NoahAI Technical Whitepaper

목차

1. 1

   개요

   NoahAI의 핵심 목표는 "금융 판단의 주체를 AI로 옮기는 것"이며, 단기 수익률 경쟁이 아니라 운영 가능한 안전성에 초점을 둡니다. 본 백서는 이 목표를 달성하기 위한 기술적 설계와 원칙을 설명합니다.

2. 2

   기술 철학 (Design Principles)

   Safety First, Record → Review → Improve, Collective Learning, Explain & Verify의 4가지 핵심 원칙을 제시합니다. 금융 AI에서 가장 중요한 KPI는 단기 수익이 아니라 사고 최소화이며, 모든 판단은 기록되고 복기되며 개선에 반영됩니다.

3. 3

   시스템 아키텍처

   High-level Architecture를 7개 레이어로 구성: Market Data Layer, Account State Layer, Decision Layer, Risk & Guardrails, Execution Layer, Logging & Report, Feedback Loop. 각 레이어의 역할과 상호작용을 설명합니다.

4. 4

   AI 최적화 루프

   Record → Review → Policy → Risk → Feedback → XAI의 6단계 루프를 실전 운영 관점으로 설명합니다. "고정된 자동화"가 아닌 "경험을 축적하는 판단 구조"를 지향하며, 각 단계의 역할과 개선 메커니즘을 상세히 다룹니다.

5. 5

   학습 데이터 구조

   CareLog-like Schema로 설계된 데이터 구조를 제시합니다. DecisionLog, MarketSnapshot, AccountSnapshot, RiskEvent, ExecutionResult, XAITrace 등 핵심 스키마의 필드와 목적을 설명하고, 표준화된 기록을 통한 복기/학습/감사 가능성을 보장합니다.

6. 6

   XAI (설명 가능한 AI)

   설명 가능성 = 신뢰/감사/재현 가능성 관점에서 XAI의 가치를 설명합니다. 신뢰 확보, 감사 및 추적, 재현 가능성, 개선 및 학습의 4가지 사용 사례를 제시하고, 기록 구조와 버전 트래킹 메커니즘을 다룹니다.

7. 7

   멀티 모델 벤치마크

   다양한 AI 엔진을 비교 실험하여 최적의 트레이딩 전략을 학습하는 메커니즘을 설명합니다. 동일한 데이터와 프롬프트에서 엔진별 성과를 비교하고, 편향과 환상을 줄이는 검증 프로세스를 다룹니다.

8. 8

   보안·컴플라이언스

   금융 서비스에 필수적인 보안 조치와 규제 준수 방안을 설명합니다. 데이터 암호화, 접근 제어, 감사 로그, 개인정보 보호, 익명화 패턴 학습 등을 포함합니다.

9. 9

   엔터프라이즈 도입

   기업 고객을 위한 도입 방안과 요구사항을 설명합니다. RBAC, SSO, 온프렘/VPC 옵션, SLA, 커스터마이징, 통합 API 등을 다룹니다.

10. 10

    향후 계획

    확장 로드맵을 제시합니다. 자산 확장(코인 → 증권/ETF → 부동산/경매 → 생활금융), 채널 확장(텍스트 → 음성 기반 보조 + 사기/피싱 대응), 그리고 모듈화된 구조 위에서의 확장 원칙을 설명합니다.

핵심 요약