2026년 연준·FDIC·OCC의 새로운 모델 리스크 관리(MRM) 지침에 대응하는 Databricks 참조 아키텍처

섹션별 상세

2026년 개정된 MRM 지침은 모델의 중요도에 따른 위험 기반 차등 관리(Risk-based tailoring)와 전 생애주기적 사고를 요구한다. 모든 모델은 내재적 위험과 노출도에 따라 티어(Tier)가 지정되어야 하며, 개발부터 모니터링까지의 전 과정이 단절 없이 연결된 계보로 증명되어야 한다. Databricks는 Unity Catalog의 메타데이터 태그 기능을 활용해 티어 변경 시 시스템 전체의 제어 로직이 즉시 업데이트되도록 구현했다. 이를 통해 수동으로 관리되던 비효율적인 거버넌스 프로세스를 시스템화하고 감사 노출을 최소화할 수 있다.

Bronze, Silver, Gold 레이어로 구성된 메달리온 아키텍처 기반의 선언적 파이프라인 구조도 — Diagram데이터가 원천(Raw)에서 기능(Feature)을 거쳐 최종 학습 세트(Training Set)로 정제되는 과정을 보여줍니다. 각 단계에서 스트리밍 테이블과 구체화된 뷰(Materialized View)를 통해 데이터 품질과 계보가 관리됨을 시각화하고 있습니다.

근거

2026년 4월 17일, 연준, FDIC, OCC는 기존 SR 11-7 등 모델 리스크 관리 지침을 원칙 중심의 프레임워크로 대체했다. — What Changed in the April 2026 MRM Guidance 섹션 첫 문단

고전적인 머신러닝 모델과 최신 GenAI 에이전트를 동일한 거버넌스 프레임워크 내에서 통합 관리하는 것이 핵심이다. 기존 방식은 모델 유형별로 별도의 관리 체계를 구축하여 비용과 감사 표면이 두 배로 늘어나는 문제가 있었다. Databricks 아키텍처는 MLflow와 Unity Catalog를 통해 LLM 엔드포인트와 일반 모델을 동일한 객체로 취급하여 등록, 평가, 모니터링 프로세스를 공유한다. 결과적으로 규제 당국이 GenAI에 MRM 원칙을 적용할 때 별도의 도구 도입 없이 기존 체계를 즉시 확장 적용할 수 있다.

속성 기반 액세스 제어(ABAC)를 통해 모델의 중요도에 따른 비례적 통제(Proportionality)를 자동화한다. 중요도가 높은 Tier-1 모델은 독립적 검증인의 승인과 이중 제어(Dual Control)를 강제하고, 낮은 티어는 완화된 승인 절차를 적용하는 식의 정책을 코드화한다. Unity Catalog의 ABAC 정책 로그는 그 자체로 규제 준수를 증명하는 감사 증적(Audit Trail)이 되어 별도의 정책 문서를 작성할 필요를 없애준다. 이는 규제 대응을 위한 행정적 부담을 줄이고 데이터 과학자들이 개발 본연의 업무에 집중할 수 있는 환경을 제공한다.

근거

Databricks 아키텍처를 사용하면 조사관의 증거 요청 대응 시간을 수 주에서 수 시간으로 단축할 수 있다. — The Examiner RFI, End to End 섹션 마지막 문단

기술

Databricks
Unity Catalog
MLflow
Delta Lake
Lakehouse Monitoring
Mosaic AI
Spark Declarative Pipelines

활용 사례

은행의 신용 평가 모델 관리
자금세탁방지(AML) AI 에이전트 거버넌스
금융 규제 당국 대응 자동화

언급된 리소스

문서Databricks Blog - MRM Reference Architecture