RAG와 LLM을 활용한 금융 심사 설명력 향상 방안

Strategies for Enhancing Explainability in Financial Underwriting Using RAG and LLM

최근 대규모 언어모델(LLM)의 발전으로 자연어 처리 기반 시스템의 활용 가능성이 크게 확장되고 있다. 특히 금융 도메인에서는 고객 맞춤형 피드백을 통한 설명 가능성과 신뢰성이 중요한 요소로 부상하고 있다. 그러나 기존의 규칙 기반 금융대출심사 시스템은 개인의 구체적 재무 상황과 맥락을 충분히 반영하지 못하고 정형화된 피드백만을 제공하여 고객의 행동 변화를 유도하는 데 한계가 있다. 본 연구는 이러한 문제점을 해결하기 위해 RAG(retrieval augmented generation)를 결합한 LLM 기반 금융대출심사 시스템을 제안한다. 제안된 시스템은 외부 금융 문서를 RAG로 검색한 뒤 검색된 컨텍스트가 LLM에 입력으로 들어가는 구조로 구현되었다. 이는 금융 문서 및 고객 데이터를 기반으로 실시간으로 외부 지식을 검색하여 전문적인 문서 기반의 구체적이고 실행 가능한 금융 개선 방안을 제공한다. 실제 고객 데이터를 활용한 실험 결과, 제안된 RAG 기반 시스템은 기존 시스템 대비 정보 검색 및 자연어 생성 성능 측면에서 의미 있는 성능 향상을 보였으며, 전문적인 금융 문서 참조를 통해 개인 맞춤형 금융 서비스의 신뢰성과 효율성을 높이는 데 기여할 수 있음을 보여준다.

Recent advances in large language models (LLMs) have significantly expanded the capabilities of natural language processing systems. In the financial domain, delivering explainable and reliable personalised feedback has become increasingly important. However, traditional rule-based loan screening systems fall short in reflecting an individual’s financial context and providing actionable guidance. To address these limitations, this study proposes an LLM based loan screening system enhanced with RAG (retrieval augmented generation). The system retrieves relevant financial documents via vector-based search and feeds the context into a generative model. By leveraging external knowledge in real time, the system offers document-grounded, personalised financial recommendations. Experiments using real customer data show that the proposed RAG-based system significantly outperforms existing methods in both information retrieval and language generation. These results demonstrate the system’s potential to enhance the reliability and effectiveness of personalised financial services through the integration of professional document references.