전통적 방식
문제를 단순화합니다.
통계 모델과 규칙 기반 시스템은 안정적이고 해석하기 쉽지만, 고정된 가정과 단순화된 관계, 제한된 탐색 범위에 의존하는 경우가 많습니다.
FintelliQ™ / 양자 AI 금융 인텔리전스
양자 AI 기술로 미래 금융 혁신을 주도합니다.
FintelliQ™는 금융 도메인 전문성, AI와 양자 기술을 결합해 예측·최적화·리스크·이상탐지 등 금융의 복잡한 난제를 해결합니다.
01 / 금융산업에 새로운 컴퓨팅 방식이 필요한 이유
기존 기술로 해결하기 어려운 금융 의사결정 문제가 늘어나고 있습니다.
금융기관은 빠르게 늘어나는 데이터, 변수, 시나리오와 제약조건을 고려해 더 신속하고 정교한 의사결정을 내려야 합니다. 전통적 모델은 계산을 위해 문제를 단순화합니다. AI는 보다 복잡한 패턴을 학습하지만 과거 데이터에 의존하며, 최적화·시뮬레이션·설명 가능성의 모든 문제를 AI만으로 해결할 수는 없습니다.
AI
학습한 패턴으로 예측합니다.
AI는 대규모 데이터에서 비선형 패턴을 찾는 데 강하지만, 데이터가 부족하거나 편향되면 새로운 상황에 대한 예측력이 떨어집니다. 또한 예측만으로는 서로 충돌하는 제약조건을 반영한 의사결정을 최적화하거나 충분한 설명 근거를 확보할 수 없습니다.
양자 AI 하이브리드
새로운 계산 방식을 더합니다.
양자 데이터 표현, 최적화와 추정 방법을 AI와 결합해 복잡한 탐색 공간, 고차원 변수 관계와 반복 시나리오 계산을 처리합니다.
맥킨지 전망 · 2035년4,000억–6,000억 달러금융 분야 양자컴퓨팅의 잠재 경제가치
금융은 양자컴퓨팅의 경제적 가치가 가장 크게 기대되는 산업 중 하나입니다.
맥킨지는 기존 금융 프로세스의 개선뿐 아니라 기존 컴퓨팅만으로 구현하기 어려운 새로운 접근에서도 가치가 창출될 것으로 전망합니다.
맥킨지 금융산업 전망, 2026 ↗기존 프로세스 개선가격결정, 리스크 분석, 이상거래 탐지와 의사결정 최적화의 속도와 정밀도 향상
새로운 계산 역량복잡한 시나리오, 상관관계와 조합 탐색을 위한 새로운 계산 방식
하이브리드 도입대규모 결함허용 양자컴퓨터를 기다리지 않고도 금융기관이 하이브리드 방식으로 적용 가치를 검증
02 / FINTELLIQ™ 솔루션 모듈
금융 의사결정 혁신을 위한 4개의 전문 모듈
FintelliQ™는 네 개의 전문 모듈로 구성된 통합 양자 AI 금융 솔루션입니다. 각 모듈은 명확한 고객군, 금융 문제와 의사결정 결과를 기준으로 독립적으로 적용할 수 있는 제품으로 설계됩니다.
네 가지 모듈 살펴보기 스크롤로 탐색 · 마우스로 선택
01 / 신용평가
개념적 표현 · 실제 금융 측정 데이터 아님
모듈 01산업 PoC
고도화된 신용평가
신용정보회사은행핀테크
금융 문제
금융 이력 부족 고객 · 부도 리스크 예측 · 대안정보 신용평가
계산 과제
변수의 수와 복잡성이 커질수록 변수 간 상관관계를 충분히 표현하기 어렵습니다.
방법 및 알고리즘
FintelliQ™ 접근
양자 커널로 고차원 변수 관계를 학습하고, XQAI로 신용 의사결정의 해석 근거를 제공합니다.
제공 결과신용점수 · 리스크 확률 · 의사결정 설명
03 / 핵심 양자 AI 알고리즘
금융 문제의 구조에 맞춰 알고리즘을 선택합니다.
FintelliQ™는 양자컴퓨팅을 AI의 일률적인 대체 기술로 사용하지 않습니다. 해결해야 할 계산 병목에 따라 문제 수식화, 양자 알고리즘과 AI를 선택적으로 결합합니다.
FintelliQ는 모든 문제에 양자 알고리즘을 일률적으로 적용하지 않습니다. 금융 의사결정의 계산 병목을 규명하고 전통적 방식과 AI를 비교 기준으로 설정한 후, 검증 가능한 개선 가능성이 있는 기술을 선별적으로 적용합니다.
학습 알고리즘개념 모델
양자 머신러닝
데이터 인코딩은 관계 학습에 사용하는 표현을 바꿉니다.
핵심 원리
금융 변수를 양자 특성 공간에 표현하고, 양자 커널 또는 하이브리드 모델을 통해 변수 간 관계를 학습합니다.
AI의 한계
데이터가 부족하거나 불균형한 경우 복잡한 고차원 변수 관계를 안정적으로 표현하기 어렵습니다.
금융 적용
신용 분류 · 부도 예측 · 비선형 이상 패턴 탐지
모듈 01 · 모듈 04
04 / 적용 프로세스
금융 문제 정의부터 검증된 의사결정 적용까지 연결합니다.
문제 → 검증된 의사결정
의사결정 정의서로 문제와 성공 기준을 설정합니다.
- 01의사결정 문제 정의
- 02데이터 구조화
- 03알고리즘 선택·조합
- 04비교·검증
- 05의사결정 적용
문제 · 비교 기준
01
의사결정 문제 정의
사업 목표, 개선할 의사결정, 변수, 제약조건, 규제 요건과 측정 가능한 성공 기준을 정의합니다.
문제 · 비교 기준
02
데이터 구조화
금융·거래·대안·시장 데이터를 준비하고 표본 구성, 데이터 불균형, 분석 기간과 거버넌스 요건을 반영합니다.
데이터 · 변수
03
알고리즘 선택·조합
전통적 방식과 AI를 비교 기준으로 설정한 뒤 문제 구조에 따라 QML, QAOA, QAE, QSVM 또는 XQAI를 적용합니다.
AI · 양자 · 하이브리드
04
비교·검증
동일한 조건에서 예측 성능, 해의 품질, 안정성, 설명 가능성과 확장성을 측정합니다.
검증 근거 · 가치
05
의사결정 적용
검증된 결과를 신용평가, 포트폴리오, 리스크 또는 이상탐지 업무에 연결하고 적용 요건을 정의합니다.
의사결정 · 업무 적용
05 / FINTELLIQ™ 산업 적용 · NICE평가정보
NICE평가정보와 두 가지 연계 실증을 진행합니다.
QIC와 NICE평가정보는 대안 데이터 기반 신용평가와 양자 최적화 기반 대출 의사결정을 두 개의 연계 PoC로 실증합니다.
기존 금융 이력이 부족한 개인과 소상공인을 대상으로 대안정보와 양자 머신러닝이 추가적인 예측 정보를 제공할 수 있는지, 기존 모델과의 비교 가능성과 설명 가능성을 함께 검증합니다.
협력기관NICE평가정보한국 No.1 신용평가 정보 서비스 회사
산업 분야신용정보 · 여신
프로젝트2개의 연계 PoC
데이터가명·비식별 테스트 데이터
양자 인프라Pasqal 중성원자 양자 시스템
유사한 신용점수 안의 위험을 구분합니다.
기존 점수는 실제 위험이 다른 차주를 같은 집단으로 묶을 수 있습니다. 본 PoC는 금융·대안정보를 양자-AI 모델로 재평가해 집단 내 차이를 구분할 수 있는지 검증합니다. 개선 여부는 기존 기준 모델과 비교해 확인해야 합니다.
유사 점수 → 양자-AI 재평가 → 세분화된 위험 구분.실측 PoC 결과가 아닌 개념적 목표입니다. 전후에 동일한 9명의 차주를 표시합니다.
01금융·대안 차주 데이터
02양자-AI 재평가 및 기존 기준 모델
03집단 내 위험 구분
04변별력 검증 및 결과 설명
검토 결과
재평가된 위험 추정치기준 모델 대비 변별력검토용 변수 기여도
리스크 예측을 실제 제약조건이 반영된 의사결정으로 연결합니다.
AI가 신용 리스크를 예측하고, 양자 최적화가 부도 리스크·승인율·수익성과 업무 제약조건을 함께 고려해 여신 전략·금리·한도의 조합을 탐색합니다.
위험·운영 제약조건 → 실행 가능한 대출 후보.설명용 흐름도 · 실제 차주 정보나 PoC 결과 아님.
01AI 신용 리스크 예측
02목표·업무 제약조건
03양자 최적화 탐색
04여신 전략 · 금리 · 한도 후보안
의사결정 후보
대출 규칙금리신용한도
신용위험 근거제약조건을 반영한 대출 의사결정
프로젝트 역할
NICE신용 데이터, 금융 도메인 기준, 기존 비교 모델과 산업 검증
QICFintelliQ 아키텍처, AI·QML 모델링, XQAI와 양자 최적화
Pasqal최적화 트랙을 위한 중성원자 양자컴퓨팅 인프라와 개발 환경
PoC 검증 항목
신용평가 모델예측 변별력 · 일반화 성능 · 설명 가능성 · 기존 모델 비교
최적화해의 품질 · 계산 효율 · 확장성
업무 적용데이터 적용 가능성 · 거버넌스 · 업무 연계 · 경제적 의미
본 섹션은 현재 진행 중인 PoC의 범위와 검증 구조를 설명하며, 확인되지 않은 성능 결과를 제시하지 않습니다. ‘국내 최초’는 개인신용평가 모델에 양자 AI를 직접 적용·검증하는 국내 신용평가업계 최초 사례라는 NICE평가정보의 공식 발표를 기준으로 표기했습니다.
FintelliQ™
금융의 복잡한 문제를 함께 해결할 파트너를 찾습니다.
QIC는 은행, 신용정보회사, 카드사, 증권사, 자산운용사 등 다양한 금융기관과 함께 현장의 문제를 정의하고 FintelliQ™를 활용한 해결 가능성을 검증합니다.
산업 PoC 문의 →