NoahAI Technical Whitepaper

목차

1. 1

   개요

   NoahAI의 핵심 목표는 사용자의 금융 판단을 AI가 구조화·검증·설명하도록 돕는 것이며, 단기 수익률 경쟁이 아니라 운영 가능한 안전성에 초점을 둡니다.

2. 2

   기술 철학 (Design Principles)

   Safety First, Record → Review → Improve, Consent-gated Learning, Explain & Verify의 원칙을 제시합니다. 개인별 기록 학습과 향후 익명 집단학습을 구분하며, 모든 개선안은 사용자 승인 가능한 새 버전으로 제안됩니다.

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 운영 루프를 설명합니다. "고정된 자동화"가 아닌 "경험을 기록하고 새 버전으로 개선하는 판단 구조"를 지향하며, 각 단계의 역할과 통제 경계를 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 판단 구조를 학습하는 메커니즘을 설명합니다. 동일한 데이터와 프롬프트에서 엔진별 성과를 비교하고, 편향과 환상을 줄이는 검증 프로세스를 다룹니다.

8. 8

   보안·컴플라이언스

   금융 서비스에 필요한 데이터 보호, 접근 제어, 감사 로그와 개인정보 경계를 설명합니다. 익명 패턴 학습은 현재 기능이 아니라 동의·익명화·철회·운영 검증이 필요한 로드맵으로 구분합니다.

9. 9

   엔터프라이즈 도입

   화이트라벨 UI·리포트, 기관별 정책, 어댑터, 감사 원장을 조합하는 PoC 범위를 설명합니다. 인증 B2B API, 팀 배포, SSO·전용 인프라·SLA는 계약·보안·운영 검증 후 확정합니다.

10. 10

    향후 계획

    자산·채널 확장은 이미 검증된 판단·기록·가드레일 구조 위에서 단계적으로 진행됩니다. 본 항목은 즉시 상용화를 의미하지 않으며, 동일한 운영 구조를 다른 고위험 버티컬로 확장하기 위한 기술적 로드맵과 설계 원칙을 설명합니다.

핵심 요약