PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27632v2q-fin.GN

규제 금융을 위한 규정 준수 AI 인프라: DACH 금융 운영을 위한 DLT 감사 추적을 갖춘 계층형 멀티에이전트 프레임워크

Compliant AI Infrastructure for Regulated Finance: A tiered multi-agent framework with DLT audit trails for financial operations in DACH

규제 금융 분야 AI를 위한 규정 준수 우선 아키텍처를 제안하며, 규제를 결정론적 규칙 집합이 아니라 지향 층으로 다룬다. 규제 의도와 노출의 행렬이 간결한 분류 핸들을 제공하고, 거버넌스가 적용된 정책 컴파일러가 이를 구체적인 금지, 의무, 런타임 예산으로 매핑한다. 금지는 실행 가능성을 제한하고 외부화를 차단하며, 의무는 명시적 허용 가능성 기준을 충족해야 하는 산출물로 과업을 확장한다. 위원회 활성화는 정책 주도적이며 비례 원칙을 유지하여, 효율성을 보존하면서 감독 감시를 보장한다. 증거, 의사결정, 사유 코드는 결정론적 타임스탬프가 부여된 허가형 방향성 비순환 그래프(DAG)에 바인딩되어 재현, 출처 검증, 실패의 명확한 귀속을 가능하게 한다. 조항 수준의 법률 인덱싱과 시행일, 역량 기반 에이전트 라우팅은 DACH 및 더 넓은 EU 전역에서 이식성을 보장한다. 그 결과는 구조적 보증(assurance by construction)이다: 규정 준수가 실행에 내장되며 비례 원칙이나 투명성을 희생하지 않고 감사인이 검증할 수 있다.

arXiv:2607.09682v1cs.LG

AuditWeave: AI 보조 및 데이터 변환 워크플로우를 위한 변조 탐지 가능하고 감사자 탐색 가능한 증거 층

AuditWeave: A Tamper-Evident, Auditor-Navigable Evidence Layer for AI-Assisted and Data-Transformation Workflows

AI 시스템은 감사, 금융, 의료와 같은 규제 도메인에서 중요한 결정을 보조하는 데 점점 더 많이 활용되고 있다. 이로 인해 반복적인 의무가 발생한다: 조직은 사후에 특정 결론을 도출하는 데 어떤 증거가 사용되었는지 재구성하고, 해당 추론 기록이 변조되지 않았음을 입증할 수 있어야 한다. 기존 도구들은 모델 관측 가능성(observability), 드리프트 모니터링(drift monitoring), 거버넌스 보고(governance reporting) 등 관련되지만 별개의 문제를 다루며, 시스템을 운영하는 머신러닝 엔지니어를 위해 설계되었지 특정 결론을 뒷받침 증거까지 추적해야 하는 검토자를 위한 것이 아니다. 우리는 AuditWeave를 소개한다. 이는 런타임 의존성이 없는 경량 Python 라이브러리로, AI 보조 및 데이터 변환 워크플로우의 각 단계를 단일 추가 전용(append-only) 해시 체인(hash-chain) 원장에 기록한다. 소규모의 시스템에 구애받지 않는 이벤트 어휘는 검색-증강 생성(RAG) 파이프라인과 테이블형/레이크하우스(lakehouse) 변환 모두를 포괄하므로, 두 가지를 모두 활용하는 결론도 하나의 기록을 통해 종단 간(end-to-end) 추적이 가능하다. 봉인된 원장 내에서는 이벤트의 수정, 재정렬, 삽입, 삭제 등 어떠한 변경도 체인 검증을 통해 탐지할 수 있다. 본 논문에서는 설계를 설명하고 참조 구현체를 대상으로 기록 오버헤드, 확장성, 변조 탐지 정확성을 평가한다. 무결성 보장에 드는 비용은 이벤트당 수십 마이크로초이며, 해시 체인 구조의 특성상 2,000회의 무작위 실험에 걸쳐 4가지 변조 유형에서 주입된 모든 변이가 검증을 통해 탐지되었다.