이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
AML(자금세탁방지) 업무에서 가장 어려웠던 것은 정상 거래와 의심 거래를 구분하는 기준을 세우는 것이었습니다. 룰베이스 탐지는 패턴이 고정돼 있어서 새로운 방식으로 들어오는 거래에 반응하지 못하는 경우가 있었습니다. 제가 맡은 프로젝트에서는 거래 금액, 빈도, 상대방 계좌 패턴을 같이 보는 방식으로 기존 룰을 보완하는 작업을 했습니다. 어려운 점은 위양성(False Positive)을 줄이는 것이었는데, 탐지 기준을 너무 넓히면 정상 고객도 걸리고, 너무 좁히면 실제 의심 거래를 놓치는 문제가 있었습니다. 팀원과는 사례별로 판단 기준을 맞추는 캘리브레이션 세션을 정기적으로 가졌고, 그 과정에서 규정 해석이 사람마다 다를 수 있다는 것도 배웠습니다. 결과적으로 탐지율은 유지하면서 위양성 건수를 15% 줄이는 조정을 완료했고, 이 경험에서 AML은 기술보다 판단 기준의 일관성을 확보하는 것이 더 어렵다는 것을 배웠습니다.
AML 업무에서 도전이 됐던 것은 FATF 권고안이 바뀔 때마다 내부 정책과 TMS 룰을 빠르게 맞추는 것이었습니다. 규제 변경이 발표되면 현재 운영 중인 탐지 룰과 어떤 간격이 생기는지를 먼저 매핑했습니다. 간격이 확인된 영역은 룰 수정 우선순위를 정하고, 임시 수작업 모니터링을 병행하면서 시스템 반영까지의 공백을 줄였습니다. 규제 변경과 시스템 업데이트 사이 지연 기간이 리스크 구간이기 때문에 그 기간을 최소화하는 프로세스를 만드는 것이 핵심이었습니다. 규제 대응은 속도와 정확도를 함께 잡아야 합니다.
규제 변경과 시스템 반영 사이 지연 최소화가 AML의 핵심입니다. 간격 매핑이 먼저, 룰 수정이 다음입니다. 임시 모니터링이 공백 구간 리스크를 줄입니다.
AML 업무에서 가장 반복적으로 시간을 쓴 것은 TMS(거래 모니터링 시스템)의 높은 오탐률 처리였습니다. 룰베이스 탐지는 패턴이 고정돼 있어 합법 거래도 임계값을 넘으면 경보를 냅니다. 분석가가 이 경보를 하나씩 검토하는 부담이 쌓이면 실제 의심 거래를 놓칠 가능성이 높아집니다. 오탐률을 줄이기 위해 거래 이력 패턴과 고객 행동 변수를 ML 모델에 넣어 1차 스크리닝하는 방식을 시도했습니다. 룰베이스는 규제 근거가 있는 탐지에, ML은 경계 케이스 우선순위 조정에 쓰는 역할 분리가 효과적이었습니다.
룰베이스와 ML 조합이 오탐률을 줄이는 접근입니다. 역할 분리가 두 방식의 강점을 살립니다. 분석가 부담 감소가 실 의심 거래 탐지 정확도를 높입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 컴플라이언스 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.