Dwata: 로컬 LLM을 활용한 개인 금융 데이터 추출 및 관리 도구

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

개인 이메일에 흩어진 금융 거래 내역을 안전하게 정리하기 위해 개발된 Dwata는 로컬 LLM 에이전트를 활용한다. 사용자의 이메일을 로컬 SQLite 데이터베이스에 다운로드한 후, AI가 이메일 패턴을 분석하여 재사용 가능한 추출 템플릿을 생성한다. Ollama와 Ministral 모델을 지원하여 데이터가 외부 서버로 유출되지 않는 프라이버시 중심의 아키텍처를 제공한다. 현재 초기 개발 단계로 Rust 백엔드와 SolidJS 프론트엔드로 구성되어 있으며 macOS, Linux, Windows를 모두 지원한다.

배경

Ollama 설치 및 실행 환경, 기본적인 터미널 명령어 사용 능력, Google Cloud Console을 통한 OAuth 자격 증명 생성 지식 (Gmail 연동 시)

대상 독자

개인 금융 데이터를 안전하게 자동화하려는 개발자 및 프라이버시를 중시하는 LLM 사용자

의미 / 영향

이 도구는 LLM이 단순한 챗봇을 넘어 로컬 환경에서 개인 데이터를 구조화하는 강력한 에이전트로 활용될 수 있음을 보여준다. 특히 비용과 보안 문제로 클라우드 AI 도입을 꺼리는 개인 사용자들에게 실질적인 대안을 제시하며, 온디바이스 AI 애플리케이션의 전형적인 설계 패턴을 제시한다.

섹션별 상세

Dwata는 사용자의 이메일 데이터를 외부 클라우드 서비스에 전송하지 않고 로컬 SQLite 데이터베이스에만 저장하여 강력한 프라이버시를 보장한다. Ollama를 통해 로컬에서 LLM을 실행하므로 템플릿 탐지 및 데이터 추출 과정에서 외부 API 호출이 발생하지 않는다.

Dwata의 로컬 이메일 인박스 화면 — Screenshot사용자의 이메일 계정에서 다운로드된 메시지 목록을 보여주며, 로컬 SQLite에 저장된 데이터를 웹 UI로 확인하는 초기 단계를 설명한다.

LLM 에이전트는 특정 발신자의 이메일 샘플을 분석하여 금융 데이터를 추출하기 위한 정규 패턴(템플릿)을 스스로 생성한다. 이 과정은 발신자당 단 한 번만 수행하면 되며, 이후 동일한 발신자의 이메일은 생성된 템플릿을 통해 AI 호출 없이도 자동 추출된다.

bash

ollama pull ministral-3:3b

Ollama를 사용하여 Dwata에서 권장하는 로컬 LLM인 Ministral 3:3b 모델을 다운로드하는 명령

AI를 이용한 금융 템플릿 탐지 시작 화면 — ScreenshotLLM 에이전트를 실행하여 이메일 패턴을 분석하고 재사용 가능한 템플릿을 생성하는 기능을 안내한다.

생성된 금융 데이터 추출 템플릿 상세 정보 — ScreenshotLLM이 이메일 본문에서 금액, 날짜, 거래 참조 번호 등을 추출하기 위해 정의한 변수 매핑과 템플릿 구조를 시각화한다.

기본적으로 Ollama의 Ministral 3:3b 모델 사용을 권장하며, 사용자의 필요에 따라 OpenAI GPT-4o Nano 또는 Google Gemini 2.5 Flash Preview와 같은 클라우드 기반 API 모델로 전환할 수 있는 유연한 설정을 제공한다.

Ollama를 통한 템플릿 탐지 실행 과정 — Screenshot실제로 로컬 LLM이 이메일 발신자별로 데이터를 스캔하고 매칭된 문서 ID와 발신자 순위를 분석하는 실시간 진행 상황을 보여준다.

백엔드는 Rust와 Actix-web 프레임워크를 사용하여 고성능 처리를 구현했으며, 프론트엔드는 SolidJS와 DaisyUI를 활용해 가볍고 반응성이 뛰어난 웹 인터페이스를 구축했다. 모든 데이터는 로컬 파일 시스템의 SQLite에 저장된다.

최종 추출된 금융 거래 내역 목록 — Screenshot템플릿을 통해 이메일에서 자동으로 추출된 날짜, 거래명, 금액, 통화, 상태 정보가 구조화된 테이블 형태로 정리된 결과를 보여준다.

Gmail 연동을 위해 OAuth 인증을 지원하며, 사용자의 자격 증명은 OS 키체인(Keychain)에 안전하게 보관된다. macOS 환경에서는 최초 실행 시 키체인 접근 승인을 통해 보안성을 유지하면서도 편리한 사용이 가능하다.

toml

// macOS: ~/Library/Application Support/dwata/project.toml

[google_oauth]
client_id = "YOUR_CLIENT_ID"
client_secret = "YOUR_CLIENT_SECRET"

Gmail 연동을 위한 Google OAuth 자격 증명 설정 파일 예시

실무 Takeaway

금융 정보와 같은 민감한 데이터를 처리할 때 Ollama 기반 로컬 LLM을 활용하면 데이터 유출 위험 없이 AI 자동화를 구현할 수 있다.
LLM을 매번 호출하는 대신 템플릿 생성 단계에서만 AI를 사용하고 이후에는 패턴 매칭을 활용함으로써 추론 비용과 지연 시간을 획기적으로 줄일 수 있다.
Rust와 SQLite의 조합은 로컬 환경에서 대량의 텍스트 데이터를 처리하고 LLM 에이전트를 구동하는 데 매우 효율적인 기술 스택임을 보여준다.

언급된 리소스

GitHubDwata GitHub Repository

문서Ollama Official Website