생성형 AI 의 정교한 actuarial(보험계리) 응용: ChatGPT 를 넘어선 사례 연구

1. 개요 및 문제 정의 (Problem)

보험계리학과 보험 산업은 전통적으로 통계 모델링과 구조화된 역사적 데이터 분석에 의존해 왔습니다. 그러나 최근 생성형 AI (GenAI), 특히 대규모 언어 모델 (LLM) 의 등장으로 비구조화된 데이터 (텍스트, 이미지 등) 에서 통찰을 추출하고 복잡한 워크플로우를 자동화할 수 있는 새로운 가능성이 열렸습니다.

하지만 GenAI 의 도입은 다음과 같은 주요 과제를 동반합니다:

• 비구조화 데이터 활용의 어려움: 청구 설명서, 연차보고서, 손상 이미지 등 방대한 비구조화 데이터를 기존 계리 모델에 효과적으로 통합하는 방법론 부재.
• 레거시 시스템 현대화: R, SAS, COBOL 등으로 작성된 레거시 계리 코드를 현대적인 Python 생태계로 전환하는 과정의 비효율성과 오류 위험.
• 신뢰성과 규제 준수: 생성형 AI 의 비결정적 (non-deterministic) 특성, 환각 (hallucination) 현상, 보안 및 개인정보 보호 문제, 그리고 엄격한 보험 규제 환경에서의 검증 가능성 부족.

이 논문은 이러한 문제를 해결하기 위해 **4 가지 실제 구현된 사례 연구 (Case Studies)**를 통해 GenAI 가 보험계리 업무에 어떻게 적용될 수 있는지, 그리고 그 한계와 위험 관리 방안은 무엇인지를 제시합니다.

2. 방법론 (Methodology)

논문은 4 가지 구체적인 사례 연구를 통해 다양한 GenAI 기술 (LLM, RAG, Vision-LLM, Multi-Agent System) 을 적용했습니다. 모든 사례는 Jupyter Notebook 으로 구현되어 있으며, GitHub 에 공개되어 재현 가능합니다.

사례 1: LLM 기반 비구조화 데이터 추출을 통한 청구 비용 예측 개선

• 목표: Workers' compensation(근로자 보상) 청구 데이터의 비구조화된 텍스트 설명에서 구조화된 특징 (Feature) 을 추출하여 청구 비용 예측 모델의 정확도를 높이는 것.
• 방법론:
  • 데이터: 3,000 건의 근로자 보상 청구 데이터 (구조화된 표 + 텍스트 설명).
  • 기술: OpenAI GPT-4o mini 를 사용하여 텍스트에서 '부상 부위', '부상 원인', '부상 부위 수' 등을 추출.
  • 처리: 추출된 텍스트를 결정론적 코드북 (Codebook) 을 통해 8 개의 해부학적 영역과 13 개의 원인 카테고리로 매핑하여 범주형 특징으로 변환.
  • 모델: 기존 구조화된 데이터만 사용한 베이스라인 모델과 LLM 추출 특징을 추가한 향상된 모델 (Gradient Boosting) 을 비교.

사례 2: 검색 증강 생성 (RAG) 을 활용한 시장 비교 자동화

• 목표: 보험사 연차보고서 (PDF) 에서 솔벤시 비율, 할인율, 신용등급 등 복잡한 재무/규제 데이터를 자동으로 추출 및 비교.
• 방법론:
  • 기술: Retrieval-Augmented Generation (RAG) 파이프라인 구축.
  • 3 단계 프로세스:
    1. 전처리: PDF 텍스트 추출, 청킹 (Chunking), 임베딩 (Embedding).
    2. 프롬프트 증강: 사용자 쿼리와 유사한 텍스트 청크를 검색하여 컨텍스트로 추가.
    3. 응답 생성: Structured Outputs(JSON/Pydantic) 을 사용하여 정형화된 데이터 추출.
  • 벤치마크: Claude Sonnet 4.6, GPT-4.1, GPT-5.4 등 5 가지 LLM 을 AXA, Generali, Zurich 의 2025 년 보고서에 적용하여 정확도와 안정성 평가.

사례 3: 정밀 미세 조정 (Fine-tuning) 된 비전 기반 LLM 을 통한 자동차 손상 분류 및 위치 파악

• 목표: 자동차 손상 이미지에서 손상 유형을 분류하고, 손상 위치를 식별하며, 맥락적 정보를 추출.
• 방법론:
  • 데이터: Kaggle 의 자동차 손상 이미지 데이터셋 (6 가지 손상 유형).
  • 모델 비교:
    1. 전통적인 CNN (Convolutional Neural Network).
    2. 사전 학습된 GPT-4o (비 미세 조정).
    3. 도메인 특화 데이터로 미세 조정된 GPT-4o.
  • 기술: Structured Outputs 를 사용하여 손상 유형과 위치 (예: "windshield", "rear bumper") 를 정형화된 형식으로 출력.

사례 4: 다중 에이전트 시스템 (Multi-Agent System) 을 활용한 레거시 코드 (R to Python) 자동 이관

• 목표: 보험계리 레거시 코드 (R) 를 Python 으로 자동 변환하고, 결과를 검증.
• 방법론:
  • 아키텍처: LangGraph 기반의 5 개 전문 에이전트 협업 시스템.
    1. R 분석 에이전트: 소스 코드 및 데이터 분석.
    2. 번역 에이전트: R 코드를 Python 으로 변환 (GPT-5.4 사용).
    3. 컴파일 에이전트: 문법 검증 및 실행.
    4. 테스트 실행 에이전트: 사전 작성된 테스트 스위트 실행.
    5. 보고서 에이전트: 이관 결과 리포트 생성.
  • 피드백 루프: 컴파일 또는 테스트 실패 시 오류 정보를 번역 에이전트에 전달하여 자동 수정 (Self-debugging) 을 반복. 최대 재시도 횟수 초과 시 인간 개입으로 에스컬레이션.

3. 주요 결과 (Key Results)

• 사례 1 (청구 비용 예측): LLM 추출 특징을 추가한 모델은 베이스라인 대비 RMSE 18.2% 감소, MAE 22.6% 감소, R² 점수 114.5% 향상을 기록했습니다. 특히 '부상 부위'와 '부상 원인' 카테고리가 예측 정확도 향상에 가장 큰 기여를 했습니다.
• 사례 2 (시장 비교): RAG 파이프라인을 통해 5 가지 LLM 중 GPT-4.1 과 GPT-5.4 가 모든 항목 (솔벤시 비율, 할인율, 신용등급) 에서 100% 정확도를 달성했습니다. 솔벤시 비율과 할인율 추출은 매우 안정적이었으나, 신용등급 추출 시 모델 간 편차가 있었습니다.
• 사례 3 (손상 분류): 미세 조정된 GPT-4o 는 정확도 88.0%, **가중 F1 점수 88.0%**를 기록하여 비 미세 조정 모델 (82.3%) 보다 성능이 우수했으며, 전통적인 CNN (83.7%) 과도 비교 가능한 수준을 보였습니다. 또한 CNN 이 불가능한 '손상 위치'와 '맥락적 정보' 추출이 가능했습니다.
• 사례 4 (코드 이관): 2 가지 복잡한 계리 시나리오 (Chain-Ladder, GLM 기반 부트스트랩) 에 대해 10 회 반복 실행 시 100% 통과율을 기록했습니다. 복잡한 GLM 모델의 경우 평균 1.2 회의 재시도로 오류를 수정하며 성공적으로 이관되었습니다.

4. 주요 기여 (Key Contributions)

1. 실증적 사례 제시: GenAI 가 단순한 챗봇을 넘어, 실제 보험계리 업무 (예측, 데이터 추출, 이미지 분석, 코드 이관) 에서 어떻게 구체적으로 적용되고 검증될 수 있는지를 보여주는 4 가지 완전 구현된 사례 연구 제공.
2. 기술적 통합: 비구조화 텍스트, 이미지, 코드 등 다양한 모달리티를 처리하는 LLM, RAG, 비전 모델, 다중 에이전트 시스템의 통합 아키텍처 제시.
3. 검증 가능성 확보: 생성형 AI 의 비결정적 특성을 극복하기 위해 Ground Truth(기준값) 기반의 엄격한 테스트 스위트, 결정론적 코드북, 자동화된 피드백 루프 등을 도입하여 신뢰성을 확보하는 방법론 제시.
4. 오픈 소스 리소스: 모든 사례 연구의 Jupyter Notebook 을 GitHub 에 공개하여 보험계리사들이 직접 재현하고 적용할 수 있는 실용적 자원 제공.

5. 의의 및 시사점 (Significance)

• 계리 업무의 패러다임 전환: GenAI 는 비구조화 데이터에서 새로운 특징을 발굴하고, 반복적인 분석 작업을 자동화하며, 레거시 시스템을 현대화함으로써 보험계리사의 생산성과 예측 정확도를 획기적으로 높일 수 있음을 입증했습니다.
• 위험 관리와 거버넌스의 중요성 강조: 기술적 가능성뿐만 아니라 규제 준수 (EU AI Act 등), 보안 (프롬프트 인젝션), 이중 사용 (Dual-use) 및 사기 위험, 개인정보 보호, 재현성 문제 등 GenAI 도입 시 필수적으로 고려해야 할 리스크를 체계적으로 분석했습니다.
• 인간 - AI 협업 모델 제안: GenAI 가 인간을 대체하는 것이 아니라, **전문가의 검토 (Human-in-the-loop)**와 결합될 때 가장 효과적임을 강조합니다. 특히 코드 이관이나 고위험 의사결정 시에는 자동화 시스템과 인간 전문가의 검증 프로세스가 병행되어야 함을 시사합니다.
• 미래 방향성: 생성형 AI 는 보험 가치 사슬 전반 (고객 상호작용, 내부 분석, 규제 보고, 사기 탐지 등) 에 걸쳐 적용 가능하며, 보험사들은 이를 도입하기 위해 기술적 역량 강화와 함께 강력한 거버넌스 체계를 마련해야 함을 결론짓습니다.

이 논문은 생성형 AI 가 보험계리 분야에서 이론적 가능성을 넘어 실질적인 가치를 창출할 수 있음을 보여주며, 동시에 책임 있는 도입을 위한 기술적, 규제적, 조직적 프레임워크를 제시한다는 점에서 중요한 의의를 가집니다.