탈중앙화 데이터와 인공지능의 시너지로 중소기업을 위한 무역 금융 제공

저자: 마르잔 알리레자이, 윌리엄 호프만, 파리아 자비히, 호세인 라나마, 알렉스 펜틀랜드, 출처: JRFM, 시유 리우 편집

2024년 1월, JRFM은 '투명하고 효율적인 분산형 데이터와 인공지능 오케스트레이션'을 발표했습니다. 중소기업 무역 금융"을 발간하여 중소기업 금융에서 인공지능의 역할을 검토했습니다. 중소기업은 데이터 소스의 다양성, 상충되는 계약, 거주 요건, 무역 금융 공급망에서 여러 인공지능(AI) 모델의 필요성 등으로 인해 비즈니스 효율성과 예측 가능성을 개선하기 위해 AI 기능을 활용하는 데 있어 제한된 자원으로 인해 어려움을 겪고 있습니다. 이 백서에서는 투명성과 해석 가능성을 우선시하는 분산형 AI 오케스트레이션 프레임워크를 제시하여 자금 제공자(예: 은행)가 중소기업의 재무적 신용도를 평가하는 데 따르는 어려움을 극복할 수 있도록 귀중한 인사이트를 제공합니다. 이 프레임워크는 상징적 추론자, 언어 모델, 데이터 기반 예측 도구가 포함된 오케스트레이션 기법을 활용하여 자금 공급자가 현금 흐름 예측, 자금 조달 금리 최적화, 생태계 위험 평가에 대해 보다 정보에 입각한 결정을 내릴 수 있도록 지원함으로써 궁극적으로 중소기업의 선적 전 무역 금융에 대한 접근성을 높이고 전반적인 공급망 운영을 개선할 수 있도록 돕습니다. 이 연구의 핵심 부분은 중국 인민대학교 금융기술연구소(위챗 ID: ruc_fintech)에서 작성했습니다.

소개

세계 경제의 생명줄인 중소기업은 전 세계 일자리의 3분의 2를 제공합니다. 세계 경제의 근간인 중소기업은 그 중요성에도 불구하고 전 세계 일자리의 3분의 2를 제공하고 전 세계 GDP의 50% 이상을 기여하고 있습니다. 이러한 제약은 중소기업의 성장, 확장 및 경쟁력에 심각한 영향을 미칠 수 있습니다. 공급망에 속한 중소기업은 신용 위험을 평가하기 어렵기 때문에 다양한 유동성 문제에 추가로 직면합니다. 재무 기록이 제한적이고 비즈니스 지표가 부족하거나 정교하지 않은 경우가 많기 때문에 금융 서비스 제공업체가 신용도를 평가하고 적절한 무역 금융 조건을 제시하기가 어렵습니다. 이러한 요인으로 인해 중소기업은 장기간 무역금융을 받지 못하고 금융 신청의 약 50%가 거절되며, 중소기업은 종종 선적 후 금융에 의존해야 하므로 운전 자본 수요를 충족하는 과정에서 비효율성과 지연이 더욱 심화될 수 있습니다.

이 백서는 새로운 인공지능(AI) 및 데이터 기술, 특히 대체 데이터 소스 및 협업 AI 모델의 적용을 발전시키는 다년간의 연방 정부 지원 파일럿 프로젝트의 초기 연구 결과를 바탕으로 작성되었습니다. -- 중소기업 무역 신용 위험 평가의 효율성을 개선하기 위한 프로젝트입니다. 이 프로젝트는 공급망 복원력을 혁신적으로 강화하기 위해 인공지능(AI)을 사용하는 데 중점을 둡니다. 이 백서는 다음과 같은 세 가지 측면에서 혁신하는 프레임워크를 제안합니다.

    - AI 사용의 정확성을 개선하기 위한 AI 기반 기능(머신러닝, 머신 추론, 지식 그래프 포함)의 시너지 제품군, 신뢰성 및 규정 준수;

      - 사전 승인을 받고, 법률을 준수하며, 다양한 잠재적 개인정보 및 데이터 위험을 해결하도록 설계된 분산된 산업 간 데이터 세트 네트워크;

    - 일선 실무자 및 관련 이해관계자에게 의사 결정 지원 기능을 확장하는 수단으로 대규모 언어 모델링(LLM)에 의존하는 텍스트 기반의 자연어 인터페이스를 제공합니다.

총체적으로 이러한 AI 기반 기술 혁신은 중소기업의 장기적인 유동성 문제를 해결하여 공급망 복원력을 강화하기 위해 설계되었습니다. 이 백서는 선적 전 무역 금융에 대한 접근성 개선을 통해 중소기업에 대한 운전 자본 흐름을 증가시키는 것 외에도, 신뢰할 수 있는 AI 거버넌스 원칙과 책임 있는 민관 데이터 협업을 구현하여 지속 가능하고 포용적이며 신뢰할 수 있는 비즈니스를 보장하는 방법에 대한 새로운 통찰력을 제공합니다.

공공-민간 데이터 협업 문헌에서 널리 언급된 바와 같이, 기업 데이터 자산은 공익을 위한 재사용에 비해 저평가되어 있습니다. 이 백서는 글로벌 공급망에 속한 중소기업 공급업체의 공급망 복원력과 경제 성장을 강화하기 위해 기업 데이터 자산과 협업 AI 역량을 어떻게 책임감 있고 합법적으로 통합하고 사용할 수 있는지에 대한 보다 포괄적이고 응용적인 이해를 제공합니다.

기존의 선형 공급망 모델은 그림 1에 나와 있습니다. 이 모델은 구매자, 중소기업 공급업체, 물류 제공업체로 구성됩니다. 프로세스는 구매자가 중소기업 판매자가 제공하는 제품이나 서비스에 관심을 표명하는 것으로 시작됩니다. 물류 공급업체는 상품을 배송하고 물류를 관리하며 구매자와 중소기업 판매자 간의 커뮤니케이션을 촉진하는 핵심적인 역할을 합니다. 이 모델에서 중소기업이 제조업체로부터 구매한 상품은 고객의 주문을 이행하는 데 필요한 상품을 생산하는 데 필요한 자금을 제공합니다. 즉, 중소기업이 송장에 명시된 품목을 납품하기에 충분한 운전 자본이 없는 경우 제품을 공급하지 못할 수 있으며, 이는 공급망 중단으로 이어질 수 있습니다.

이러한 문제를 해결하기 위해. 저자들은 그림 2와 같이 물류 공급업체와 금융 공급업체가 리셀러 계약을 맺고 공동으로 시장에 진출하여 물류 공급업체가 중소기업 공급업체에 화이트 라벨 선적 전 무역금융을 제공하는 비선형 무역금융 모델을 제안합니다. 이 모델은 중소기업이 선적 전 운전자금 문제를 극복하고, 중소기업과 물류 제공업체 간의 관계를 강화하며, 금융 서비스 제공업체의 시장 확장 기회를 창출할 수 있도록 설계되었습니다.

그림 2에서 볼 수 있듯이, 제안된 비선형 무역금융 모델은 공급망 내 중소기업, 물류 제공업체, 금융 서비스 제공업체 간의 기존 관계에 상당한 영향을 미칩니다. 이 모델은 중소기업의 선적 전 운전자금 문제를 해결하고, 중소기업과 물류 제공업체 간의 관계를 강화하며, 금융 서비스 제공업체의 시장 확장 기회를 창출하는 것을 목표로 합니다. 중소기업 공급업체에 화이트 라벨이 부착된 선적 전 무역 금융을 제공함으로써 물류 공급업체는 중소기업의 금융 수요를 촉진하는 핵심 플레이어가 됩니다. 이는 중소기업과 물류 제공업체 간의 관계를 강화할 뿐만 아니라 물류 제공업체가 중소기업에 금융 지원을 제공하는 역할을 수행함으로써 새로운 차원의 협력을 창출합니다. 또한 이 모델은 금융 서비스 제공업체에게 시장 확장 기회를 창출하여 중소기업의 유동성 문제를 해결하기 위한 고유한 맞춤형 솔루션을 제공할 수 있게 합니다. 중소기업의 신용 프로필에 대한 이해도가 높아지면 은행은 더 매력적인 금리로 대출을 제공할 수 있어 궁극적으로 기업의 자본 비용을 낮출 수 있습니다.

제안된 접근법의 기술적 세부 사항을 자세히 살펴보기 전에. 저자는 유사한 문제를 해결하는 기존 솔루션과 문헌의 발전 상황을 간략하게 검토합니다.

인공지능 기반 공급망 솔루션: 재료와 방법

그림 3은 중소기업(SME)을 위한 사전 배송 솔루션의 예를 보여줍니다. 기업(중소기업) 선적 전 무역금융 코디네이터가 제안한 아키텍처를 한 눈에 살펴볼 수 있습니다. 애플리케이션 수준에서 아키텍처는 인터페이스 레이어(흰색 부분)와 AI 레이어(녹색, 파란색, 빨간색으로 표시된 하위 레이어로 구성)의 두 가지 주요 부분으로 구성됩니다. 또한 이 시스템에는 자금 제공자, 구매자, 중소기업 공급업체 등 다양한 주체들이 참여하며, 이들은 모두 시스템과 상호작용합니다. 이 섹션에서는 제안된 협업 AI 모델에 대한 심층적인 설명과 함께 관련 자료 및 방법을 설명합니다.

2.1 데이터. strong>

모델의 아키텍처는 물류, 뱅킹, 공급 등 다양한 비즈니스 도메인의 트랜잭션 데이터를 통합합니다. 물류 공급업체가 제공하는 데이터에는 배송 세부 정보, 송장, 고객 프로필, 결제 지연 및 거래 가치와 같은 재무적 행동을 반영하는 메타데이터가 포함됩니다. 이러한 정적(고객 정보, 위치) 및 동적(타임스탬프 송장 솔루션) 데이터의 조합은 고객 상호 작용에 대한 포괄적인 시각을 제공합니다. 금융 기관(예: 은행)은 거래 내역, 액세스 타임스탬프, 대출 내역, 은행 정책 준수 등의 데이터로 심층성을 더합니다.

제안된 모델을 구현하기 위해 저자들은 도메인별 데이터를 분석하고 해석하도록 특별히 설계된 AI 알고리즘의 협업 제품군에 대한 승인된 액세스를 제공하는 분산 및 교차 도메인 데이터 소스를 사용할 것을 권장하고 있습니다. 그림에서 볼 수 있듯이 API 기반 데이터 전송 아키텍처는 사전 정의된 쿼리를 통해 조직과 경계를 넘어 인사이트를 전송할 수 있지만, 원시 데이터는 조직이나 지리적 경계를 넘어 이동하지 않습니다. 따라서 모든 데이터를 중앙 집중화할 필요를 없애고 데이터 전송 인스턴스 수를 줄여 보안 및 개인정보 보호 문제를 완화하는 분산형 접근 방식을 보장합니다. 섹션 4에서는 데이터 탈중앙화의 분산 특성, 향상된 보안, 확장성, 효율성 등 데이터 탈중앙화에 대해 자세히 설명합니다.

2.2 방법론

그림 3에서 볼 수 있듯이 협업형 AI 솔루션 개발을 위한 방법론은 신경 기호적 접근법(Hitzler et al., 2022 ), 즉 데이터 기반 머신러닝 기술(빨간색 레이어로 표시됨)과 지식 기반 모델(파란색 및 녹색 레이어로 표시됨)의 융합으로 구성됩니다. 원본 데이터에 가장 가까운 오른쪽부터 시작하여 빨간색 레이어에는 다양한 소스에서 데이터를 지속적으로 수신하고 모델의 매개변수를 업데이트하여 관련성과 정확성을 보장하는 지속적인 학습 프로세스가 포함되어 있습니다. 반면, 파란색 레이어는 현재까지 학습 정확도가 가장 높은 최고 성능의 모델을 선택하고 이를 자금 제공자, 물류 제공업체 등 다양한 당사자의 추가 도메인 지식과 통합합니다.

학습과 추론 모델을 융합하는 제안된 신경 심볼릭 아키텍처에서 프로세스는 데이터를 이해하고 해석하도록 다양한 AI 모델을 훈련하는 학습 단계로 시작됩니다. 모델이 학습되면 추론 단계가 적용됩니다. 이 추론 단계는 생성 및 예측된 응답의 합리성과 일관성을 검증하기 때문에 매우 중요합니다. 데이터 학습과 논리적 추론 적용이라는 두 가지 측면을 결합함으로써 시스템은 응답이 학습된 패턴에 기반할 뿐만 아니라 논리적 프레임워크를 따르도록 보장하여 보다 정확하고 신뢰할 수 있는 결과를 도출합니다.

이 백서에서 제안하는 협업 AI 프레임워크는 다양한 데이터 세트로 학습된 여러 유형의 AI 모델을 통합합니다. 분산된 데이터 소스로 학습된 결과와 모델을 조정하기 위해 저자는 이러한 다양한 모델의 출력으로 채워진 지식 그래프를 사용하여 전체 프로세스를 쉽게 추론할 수 있도록 합니다. 이러한 협업적 AI 접근 방식은 다양한 데이터 소스에서 인사이트가 필요한 문제를 해결하는 데 핵심적인 역할을 합니다. 이 백서에서는 비즈니스 실무자가 업계 간 데이터와 안정적으로 상호 작용할 수 있도록 지원함으로써 현재 파일럿 테스트를 진행 중인 새로운 프레임워크를 소개합니다. <강조>이러한 프레임워크는 공급망 생태계에서 중소기업의 회복탄력성과 성장 잠재력을 향상시킵니다. 또한 금융 서비스 제공업체에 부가가치를 제공할 수 있는 혁신적인 방법을 제시합니다. 이러한 금융 서비스 제공업체는 AI를 통해 여러 중소기업, 물류 제공업체, 생태계 리스크 간의 현금 흐름 역학을 더 깊이 이해할 수 있으며, 궁극적으로 시장에 보다 효율적인 무역 금융 솔루션을 제공할 수 있습니다.

요약하면, 이 백서는 공급망 사용자와 행위자의 다양한 요구를 충족하기 위해 정교하게 조정된 대규모 언어 모델과 새로운 참조 아키텍처를 사용하여 사용자 친화적인 인터페이스 계층을 통합하는 고유한 시스템을 제시합니다. 이 인터페이스는 쿼리를 공식 스크립트로 변환하여 AI 계층과의 상호 작용을 용이하게 하며, 이 스크립트는 머신 러닝 기술과 지식 기반 모델의 조합을 사용하여 처리됩니다. 이 혁신적인 접근 방식은 데이터 처리와 모델 성능을 향상시킬 뿐만 아니라 중소기업의 과제에 대한 기존의 이해를 바탕으로 합니다. 이는 일반적으로 일반적인 적용성이 부족하고 복잡한 기술 인프라가 필요한 금융 혁신 및 공급망 금융(SCF) 솔루션에 초점을 맞춘 이전 연구와 차별화됩니다. 반면, Workday의 시스템은 비즈니스 실무자가 고급 계산 모델을 사용하여 복잡한 문제를 해결하고 글로벌 공급망의 복원력을 강화하는 정보에 입각한 의사결정을 내릴 수 있도록 지원합니다. 유니티의 모델은 AI 오케스트레이션과 데이터 탈중앙화를 독특하게 결합하여 AI와 탈중앙화 데이터 간의 시너지를 강조합니다. 이는 중소기업의 효율성과 금융 접근성을 개선할 뿐만 아니라 무역 금융에서 AI와 기술 혁신을 위한 새로운 경로를 제시하며, 이 분야의 이전 연구와의 유사점과 주요 차이점을 강조합니다.

저자들은 특히 데이터 세트의 다양성과 다양한 경제 상황을 고려할 때 AI 모델의 최종 반응을 검증하기 위해 검증 과정에 인간 전문가를 참여시킬 것을 강조합니다. 이러한 접근 방식은 AI가 생성한 응답의 정확성과 신뢰성을 평가하는 데 있어 인간의 판단과 전문 지식의 중요성을 인식하고 있습니다. 따라서 제안된 시스템은 인간의 의사결정을 대체하기보다는 이러한 전문가를 보조하는 역할을 하며, AI 모델은 가치 있는 인사이트와 분석을 제공하지만 최종 의사결정은 AI의 결과를 보다 광범위하고 미묘한 방식으로 해석하고 배치할 수 있는 인간 전문가의 손에 달려 있습니다. 이를 통해 복잡하고 변화무쌍한 환경에서 균형 있고 효과적인 AI 활용을 보장합니다.

다음 단계로 저자들은 수동으로 생성된 데이터에 의존하는 현재의 데모 수준 구현을 넘어 제시된 모델을 발전시키는 것을 목표로 합니다. 실시간 비즈니스 환경에서 실제 데이터를 활용함으로써 모델의 상업적, 법적, 운영적, 윤리적 측면을 검증하여 실질적인 실행 가능성과 관련성을 보장하는 것이 목표입니다.

제안된 접근 방식의 이점은 다양하며, 소개 섹션에서 논의한 바와 같이 다음과 같습니다.

운전 자본에 대한 접근은 조직의 성장과 성공에 매우 중요하며 특히 다국적 물류 기업에 매우 중요합니다. 자금 공급업체가 데이터에 액세스할 수 있도록 허용함으로써 물류 공급업체는 협력하는 중소기업의 신용도에 대한 지식을 높일 수 있을 뿐만 아니라 은행이 유동성 문제에 대한 맞춤형 솔루션을 제공할 수 있습니다. 직접적인 참여 방식을 통해 개인화되고 효과적인 커뮤니케이션을 보장하여 물류 공급업체에 필요한 지원과 금융 솔루션을 제공했습니다. 은행은 고급 AI 분석을 사용하여 송장, 결제 조건, 미수금, 미지급금 및 기타 재무 측면에 대한 인사이트를 확보함으로써 물류 공급업체의 운영, 현금 흐름 및 비즈니스 주기를 더 잘 이해할 수 있습니다. 이러한 이해도 향상을 통해 은행은 더 매력적인 금리로 대출을 제공할 수 있으므로 이러한 기업의 자본 비용을 절감할 수 있습니다.