AI 최적화 루프

AI 최적화 루프는 단일 판단의 성과를 높이기 위한 구조가 아닙니다. NoahAI는 판단 → 기록 → 검증 → 환류의 반복을 통해, 시간이 지날수록 판단 기준 자체가 더 정교해지도록 설계된 금융 AI 인프라입니다.

현재 공개 배포 기준 각 판단과 결과는 계정별로 기록·복기됩니다. 여러 사용자의 결과를 익명 패턴으로 집계해 전체 정책에 반영하는 기능은 동의·익명화·철회·권한·운영 검증 이후의 로드맵입니다.

Record

판단: 시장 데이터 기반 의사결정 지원 판단 구조화

시장 데이터를 기반으로 AI가 의사결정 지원 판단을 구조화합니다. 모든 판단의 맥락과 결과를 표준화된 형식으로 기록하여 추적 가능하게 저장합니다.

Outcome

결과: 판단에 따른 결과 기록 및 설명 중심

판단에 따른 결과를 기록하고 설명합니다. 성과 지표나 리스크 발생뿐 아니라, 결과에 대한 명확한 설명과 기록이 중심이 됩니다.

Explain

로그: 판단과 결과를 설명 가능하고 표준화된 형식으로 기록

판단과 결과를 설명 가능하고 표준화된 형식으로 기록합니다. 사용자는 권한 범위에서 근거를 확인하며, 운영 로그와 민감정보는 별도 통제 아래 추적됩니다.

Policy

복기: 기록된 조건·차단·결과에서 개선 후보 도출

기록된 로그를 분석해 어떤 조건과 가드레일이 결과에 영향을 주었는지 검토합니다. 개선안은 기존 정책을 자동 덮어쓰지 않고 검토 가능한 새 전략·설정 후보로 분리합니다.

Risk

정책 검토: 시장·자산별 개선안을 새 버전으로 평가

상승·하락·횡보 등 시장 국면과 자산 유형을 분리해 개선 후보를 평가합니다. Strategy Studio의 전략 변경은 저장·승인·자동검증·PAPER를 거치며, 사용자 확정 없이 LIVE 정책을 자동 변경하지 않습니다.

Feedback

환류: 위험 신호 감지 및 가드레일 강화

위험 신호를 조기에 감지하고, 필요시 보수적 제어(가드레일)를 강화합니다. 현재 공개 배포 기준 환류는 계정별 기록과 복기를 기준으로 작동하며 실행은 사용자 또는 정책에 따라 선택적으로만 연결됩니다. 여러 사용자의 익명 패턴을 공통 정책에 반영하는 단계는 동의·익명화·철회·운영 검증이 남은 로드맵입니다.

XAI

설명 가능한 AI: 모든 의사결정 근거 설명 및 검증 가능한 구조

지원되는 의사결정의 근거와 감사 로그를 남깁니다. 외부 검토에는 민감정보를 제외한 내보내기·집계 증거를 사용하며, 기록이 곧 규제 승인이나 성과 보증을 의미하지는 않습니다.

금융 AI에서 왜 ‘루프’가 중요한가

금융 판단은 자산, 부채, 목표, 생활비, 리스크 허용도 등 다양한 맥락에 따라 달라집니다. 단일 결과에 의존하지 않고 반복적인 검증과 환류 과정을 통해 신뢰를 쌓아갑니다. 이러한 구조는 보이스피싱 및 사기 탐지, 디지털 약자 보호 등 다양한 금융 안전 분야로 확장될 수 있습니다.

현재 운영 원칙

AI 최적화 루프는 더 많은 결정을 내리기 위한 구조가 아니라, 사고 가능성을 줄이고 판단 기준을 점진적으로 고도화하기 위한 구조입니다.

이 7단계 루프는 다음과 같은 방식으로 운영됩니다:

반복 가능한 기록: 지원되는 판단마다 입력·조건·가드레일·결과를 연결해 복기 가능한 증거를 남깁니다.
개선 후보 분리: 과거 결과는 검토 자료이며 기존 정책을 자동 변경하는 명령으로 사용하지 않습니다.
자산 유형별 독립 학습: 자산 유형별로 판단 맥락이 분리되어 관리되며, 특정 자산의 결과가 다른 판단 영역에 직접적인 영향을 주지 않도록 설계되어 있습니다.
데이터 중심: 개선 제안은 기록된 데이터와 결과를 기반으로 하며, 공개 서비스에서도 기관·계정별 안정성과 복기 가능성을 계속 확인합니다.
안전 우선: Risk 단계에서 보수적 제어를 통해 사고를 예방하며, 위험 신호를 조기에 감지합니다.
투명성: XAI와 감사 기록은 사용자 권한 및 민감정보 경계 안에서 추적 가능하게 유지합니다.
현재와 향후: 현재는 계정별 기록으로 다음 판단을 복기합니다. 익명 집단 패턴을 공통 정책에 반영하는 단계는 아직 운영 기능이 아닙니다.

판단 품질 평가 모델

아래 식은 판단 품질을 설명하기 위한 개념 예시입니다. 현재 공개판의 고정 API·가중치나 자율 강화학습 작동을 공개하는 명세가 아니며, 특정 수익을 보장하지 않습니다.

실제 평가는 기관·시장·전략 버전별 비용, 데이터 품질, 가드레일과 PAPER/LIVE 원장을 분리한 검증 계약을 따릅니다.

수익 거래 보상

R_profit = α × profit_rate × confidence_score × (1 - risk_penalty)

α: 보상 스케일링 계수 (기본값: 1.0)
profit_rate: 실제 수익률 (0.0 ~ 1.0)
confidence_score: AI 신뢰도 (0.0 ~ 1.0)
risk_penalty: 리스크 페널티 (0.0 ~ 0.5)

손실 거래 보상

R_loss = -β × |loss_rate| × (1 + consecutive_loss_penalty)

β: 손실 스케일링 계수 (기본값: 1.2)
loss_rate: 실제 손실률 (음수)
consecutive_loss_penalty: 연속 손실 페널티 (0.0 ~ 0.3)

리스크 관리 보상

R_risk_management = γ × (early_exit_bonus - late_exit_penalty)

γ: 리스크 관리 보상 계수 (기본값: 0.5)
early_exit_bonus: 조기 손절 보너스 (0.0 ~ 0.2)
late_exit_penalty: 늦은 손절 페널티 (0.0 ~ 0.3)

지원되는 판단 경로는 입력·조건·결과를 포함한 감사 로그로 기록됩니다. 평가 결과가 전략이나 LIVE 설정을 자동 변경하지 않으며, Strategy Studio의 변경은 사용자 승인과 자동검증, PAPER 경계를 통과해야 합니다. 구현 세부 구조는 시스템 아키텍처 문서에서 확인할 수 있습니다.

강화학습과 집단학습은 어떻게 연결되는가

NoahAI의 강화학습은 개별 계좌의 수익률을 최대화하는 구조가 아닙니다. 판단의 적절성, 리스크 대응, 설명 가능성, 사고 회피 여부 등 ‘판단 품질’ 자체를 보상 기준으로 삼습니다.

현재는 각 사용자의 결과를 해당 계정의 복기와 안전 제어에 사용합니다. 향후 집단학습은 별도 동의·익명화·철회 체계와 운영 검증을 통과한 패턴만을 대상으로 합니다. 이 구조를 통해 NoahAI는 ‘사용자가 많아질수록 위험이 커지는 시스템’이 아니라, ‘사용자가 많아질수록 사고 확률이 낮아지는 시스템’을 지향합니다.