닥터퀀트 Method and system for analyzing pattern of banking phishing loan using data mining technology
KR102094377B1 (en) * 2019-04-12 2020-03-31 주식회사 이글루시큐리티 Model Selection System for Unsupervised Anomaly Detectors and Method Thereof
KR102103902B1 (en) * 2019-07-03 2020-04-23 (주)위세아이텍 Component-based machine learning automation device and method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102516534B1 (en) * 2022-06-03 2023-04-03 경상북도(경상북도교육감) Daily audit System and Method using artificial intelligence
KR102665161B1 (en) * 2023-11-03 2024-05-10 신용보증기금 Data-driven integrated audit information system

Also Published As

Publication number Publication date
KR102499181B1 (en) 2023-02-10

Similar Documents

Publication Publication Date Title
Ganesh et al. Future of artificial intelligence and its influence on supply chain risk management–A systematic review
Amani et al. Data mining applications in accounting: A review of the literature and organizing framework
No et al. Multidimensional audit data selection (MADS): A framework for using data analytics in the audit data selection process
Ogwueleka et al. Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank
Kuhn et al. Learning from WorldCom: Implications for fraud detection through continuous assurance
CN109191282A (en) Methods of marking and system are monitored in a kind of loan of Behavior-based control model
KR102009309B1 (en) Management automation system for financial products and management automation method using the same
Chu et al. Big data analytics for business intelligence in accounting and audit
CN112418738B (en) Staff operation risk prediction method based on logistic regression
KR102499181B1 (en) Loan regular auditing system using artificia intellicence
CN109102396A (en) A kind of user credit ranking method, computer equipment and readable medium
Tripathi et al. Machine learning models for evaluating the benefits of business intelligence systems
Wang et al. Multiview Graph Learning for Small‐and Medium‐Sized Enterprises’ Credit Risk Assessment in Supply Chain Finance
Milne et al. Predicting paper making defects on-line using data mining
Zhang et al. An explainable financial risk early warning model based on the DS-XGBoost model
KR102499182B1 (en) Loan regular auditing system using artificia intellicence
CN117333012A (en) Financial risk tracking management system, device and storage medium based on data mining
CN112686446A (en) Machine learning interpretability-oriented credit default prediction method and system
CN117132383A (en) Credit data processing method, device, equipment and readable storage medium
Xie et al. A big data technique for internet financial risk control
Härting et al. Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation
CN116911994A (en) External trade risk early warning system
Zaremba Does the industry matter? Airline bankruptcy prediction
Muzammil et al. Determinants for the Adoption of Regulatory Technology (RegTech) Services by the Companies in United Arab Emirates: An MCDM Approach.
Chen et al. Predicting a corporate financial crisis using letters to shareholders

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant