"2분기 실적 날짜도 틀리던 AI"…웹케시는 어떻게 은행용 에이전트 바꿨나
(zdnet.co.kr)
웹케시가 금융권의 엄격한 데이터 정확도 요구를 충족하기 위해 NL2SQL 기술에 규칙 기반 엔진과 도메인 지식을 결합하여 환각 현상을 제거하고 쿼리 성능을 최적화한 은행용 AI 에이전트 구축 사례를 공개했습니다.
이 글의 핵심 포인트
- 1웹케시의 NL2SQL 엔진 '큐비(QUVI)'는 글로벌 벤치마크 스파이더 2.0의 스노우 부문에서 1위를 기록함
- 2날짜 해석을 위한 32개 패턴의 규칙 기반 엔진과 AI 에이전트를 분리하여 정확도 향상
- 3317개의 은행 용어 정리 및 879개 데이터 컬럼을 업무 용어와 연결 완료
- 4질문이 모호할 경우 AI가 스스로 되묻는 기능을 통해 환각 현상 방지
- 5오라클 옵티머화 힌트 적용을 통해 20분 소요되던 데이터 조회를 5초로 단축
이 글에 대한 공공지능 분석
왜 중요한가?
금융과 같이 수치 정확도가 생명인 도메인에서 생성형 AI의 고질적인 문제인 환각(Hallucination)을 어떻게 기술적으로 제어하고 운영 안정성을 확보했는지를 보여주는 실질적인 레퍼로직이기 때문입니다.
어떤 배경과 맥락이 있나?
단순한 LLM 도입을 넘어, 기업 내부의 복잡한 DB 구조와 전문 용어를 AI가 정확히 이해하고 SQL로 변환(NL2SQL)할 수 있는 정교한 엔지니어링 기술과 도메인 지식 결합이 요구되는 시점입니다.
업계에 어떤 영향을 주나?
AI 에이전트 시장이 단순 챗봇을 넘어 데이터 추출 및 분석 자동화 단계로 진화하고 있으며, 데이터 정합성과 쿼리 최적화 능력이 엔터프라이즈 AI 솔루션의 핵심 경쟁력이 될 것임을 시사합니다.
한국 시장에 어떤 시사점이 있나?
한국의 금융 및 공공 기업들은 데이터 민감도가 매우 높으므로, 모델 자체의 성능에만 의존하기보다 도메인 특화 규칙(Rule)과 데이터 가드레일을 구축하는 '엔지니어링 디테일'에 집중하는 전략이 유효합니다.
이 글에 대한 큐레이터 의견
웹케시의 사례는 LLM의 한계를 인정하고 이를 보완하기 위한 '하이브리드 접근법(Rule-based + AI)'을 택했다는 점에서 매우 영리한 전략입니다. 단순히 모델의 파싱 능력을 높이는 데 매몰되지 않고, 날짜 패턴이나 금융 용어 사전 같은 구조화된 지식을 결합하여 신뢰성을 확보한 것은 엔터프라이즈 AI 구축의 정석을 보여줍니다.
다만, 이러한 방식은 구축 과정에서 막대한 양의 도메인 지식 매핑과 규칙 정의(Rule-making) 비용을 발생시킨다는 트레이드오프가 있습니다. 317개의 용어와 128개의 계산 규칙을 정의하는 과정은 고도의 전문 인력과 시간을 필요로 하므로, 모든 산업군에 동일하게 적용하기에는 확장성(Scalability) 측면에서 운영 부담이 클 수 있습니다. 따라서 스타트업은 범용 모델 개발보다는 특정 산업의 '데이터 정합성 보장 기술'에 집중하여 높은 진입장벽을 구축하는 전략이 필요합니다.
관련 뉴스
댓글
아직 댓글이 없습니다. 첫 댓글을 남겨보세요.