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

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.

용어 해설

유니티 카탈로그(Unity Catalog): — Databricks의 통합 거버넌스 솔루션으로, 데이터와 AI 자산에 대한 중앙 집중식 접근 제어 및 감사 기능을 제공하여 보안을 강화한다.
에이전틱 워크플로우(Agentic Workflow): — AI가 단순 응답을 넘어 목표 달성을 위해 스스로 도구를 선택하고 일련의 단계를 계획하여 실행하는 자율적인 작업 흐름이다.
모델 서빙(Model Serving): — 학습된 AI 모델을 API 형태로 배포하여 실시간으로 추론 요청을 처리할 수 있게 하는 인프라 기술로, 서비스 통합에 필수적이다.
개인 식별 정보(PII): — 이름, 주소 등 특정 개인을 식별할 수 있는 정보로, 금융 분야에서 엄격한 보호와 관리가 요구되는 민감한 데이터이다.
엠엘플로우(MLflow): — 머신러닝 모델의 실험 추적, 패키징, 배포 및 관리를 지원하는 오픈소스 플랫폼으로 AI 생명주기 전반의 가시성을 제공한다.

기술

Databricks
AWS
Unity Catalog
MLflow
Agent Bricks
Genie

활용 사례

금융 포트폴리오 분석
투자 리스크 감지
자동화된 인사이트 생성
금융 워크플로우 오케스트레이션