Addepar: Databricks를 활용한 9조 달러 자산 관리 및 차세대 AI 에이전트 구축 사례

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

핵심 요약

Addepar는 9조 달러 규모의 자산을 관리하기 위해 파편화된 레거시 시스템을 Databricks 기반의 통합 데이터 지능 플랫폼으로 전환했다. 기존 인프라의 높은 비용과 느린 개발 속도를 해결하고자 Unity Catalog와 관리형 서비스를 도입하여 거버넌스와 효율성을 동시에 확보했다. 이를 바탕으로 단순 챗봇을 넘어 금융 워크플로우를 직접 실행하는 네이티브 AI 에이전트 'Addison'을 개발하여 사용자 경험을 혁신했다. 결과적으로 인프라 비용을 60% 절감하고 파이프라인 구축 속도를 5배 향상시키며 규제가 엄격한 금융권에서 안전한 GenAI 확산 모델을 제시했다.

배경

데이터 거버넌스 기본 지식, LLM 및 AI 에이전트 개념, 클라우드 데이터 인프라 이해

대상 독자

금융 기술 및 데이터 플랫폼 개발자, 엔터프라이즈 AI 아키텍트

의미 / 영향

이 사례는 규제가 엄격한 금융 산업에서 데이터 통합과 거버넌스가 AI 에이전트 성공의 핵심임을 보여준다. Databricks를 통한 인프라 현대화는 단순한 비용 절감을 넘어, 복잡한 금융 워크플로우를 자동화하는 에이전틱 AI로의 전환을 가능하게 한다.

섹션별 상세

파편화된 데이터 소스와 레거시 도구들로 인해 데이터 일관성 유지와 비용 관리에 어려움이 있었다. Databricks와 AWS 기반의 단일 플랫폼으로 전환하여 수백 개의 데이터 피드를 표준화하고 전사적인 데이터 신뢰도를 높였다. 이 과정에서 인프라 비용을 60% 절감하고 200만 달러 이상의 절감 효과를 거두었다. 통합된 환경은 엔지니어와 분석가뿐만 아니라 AI 시스템이 신뢰할 수 있는 단일 진실 공급원 역할을 한다.

단순한 질의응답을 넘어 금융 도메인의 맥락을 이해하고 실제 업무를 수행하는 지능형 파트너가 필요했다. Addison은 플랫폼 내부에 내장되어 포트폴리오 분석, 위험 감지, 워크플로우 실행 등 'Pull, Push, Act' 기능을 수행한다. 사용자가 자연어로 질문하면 실시간 거버넌스 데이터를 기반으로 답변하고, 이상 징후를 선제적으로 알리며, 금융 계획 수립 등의 복잡한 단계를 조율한다. 이를 통해 투자 전문가들이 단순 반복 작업 대신 전략적 의사결정에 집중할 수 있는 환경을 조성했다.

금융권의 엄격한 규제 환경에서 공용 LLM API를 직접 호출하는 방식은 데이터 프라이버시와 보안 문제를 야기한다. Addepar는 Unity Catalog를 통해 데이터와 모델에 대한 세밀한 접근 제어를 적용하고 모든 AI 활동을 추적 가능하게 설계했다. Databricks Model Serving을 사용하여 모델을 내부 환경에서 호스팅함으로써 개인 식별 정보의 외부 유출을 방지한다. 이러한 아키텍처는 시스템 전반에 걸쳐 일관된 보안 보증을 제공하며 규제 준수 요구사항을 충족한다.

단순한 프롬프트 기반의 LLM 호출은 복잡한 금융 분석 업무에서 요구되는 일관성과 신뢰성을 보장하기 어렵다. Addepar는 Databricks Agent Bricks를 도입하여 여러 단계를 조율하는 'Supervisor Agent' 중심의 에이전틱 워크플로우로 진화하고 있다. MLflow를 활용해 에이전트의 행동을 정밀하게 평가하고 반복적으로 개선하며 분석의 정확도를 높인다. 이는 단순한 텍스트 생성을 넘어 실제 데이터 분석 도구를 실행하고 검증하는 구조로 발전하고 있음을 의미한다.

실무 Takeaway

데이터 인프라를 Databricks로 통합하여 레거시 대비 파이프라인 구축 속도를 5배 높이고 운영 비용을 60% 절감할 수 있다.
금융권과 같은 규제 산업에서는 Unity Catalog와 내부 모델 서빙을 결합하여 데이터 주권을 유지하면서도 고성능 GenAI를 배포하는 것이 필수적이다.
단순 챗봇 형태를 탈피하여 Agent Bricks와 같은 도구로 워크플로우를 자동화하는 에이전틱 구조를 채택해야 실질적인 비즈니스 가치를 창출할 수 있다.