섹션별 상세
기업 내 지식 파편화는 근로자가 가용 지식의 38%만 활용하게 만들며, 정보 검색에 막대한 시간을 낭비하게 하는 숨겨진 비용을 발생시킨다. 기존 솔루션은 특정 벤더에 종속되거나 보안 취약점이 발생하는 한계가 있어 기업 환경에 적용하기 어렵다.
Talk to My Docs(TTMDocs)는 Google Drive, Box 등 기존 문서 저장소의 권한 체계를 그대로 유지하는 제로 트러스트 보안 모델을 채택했다. OAuth 통합을 통해 사용자가 원래 접근 권한이 없는 문서는 검색 결과에서 제외되도록 보장하여 데이터 유출 위험을 방지한다.
CrewAI 프레임워크를 활용한 멀티 에이전트 아키텍처를 기반으로 설계되어 복잡한 질의를 여러 전문가 에이전트가 나누어 처리한다. 예를 들어 금융 문서 담당, 기술 사양 담당, 종합 분석 담당 에이전트가 협업하는 구조이며, 필요에 따라 LangGraph나 LlamaIndex로 프레임워크를 교체할 수 있는 모듈성을 제공한다.
python
def fda_regulatory_agent(self) -> Agent:
"""
Specialized agent for FDA regulations, guidance documents, and submission requirements.
"""
return Agent(
role="FDA Regulatory Affairs Specialist",
goal=dedent("""
Analyze FDA regulations, guidance documents, and submission requirements
relevant to "{question}". Identify applicable regulatory pathways (IND, NDA,
BLA, 510(k), PMA, De Novo), submission requirements, review timelines, and
post-market obligations.
""").strip(),
// ...(중략)
llm=self.model_factory(
model="datarobot/bedrock/anthropic.claude-sonnet-4-20250514-v1:0",
use_deployment=True,
),
)FDA 규제 및 제출 요구사항을 분석하기 위해 Claude 3.5 Sonnet 모델을 사용하는 전문 에이전트 정의 예시
python
@property
def clinical_trial_compliance_agent(self) -> Agent:
return Agent(
role="Clinical Trial Protocol and GCP Compliance Specialist",
goal=dedent("""
Review clinical trial protocols, informed consent documents, and study procedures
to ensure compliance with ICH-GCP (E6 R2), FDA regulations (21 CFR 50, 56, 312),
institutional requirements, and patient safety standards.
""").strip(),
allow_delegation=True,
llm=self.model_factory(
model="datarobot/azure/gpt-4o-2024-11-20",
use_deployment=True,
),
)임상 시험 프로토콜의 규제 준수 여부를 검토하기 위해 GPT-4o 모델을 사용하는 에이전트 설정



DataRobot 엔터프라이즈 플랫폼과 통합되어 80개 이상의 LLM에 접근할 수 있는 LLM Gateway와 모든 쿼리 및 검색 과정을 추적하는 관측성 기능을 지원한다. 이를 통해 개발자는 시스템의 추론 과정을 상세히 모니터링하고 오류 발생 시 신속하게 진단할 수 있다.
전체 시스템은 React 프론트엔드, FastAPI 백엔드, Pulumi 기반 인프라 코드로 구성된 오픈소스 템플릿 형태로 제공된다. 단순한 블랙박스 API가 아닌 전체 소스 코드에 대한 접근 권한을 부여하여 기업이 자신의 인프라에 맞춰 자유롭게 커스터마이징하고 배포할 수 있도록 한다.
용어 해설
- 검색 증강 생성(RAG)
- — 외부 지식 베이스에서 관련 정보를 검색하여 대형 언어 모델의 답변 생성에 활용하는 기법이다. 모델의 학습 데이터에 포함되지 않은 최신 정보나 기업 내부 문서를 기반으로 정확한 답변을 생성하고 환각 현상을 줄이는 데 핵심적인 역할을 한다.
- 다중 에이전트(Multi-Agent)
- — 복잡한 문제를 해결하기 위해 서로 다른 역할, 목표, 도구를 가진 여러 AI 에이전트가 협력하는 아키텍처이다. 단일 모델이 모든 작업을 수행하는 대신 전문가 에이전트들이 작업을 분담하여 정확도와 효율성을 높인다.
- 제로 트러스트(Zero Trust)
- — 내부 네트워크에 있더라도 아무도 신뢰하지 않고 모든 접근 요청에 대해 엄격한 인증과 권한 확인을 수행하는 보안 모델이다. TTMDocs에서는 기존 문서 저장소의 권한 체계를 그대로 계승하여 보안을 강화하는 데 사용된다.
- 코드형 인프라(Infrastructure as Code)
- — 수동 설정 대신 프로그래밍 언어나 설정 파일을 통해 클라우드 인프라를 정의하고 배포하는 방식이다. 인프라 구성의 일관성을 유지하고 자동화된 배포 파이프라인을 구축하여 운영 효율성을 극대화한다.
- 관측성(Observability)
- — 시스템 내부의 복잡한 동작 과정을 로그, 트레이스, 메트릭 등을 통해 파악할 수 있는 능력이다. AI 에이전트 시스템에서는 모델의 추론 단계와 데이터 검색 과정을 상세히 기록하여 성능을 최적화하고 오류를 진단하는 데 필수적이다.
기술
- CrewAI
- DataRobot
- FastAPI
- React
- Pulumi
- Claude 3.5 Sonnet
- GPT-4o
- Gemini 2.5 Flash
활용 사례
- M&A 실사 문서 분석
- 임상 시험 규제 준수 검토
- 법률 문서 검색 및 분석
- 보험 청구 조사 및 사기 탐지
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 06.수집 2026. 02. 21.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
