Leading European Financial Services Organizations Embrace Open Models to Build Proprietary Intelligence

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

유럽 금융기관들이 NVIDIA 가속 컴퓨팅과 오픈 웨이트 모델을 활용해 자체 데이터 기반의 독자적 AI 역량을 구축하고, 금융 서비스·연구·사기 탐지의 효율화를 추진하고 있다.

📌 핵심 요약

• Revolut은 NVIDIA cuDF, Dynamo-Triton 소프트웨어, NVIDIA Blackwell Ultra GPU로 단일 파운데이션 모델 PRAGMA를 운영 환경에 확대 적용하고 있다. 초기 8,000만 고객에게 서비스를 제공하며, 규모를 3배로 확장할 수 있도록 설계됐다.
• Starling Bank는 자체 거래 데이터와 Civo의 영국 소버린 클라우드로 Starling Intelligence를 개발했다. Lloyds Banking Group은 수십억 건의 거래를 재사용 가능한 지능으로 전환하는 ATUM을 구축했고, SBS는 은행 내부에 데이터를 유지하며 생성형·에이전트형 모델을 실행하는 플랫폼을 출시했다.
• bunq의 Finn은 Nebius에서 오픈 웨이트 모델을 구동해 주요 폐쇄형 모델과 동등한 품질을 답변당 비용 60% 수준으로 제공한다고 소개됐다. NatWest는 영국의 억양·방언·금융 용어를 인식하는 기술을 개발하고, Modulr와 Santander는 각각 결제 운영과 핵심 은행 업무에 특화된 모델을 구축하고 있다.
• LSEG는 NVIDIA와 협력해 과거 틱 데이터 분석을 최대 10배 가속하고 있다. RavenPack은 미세 조정한 NVIDIA Nemotron 모델을 활용해 자연어 연구 가설에서 라벨이 부여된 백테스트용 데이터셋을 생성하는 파이프라인을 Bigdata.com에 구축했다.
• HSBC는 Starburst Enterprise의 GPU Engine으로 데이터 처리를 5배 가속해 준실시간 고객 인사이트와 의사결정을 지원한다. Stripe는 NVIDIA GPU로 가속한 Ray Data를 활용한 Stripe Radar 오프라인 테스트에서 데이터 파이프라인 속도 42배 향상과 비용 92% 절감을 확인했다.

🧩 주요 포인트

1. 자체 거래 데이터와 소버린·내부 인프라 활용 → 금융기관이 데이터 통제권을 유지하면서 업무별 독자적 AI 역량을 구축하는 기반.
2. 단일 파운데이션 모델과 업무별 특화 모델의 병행 → Revolut PRAGMA의 광범위한 적용과 Modulr·Santander의 개별 업무 최적화라는 서로 다른 접근.
3. 답변당 비용·분석 속도·데이터 처리 성능의 개선 → AI 도입 효과가 모델 품질뿐 아니라 운영 효율로 확대되며, Stripe의 수치는 오프라인 테스트라는 조건을 함께 고려할 필요.

🧠 상세 정리

1. Revolut: 단일 파운데이션 모델을 대규모 은행 운영으로 확장

GTC Berlin에서 은행·결제 기업·금융 데이터 제공업체들은 NVIDIA 가속 컴퓨팅과 오픈 웨이트 모델을 기반으로 자체 인프라에서 운영하는 AI 사례를 제시했다. Revolut은 기술 스택을 단일 파운데이션 모델 PRAGMA 중심으로 재구축하고 있다. NVIDIA cuDF 툴킷과 Dynamo-Triton 소프트웨어를 NVIDIA Blackwell Ultra GPU에서 활용해 PRAGMA를 실제 운영 환경으로 확대하며, 초기 8,000만 고객에게 서비스를 제공하고 규모를 3배로 확장할 수 있도록 설계했다. Revolut의 AI 책임자 Pavel Nesterov는 수십억 건의 거래와 여러 업무 영역에서 파운데이션 모델이 작동할 수 있는지가 핵심 과제였으며 PRAGMA가 이에 답한다고 설명했다. 그는 NVIDIA와의 협력이 연구 성과와 실제 은행 시스템 사이의 간극을 좁힐 수 있음을 보여준다고 평가했다.

2. 자체 거래 데이터와 소버린 인프라를 활용한 지능 구축

Starling Bank는 영국 소버린 클라우드 인프라에서 에이전트형 모델을 훈련한 최초의 은행으로 소개됐다. 이 은행은 자체 거래 데이터를 활용해 Civo의 영국 클라우드에서 AI 역량의 기반이 되는 지능 계층 Starling Intelligence를 개발했다. Lloyds Banking Group은 수십억 건의 은행 거래를 재사용 가능한 지능으로 바꾸는 거래 파운데이션 모델 ATUM을 구축했다. ATUM은 NVIDIA RTX PRO 6000 Blackwell GPU로 가속되며, 은행 전반의 여러 활용 사례에서 효율을 높이는 것으로 설명됐다. SBS는 데이터가 은행 내부를 벗어나지 않는 상태에서 생성형·에이전트형 모델을 실행할 수 있도록 은행용 소버린 지능 플랫폼을 출시했다. 이 사례들은 금융기관이 보유한 데이터와 통제 가능한 인프라를 AI 역량의 기반으로 삼는 흐름을 보여준다.

3. 오픈 웨이트 모델의 비용 효율과 금융 업무 특화

원문은 오픈 웨이트 모델이 유럽 금융기관에 자체 데이터로 독자적 지능을 구축하고 비용을 통제할 수 있는 수단을 제공한다고 설명한다. 네오뱅크 bunq의 에이전트형 비서 Finn은 NVIDIA 가속 컴퓨팅으로 구동되는 오픈 웨이트 모델을 사용하며, Nebius 배포 환경에서 주요 폐쇄형 모델과 동등한 품질을 답변당 비용 60% 수준으로 제공한다고 소개됐다. NatWest는 Nemotron 3.5 ASR을 포함한 NVIDIA 음성 모델로 영국의 다양한 억양·방언·금융 용어를 인식하도록 설계된 기술을 개발하고 있다. Modulr는 NVIDIA Nemotron-3-Ultra-550B 오픈 모델을 기반으로 결제 운영의 서로 다른 영역에 특화된 모델을 구축하고 있다. Santander는 구조화된 금융 데이터를 위한 새로운 NVIDIA Kumo 오픈 웨이트 파운데이션 모델 제품군의 초기 도입자로, 핵심 은행 업무에 특화된 지능을 개발하는 데 이를 활용하고 있다.

4. 금융 연구의 데이터 분석과 가설 검증 준비 가속

LSEG는 NVIDIA와 협력해 금융기관이 대량의 과거 틱 데이터를 최대 10배 빠르게 분석하도록 지원하고 있다. 여기에는 NVIDIA RTX PRO 6000 Blackwell GPU에서 NVIDIA cuDF로 가속되는 Polars GPU 엔진이 사용된다. RavenPack은 Bigdata.com에 자연어로 표현한 연구 가설을 입력하면 라벨이 부여되고 백테스트에 바로 사용할 수 있는 데이터셋을 반환하는 생성 파이프라인을 구축했다. 이 파이프라인은 미세 조정한 NVIDIA Nemotron 모델로 구동된다. 투자자는 생성된 데이터셋으로 시장 추세를 식별하고 분석하며 시각화할 수 있다. 두 사례는 금융 연구에서 가속 컴퓨팅과 모델의 적용 범위가 대량 데이터 분석부터 연구 가설을 검증할 데이터셋 준비까지 이어지고 있음을 보여준다.

5. 사기 탐지를 위한 데이터 처리 개선과 성과의 적용 조건

NVIDIA RTX PRO 6000 Blackwell Server Edition GPU와 cuDF는 여러 테라바이트 규모로 분산되고 규제를 받는 데이터 소스의 처리를 가속해, 사기 탐지 등에서 데이터가 의사결정으로 이어지는 시간을 줄이는 수단으로 소개됐다. HSBC는 Starburst Enterprise의 GPU Engine으로 데이터 처리를 5배 가속하고, 고객 업무와 필요 시 의사결정을 지원하는 준실시간 고객 인사이트를 제공하면서 위험과 사기를 최소화한다고 설명한다. Stripe는 Stripe Radar 사기 탐지 플랫폼의 오프라인 테스트에서 NVIDIA GPU로 가속한 Ray Data를 통해 데이터 파이프라인 속도 42배 향상과 비용 92% 절감을 확인했다. 원문은 이를 통해 Stripe Radar의 머신러닝 파이프라인이 모델 훈련을 지속적으로 최적화하고 사기 탐지를 개선할 수 있다고 설명한다. 다만 Stripe의 수치는 오프라인 테스트 결과이므로, 실제 운영 환경에서 측정된 성과로 확대해 해석하지 않아야 한다.

🧾 핵심 주장 / 시사점

• 금융기관의 독자적 AI 역량은 자체 데이터, 이를 통제할 인프라, 업무에 맞는 모델을 결합하는 방향으로 구축되고 있다.
• Revolut의 단일 모델 전략과 Modulr·Santander의 특화 모델 전략은 금융 AI의 적용 방식이 하나로 수렴하지 않고 있음을 보여준다.
• bunq의 답변당 비용, LSEG의 분석 속도, Stripe의 파이프라인 성과는 서로 다른 지표이므로, 수치의 크기와 함께 측정 대상과 적용 조건을 구분해야 한다.

✅ 액션 아이템

• Revolut PRAGMA의 초기 8,000만 고객 서비스와 3배 확장 설계를 구분해 현재 적용 규모와 확장 목표를 검토.
• bunq Finn의 주요 폐쇄형 모델 대비 동등한 품질과 답변당 비용 60% 수준을 함께 살펴 오픈 웨이트 모델의 비용 효율을 평가.
• Stripe Radar의 속도 42배 향상·비용 92% 절감은 오프라인 테스트 결과라는 조건을 유지해 해석.

❓ 열린 질문

• Revolut PRAGMA의 3배 확장 설계는 실제 운영에서 어느 규모까지 검증됐는가?
• bunq Finn이 주요 폐쇄형 모델과 동등한 품질을 답변당 비용 60% 수준으로 제공한다는 비교의 평가 조건은 무엇인가?
• Stripe Radar의 오프라인 테스트에서 확인된 속도 42배 향상과 비용 92% 절감은 실제 운영 환경에서도 유지되는가?