AI 트레이딩 도입 현황과 전망...LLM 도입의 명과 암 분석

업계 얼리어답터의 통찰

LLM(대규모 언어 모델) 붐이 일어나기 훨씬 전부터 우리는 AI 기술을 기반으로 트레이딩 플랫폼용 챗봇과 가상 비서 제품을 개발한 얼리어답터였다. 우리의 핵심 사업은 주요 은행과 글로벌 자본시장 기업을 위한 트레이딩 소프트웨어를 설계하고 구축하는 것이며, AI 제품은 이를 보완하기 위해 개발됐다.

이러한 배경에서 LLM의 등장은 분명 게임체인저였지만, 사실 기대에 미치지 못한 부분도 있었다. 7년이 지난 지금, AI와 LLM에 대해 다음 측면에서 중간 평가를 할 시점이 됐다.

• LLM 도입 목표의 달성 여부
• LLM이 긍정적이고 영향력 있는 분야
• LLM이 쓸모없거나 오히려 해로운 분야
• 트레이딩에서 LLM의 향후 활용 가능성

우선 AI는 LLM보다 훨씬 광범위한 용어이며, LLM이 다른 AI 방법과 모델을 대체하거나 '전통적 AI'의 발전된 버전이 아니라는 점을 이해하는 것이 중요하다. 하지만 대다수 AI 업계 선구자들처럼 우리 개발팀도 오픈AI의 챗GPT를 열정적으로 도입했다. 이는 리테일 브로커, 자산관리회사 및 기타 금융기관의 고객과 상호작용하는 AI 기반 챗봇을 더 사용자 친화적으로 만들고, 채팅 내에서 직접 주문 실행, 자연어 응답, 이동 중 거래를 위한 멀티채널 통합과 같은 기능을 확장하기 위해서였다.

AI와 그 잠재력에 대한 우리의 집단적 이해가 발전함에 따라, 데브익스퍼츠는 AI를 챗봇 기능을 넘어 사용자 행동으로부터 도출된 의사결정을 할 수 있는 보다 능동적이고 에이전트 중심의 역할로 발전시켜야 할 필요성을 인식했다. 우리는 이러한 AI를 생성형 AI의 대화 측면과 AI 에이전트의 직관적 접근을 융합한 보다 '완전한' 기술의 진화로 보고 있다. 이것이 우리가 예측하는 트레이딩 데스크용 AI 애플리케이션의 새로운 방향이다.

먼저 실제로 잘 작동하고 제품 개선에 도움이 된 부분을 살펴보자.

1. 요약 기능

챗GPT와 같은 언어 모델은 토론, 기사 및 기타 긴 글을 요약하는 데 효과적이다.

고객의 질문을 챗봇이 해결하지 못해 사람에게 이관될 때, 문제를 설명하는 간단한 요약이 제공되어 고객 지원 담당자의 해결 시간을 절약할 수 있다.

또 다른 활용 사례는 고객의 맥락(선호 시장, 자산군, 시간대)을 이해하고 세부 사항을 명시적으로 요청하지 않고도 시장 다이제스트를 생성하는 것이다.

• 지식 베이스 기반 답변

LLM은 FAQ 지식 베이스를 흡수하고 해당 데이터를 사용하여 질문에 답변하는 데 능숙하다.

AI에게 특정 커뮤니케이션 스타일을 준수하거나 특정 면책 조항을 추가하도록 지시할 수도 있다. 복잡한 주제도 어느 정도 단순한 언어로 설명이 가능하다.

• 다단계 지시 실행

최근의 발전으로 언어 모델은 '의사결정자'가 되어 함수 호출 등을 통해 일부 작업을 수행할 수 있게 됐다.

이는 많은 사례에서 확인할 수 있다. 예를 들어, 브로커는 투자자/트레이더 수준 평가, KYC, 심지어 제품과 서비스의 상향 판매와 같은 많은 비즈니스 프로세스를 자동화할 수 있으며, AI의 정확도는 놀라울 정도로 우수하다.

하지만 AI가 과제 해결에 실패한 분야와 추가 연구 및 모델 개선이 필요한 분야도 언급할 가치가 있다.

1. LLM은 아직 구조화된 데이터(예: 트레이딩 데이터베이스나 시장 통계)를 다루는 데 그다지 능숙하지 않다. 파이프라인에서 여러 모델을 실행하거나 연속적인 실행 시리즈로 접근할 수는 있다. 하지만 현재 AI가 수행하는 분석의 즉시 사용 가능한 품질은 그다지 인상적이지 않다.
2. 언어 모델이 긴 지시사항을 준수하기 어렵다. 지시사항이 길고 복잡할수록 도구가 일부를 무시할 가능성이 높아진다. 따라서 우리의 AI 어시스턴트는 일부 미세 조정이 필요한데, 이는 챗GPT의 원시 출력이 오해의 소지가 있을 수 있기 때문이다.
3. 검색 에이전트(지식 베이스에서 답변을 찾을 수 있게 해주는)는 도메인별 사용 사례에 잘 적응하지 못한다. 수많은 약어와 복잡한 용어 속에서 관련 맥락을 찾기가 어렵다. 관련 맥락을 찾지 못하면 모델의 응답이 너무 일반적이거나 완전히 부적절해진다.

연구 개발이 계속됨에 따라, 단일 LLM에 의존하기보다는 여러 전문 AI 시스템을 통합하는 것이 트레이더들에게 훨씬 더 나은 결과를 제공한다는 것을 발견했다. 기본 분석, 리스크 관리, 실행 최적화 등 특정 작업을 위해 훈련된 모델을 활용함으로써, 트레이더의 요청을 챗봇과의 대화를 방해하지 않고 적절한 인텔리전스 계층으로 동적으로 라우팅하는 AI 기반 경험을 만들 수 있다. 이러한 접근 방식은 정확도를 향상시킬 뿐만 아니라 매우 복잡한 경우에도 AI 채팅이 원활하고 유용하게 유지되도록 보장한다. 또한 이러한 하이브리드 모델은 트레이더를 위한 더욱 포괄적인 데이터 풀을 위해 다양한 AI 제공업체 간의 파트너십 기회를 열어준다.

물론 개발은 계속될 것이며, 지적된 문제들도 시간이 지나면서 해결될 것이다. 하지만 AI가 사용자 경험을 향상시키고 고객 서비스 제공을 지원하는 데 가치가 있지만, 독립적으로 운영되거나 더 나아가 특히 요구사항이 더 복잡해질 때 인간의 능력을 대체하기에는 아직 멀었다는 것이 분명하다.

앞으로 트레이딩 애플리케이션에서 AI의 진정한 잠재력은 깊이 있는 개인화된 경험을 제공하는 능력에 있다. AI는 과거 데이터와 실시간 데이터를 결합하여 개별 트레이딩 스타일에 적응하고 각 사용자에게 맞춤화된 인사이트를 제공할 수 있다. 기술이 발전함에 따라 AI 어시스턴트는 단순한 도구가 아닌 직관적인 시장 어드바이저처럼 느껴지게 될 것이며, 트레이더들이 시장을 자신 있게 헤쳐나갈 수 있도록 더 정보에 입각한 결정을 내리는 데 도움을 줄 것이다.