Санхүүгийн салбарт хиймэл оюуны агент хэрэгжүүлэх нь

Сүүлийн жилүүдэд LLM хөгжил нь энгийн текст үүсгэх шатнаас давж, бие даан шийдвэр гаргах, үйлдэл хийх чадвартай Хиймэл оюуны агент (AI Agent)-ын түвшинд хүрч байна. Санхүүгийн салбарт энэ нь зөвхөн хэрэглэгчийн үйлчилгээг автоматжуулах бус, зээлийн эрсдэлийн үнэлгээ, луйврын илрүүлэлт, зохицуулалтын нийцлийг шалгах зэрэг нарийн төвөгтэй, олон шатлалт үйл явцуудыг оновчтой болгох боломжийг олгож байна.

Технологийн захирлууд (CTO), үүсгэн байгуулагчид болон ахлах инженерүүдийн хувьд энэхүү шилжилт нь хэд хэдэн чухал шийдвэр гаргалтыг шаарддаг.

• Хяналт ба Бие даасан байдлын тэнцвэр: Агентад ямар түвшний шийдвэр гаргах эрх олгох, аль шатанд хүний оролцоог (Human-in-the-loop) шаардах вэ?
• Архитектурын сонголт: Бэлэн платформ ашиглах уу, эсвэл дотооддоо тусгайлсан програм хангамж (custom orchestration) хөгжүүлэх үү?
• Өгөгдлийн аюулгүй байдал: Хувь хүний болон санхүүгийн нууцлалтай мэдээллийг (PII/PCI) хэрхэн аюулгүйгээр боловсруулах вэ?

Энэхүү нийтлэлээр санхүүгийн байгууллагууд хиймэл оюуны агентийг хэрхэн зохион бүтээх, ямар архитектур ашиглах, мөн интеграцийн явцад үүсэх эрсдэлүүдийг хэрхэн удирдах талаар бодит практик болон инженерийн түвшний удирдамжийг өгөх болно.

Хиймэл оюуны агентын үндсэн механик

Энгийн LLM-ээс ялгаатай нь, хиймэл оюуны агент нь зөвхөн асуултад хариулах бус, өгөгдсөн зорилгын хүрээнд төлөвлөгөө гаргаж, гадны системүүдтэй харьцаж, үр дүнгээ үнэлэх чадвартай байдаг. Үүнийг хэрэгжүүлэхийн тулд дараах 4 үндсэн бүрэлдэхүүн хэсгийг уялдуулан ажиллуулдаг:

1. Орчин ба Зорилго (Context & Goal): Агент юу хийх ёстойг тодорхойлсон системийн түвшний зааварчилгаа (system prompt). Санхүүгийн салбарын хувьд энэ нь маш хатуу хязгаарлалтуудыг агуулсан байх шаардлагатай.
2. Төлөвлөлт (Planning): Өгөгдсөн даалгаврыг жижиг алхмуудад хуваах үйл явц (жишээ нь: ReAct - Reason and Act аргачлал). Агент эхлээд өгөгдөл татаж авах, дараа нь дүн шинжилгээ хийх, эцэст нь тайлан гаргах дарааллаа өөрөө тодорхойлно.
3. Санах ой (Memory): Богино хугацааны санах ой (тухайн харилцан яриа эсвэл үйл явцын түүх) болон урт хугацааны санах ой (вектор өгөгдлийн сан дахь өмнөх харилцагчийн мэдээлэл эсвэл дотоод журам). Санхүүгийн байгууллагууд санах ойг төвлөрсөн, шифрлэгдсэн өгөгдлийн санд хадгалах нь чухал байдаг.
4. Хэрэгслүүд (Tools/Actions): Агентын гадаад ертөнцтэй харилцах гар ба хөл. Энэ нь REST API дуудах, SQL хүсэлт ажиллуулах, эсвэл дотоод CRM системээс мэдээлэл хайх функцууд юм.

Практик хэрэгжүүлэлтийн түвшинд, агентын хөдөлгүүр нь хэрэглэгчийн хүсэлтийг хүлээн авч, LLM рүү илгээнэ. LLM нь "Би энэ API-г дуудах хэрэгтэй байна" гэсэн хариуг JSON форматаар буцаах ба хөдөлгүүр тэрхүү API-г ажиллуулан үр дүнг дахин LLM рүү оруулснаар эцсийн шийдвэрийг гаргадаг.

Архитектур болон Үйл ажиллагааны загварууд

Санхүүгийн салбарт хэрэглэгдэж буй агентын архитектурууд нь найдвартай байдал болон зохицуулалтын шаардлагаас хамааран хэд хэдэн ялгаатай хэлбэртэй байна.

1. Ганц агенттай RAG систем (Single-Agent RAG)

Энэ бол хамгийн түгээмэл бөгөөд хэрэгжүүлэхэд харьцангуй хялбар загвар юм. Энд нэг гол агент нь байгууллагын мэдээллийн баазтай (Retrieval-Augmented Generation) холбогдож ажиллана.

• Зориулалт: Дотоод ажилтнуудын мэдээлэл хайх үйл явцыг хурдасгах, бодлого журамтай танилцах.
• Хэрэгжүүлэлт: Вектор өгөгдлийн сан (жишээ нь: Pinecone эсвэл Google Cloud Vertex AI Search) ашиглан шаардлагатай баримт бичгийг татаж, агент түүнийг нэгтгэн дүгнэнэ.

2. Олон агентын хамтын ажиллагаа (Multi-Agent Systems)

Илүү нарийн төвөгтэй санхүүгийн үйл явцуудыг шийдвэрлэхийн тулд нэг том агент бус, тодорхой үүрэг бүхий олон жижиг агентуудыг хамтран ажиллуулдаг. Энэ нь Google Cloud AI Agent Architecture зэрэг орчин үеийн платформуудын санал болгож буй гол чиг хандлага юм.

• Судалгааны агент: Өгөгдлийн сангаас харилцагчийн түүхийг цуглуулна.
• Шинжилгээний агент: Цуглуулсан өгөгдөл дээр эрсдэлийн үнэлгээний загваруудыг ажиллуулна.
• Хяналтын агент (Critic): Бусад агентуудын гаргасан шийдвэр нь дотоод журамд нийцэж байгаа эсэхийг давхар шалгана.
• Давуу тал: Алдаа гаргах магадлалыг бууруулж, системийн найдвартай байдлыг эрс нэмэгдүүлнэ.

3. Хүний оролцоотой агент (Human-in-the-Loop эсвэл HITL)

Санхүүгийн салбарт зайлшгүй хэрэгжүүлэх шаардлагатай загвар. Агент бүх үйл явцыг бие даан хийх боловч, эцсийн гүйлгээ хийх эсвэл харилцагчид албан ёсны хариу өгөхөөс өмнө хүнээр баталгаажуулах шаардлага тавьдаг.

• Яаж ажилладаг вэ: Агент ажлын урсгалын 90 хувийг (өгөгдөл цуглуулах, форм бөглөх, ноорог тайлан гаргах) гүйцэтгээд түр зогсоно. Зөвхөн эрх бүхий ажилтан "Зөвшөөрөх" товчийг дарснаар үйлдэл баталгаажиж, цаашдын алхам хийгдэнэ.

Санхүүгийн салбарын бодит хэрэглээний тохиолдлууд

Дараах тохиолдлууд нь зөвхөн туршилтын (PoC) түвшинд бус, бодит үйлдвэрлэлд хэрэгжиж буй чиглэлүүд юм.

Луйврын шинжилгээний туслах (Fraud Investigation Copilot)

Луйврын шинжээчид нэг сэжигтэй гүйлгээг шалгахын тулд олон арван өөр системээс мэдээлэл цуглуулж цаг алддаг.

• Агентын үүрэг: Сэжигтэй гүйлгээ илрэх үед агент автоматаар холбогдох харилцагчийн IP хаягийн түүх, төхөөрөмжийн өөрчлөлт, сүүлийн үеийн гүйлгээний хэв маягийг дотоод API-ууд ашиглан цуглуулж, нэгдсэн цагийн хуваарь (timeline) үүсгэнэ.
• Бизнесийн үнэ цэнэ: Шинжээчийн мэдээлэл цуглуулах цагийг 80% хүртэл бууруулж, зөвхөн эцсийн шийдвэр гаргалтад төвлөрөх боломжийг олгоно.

Корпорацийн зээлийн эрсдэлийн үнэлгээ

Байгууллагын зээл олголтын явцад санхүүгийн тайлан, гэрээ, аудитын дүгнэлт зэрэг олон зуун хуудас баримт бичгийг уншиж судлах шаардлага гардаг.

• Агентын үүрэг: Олон агенттай систем ашиглан нэг агент нь санхүүгийн тоон өгөгдлийг хүснэгтээс гаргаж авах бол нөгөө агент нь хуулийн гэрээн дэх эрсдэлтэй заалтуудыг хайж олно. Эцэст нь нэгдсэн эрсдэлийн тайлангийн ноорог боловсруулна.
• Хязгаарлалт: Агент шууд зээл олгох шийдвэр гаргахгүй, зөвхөн шинжээчийн гаргах шийдвэрийг өгөгдлөөр хангана.

Зохицуулалтын нийцлийн шалгалт (KYC/AML Automation)

Харилцагчийг таньж мэдэх (KYC) болон мөнгө угаахтай тэмцэх (AML) үйл явц нь маш их гар ажиллагаа шаарддаг.

• Агентын үүрэг: Харилцагчийн ирүүлсэн бичиг баримтыг систем дэх мэдээлэлтэй автоматаар тулгах, гадны хоригт орсон хүмүүсийн жагсаалттай (Sanctions list) харьцуулах API-г дуудах үйлдлийг гүйцэтгэнэ.

Сул тал, Эрсдэл болон Хязгаарлалтууд

Агентууд хүчирхэг боловч санхүүгийн дэд бүтцэд шууд нэвтрүүлэхэд хэд хэдэн суурь эрсдэлүүд тулгардаг. Технологийн удирдлагууд эдгээрийг урьдчилан тооцоолох нь чухал.

• Бодит бус мэдээлэл зохиох (Hallucination): LLM нь итгэл үнэмшилтэйгээр худал мэдээлэл үүсгэх магадлалтай байдаг. Санхүүгийн зөвлөгөө эсвэл тооцоолол дээр энэ нь ноцтой үр дагавартай. Үүнийг шийдвэрлэхийн тулд математик тооцооллыг LLM-ээр биш, LLM-ийн дуудсан тусгай зориулалтын тооцоолол (Python script эсвэл дотоод API) хэрэгслээр хийлгэх хэрэгтэй.
• Өгөгдлийн нууцлал ба PII: Агентын санах ой руу харилцагчийн нэр, дансны дугаар зэрэг мэдээллийг илгээх нь дата аюулгүй байдлын журам зөрчих эрсдэлтэй. Үүнээс сэргийлэхийн тулд өгөгдлийг шифрлэж масклах (Data Loss Prevention хэрэгслүүд ашиглан PII-г нуух) архитектур зайлшгүй шаардлагатай.
• Хүлээгдэх хугацаа (Latency): Агент нь олон шатлалт төлөвлөлт хийж, хэд хэдэн API дуудах үед хэрэглэгчид хариу өгөх хугацаа уртасдаг (зарим үед 10-30 секунд). Тиймээс бодит цагийн (real-time) гүйлгээ баталгаажуулах зэрэгт агент ашиглах нь тохиромжгүй бөгөөд илүү арын албаны (back-office) үйл ажиллагаанд тохиромжтой.
• Тодорхой бус байдал (Non-determinism): Уламжлалт програм хангамж нь ижил оролтод үргэлж ижил хариу өгдөг бол агент нь өөр өөр замналаар шийдэлд хүрч болно. Энэ нь аудитын мөр (audit trail) үүсгэхэд хүндрэл учруулдаг.

Шийдвэр гаргах шалгуур: Хэзээ юуг сонгох вэ?

CTO болон архитектурын багууд хэрэгжүүлэлтийн хэв маягийг сонгохдоо дараах шалгууруудыг ашиглаж болно.

1. Бэлэн удирдлагатай үйлчилгээ ашиглах (Managed Services - жишээ нь Vertex AI Agents)

• Хэзээ тохиромжтой вэ: Дэд бүтцийн аюулгүй байдлыг үйлчилгээ үзүүлэгчид даатгах хүсэлтэй, хурдан хугацаанд хөгжүүлэлт хийх шаардлагатай үед. Эдгээр платформууд нь бэлэн Enterprise security (VPC Service Controls гэх мэт) тохиргоотой байдаг.
• Үнэлгээ: Удирдах, хянахад хялбар боловч зарим маш нарийн дотоод системүүдтэй холбогдоход хязгаарлагдмал байж болно.

2. Нээлттэй эх эсвэл тусгайлан хөгжүүлэх (Custom build - LangChain, LlamaIndex гэх мэт)

• Хэзээ тохиромжтой вэ: Агентын шийдвэр гаргах логик болон дотоод системүүдийн интеграци маш нарийн төвөгтэй, эсвэл загварын хамаарлаас (vendor lock-in) сэргийлэх шаардлагатай үед.
• Үнэлгээ: Инженерийн багийн өндөр ур чадвар шаардах бөгөөд аюулгүй байдлын хамгаалалтыг тэгээс нь эхэлж барих шаардлагатай болно.

3. Системийн хандалтын түвшинг тодорхойлох

• Зөвхөн унших (Read-only tools): Эхний ээлжид хэрэгжүүлэхэд хамгийн тохиромжтой. Агент зөвхөн мэдээлэл хайх, унших API-уудтай харьцана.
• Бичих, өөрчлөх (Write/Execute tools): Мэдээлэл шинэчлэх, гүйлгээ хийх API өгөх. Зөвхөн өндөр түвшний туршилт хийгдсэн, давхар хүний баталгаажуулалт (HITL) тавигдсан үед л ашиглах хэрэгтэй.

Түгээмэл алдаанууд болон тэдгээрээс сэргийлэх нь

Санхүүгийн технологийн багуудын гаргадаг нийтлэг алдаануудаас сэргийлэх нь хэрэгжүүлэлтийн амжилтыг тодорхойлно.

1. Хэт эрт "Бичих" эрх олгох: Агентыг туршилтын шатанд шууд үндсэн өгөгдлийн санд өөрчлөлт оруулах эрхтэйгээр хөгжүүлэх нь хамгийн том алдаа юм. Үргэлж `Read-Only` горимоор эхэлж, аюулгүй байдлын хязгаарлалтуудаа (guardrails) баталгаажуулсны дараа шат дараатай эрх олгох хэрэгтэй.
2. Агентын бодлыг бүртгэхгүй орхих (Lack of Tracing): Агент ямар логикоор тухайн шийдвэрт хүрснийг хянах боломжгүй байх нь санхүүгийн аудитын үед том эрсдэл болно. Тиймээс агентын хийсэн алхам бүр, дуудсан API болон гаргасан дүгнэлтийг бүртгэх систем (жишээлбэл, LangSmith эсвэл үүлэн үйлчилгээний хяналтын хэрэгслүүд) заавал нэвтрүүлэх шаардлагатай.
3. Үнэлгээний хэмжүүргүй байх: Чатботыг хүмүүсийн сэтгэл ханамжаар хэмжиж болдог бол агентыг нарийн зорилтот хэмжүүрээр дүгнэх шаардлагатай. Жишээ нь: "Тухайн зорилгод хүрэхийн тулд хэдэн алхам хийсэн бэ?", "API дуудлагын амжилтын хувь хэд байсан бэ?" гэдгийг тогтмол хэмжих ёстой.
4. Хязгааргүй давталт (Infinite loops): Агент алдаа гарсан үедээ өөрийгөө засах гэж оролдох явцад хязгааргүй давталтыг дуудаж үүлэн тооцооллын зардлыг огцом өсгөх эрсдэлтэй. Үүнээс сэргийлж нэг даалгаварт зарцуулах дээд алхмын тоог (max iterations) үргэлж хатуу зааж өгөх хэрэгтэй.

Гол дүгнэлтүүд

Санхүүгийн байгууллагын үйл ажиллагаанд хиймэл оюуны агент нэвтрүүлэх нь технологийн гэхээсээ илүү үйл явц болон эрсдэлийн удирдлагын шинэчлэл юм.

• Хүнийг орлох бус, чадавхжуулах: Агентыг эцсийн шийдвэр гаргагч биш, харин маш хурдан бөгөөд нягт нямбай судалгааны туслах байдлаар (Copilot) зохион бүтээх нь зохицуулалтын орчинд хамгийн найдвартай арга юм.
• Багаас эхэлж гүнзгийрүүлэх: Бүхэл бүтэн системийг нэг дор автоматжуулахын оронд луйврын илрүүлэлтийн өгөгдөл цуглуулах хэсэг эсвэл харилцагчийн мэдээлэл нэгтгэх гэх мэт тодорхой хязгаарлагдмал үйл явцаас эхлэх.
• Аюулгүй байдлыг эхнээс нь тооцох: Өгөгдөл масклах, хандалтын эрхийг хязгаарлах болон хүний баталгаажуулалт (HITL) шаардах механизмууд нь хэрэгжүүлэлтийн дараа бус, архитектурын зураг төслийн шатанд суурилагдсан байх ёстой.
• Тодорхой үр дүн хэмжих: Системийн амжилтыг техникийн төгс байдлаар биш, харин тухайн ажлыг гүйцэтгэх хугацаа хэдэн хувиар буурсан, шинжээчийн бүтээмж хэрхэн нэмэгдсэн гэх мэт хэмжигдэхүйц бизнесийн үнэ цэнээр дүгнэх нь зүйтэй.