이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
AI 비서가 맥락 없는 답변을 내놓는 이유는 데이터 검색에만 의존하기 때문이다. monday.com은 이를 해결하기 위해 데이터를 미리 처리하여 맥락을 구축하는 시스템을 설계했다. 수주간의 활동을 분석해 사용자 프로필을 만드는 슬로우 엔진과 최근의 긴급한 업무를 파악하는 패스트 엔진을 결합하여, 뇌의 학습 구조와 람다 아키텍처를 모방했다. 이 방식은 AI가 단순한 데이터 전달자가 아닌 사용자의 업무 방식을 이해하고 실시간으로 대응하는 에이전트로 작동하게 한다.
챕터별 상세
00:00
기록 시스템에서 맥락 시스템으로
기존 소프트웨어는 발생한 사건을 기록하는 시스템에 머물러 있다. monday.com은 단순 기록을 넘어 데이터 간의 연결과 의미를 이해하는 맥락 시스템으로의 전환을 목표로 한다.
System of Record는 데이터의 저장소 역할을 하지만, 데이터 간의 관계나 의미를 파악하는 지능은 부족하다.
00:56
데이터만 있고 이해는 없는 AI
AI 비서에게 업무 우선순위를 물었을 때, 관련 없는 답변을 내놓는 경우가 많다. 이는 AI가 모든 데이터를 가지고 있음에도 불구하고 데이터가 무엇을 의미하는지 이해하지 못하기 때문이다.
04:31
맥락 구축의 어려움
AI 에이전트가 맥락을 이해하기 어려운 이유는 세 가지다. 에이전트는 작업을 수행하는 데는 능숙하지만 무엇이 문제인지 찾는 데는 서툴고, 기록된 로그는 의미를 담고 있지 않으며, 실시간으로 맥락을 계산하기에는 지연 시간이 너무 길다.
08:15
데이터 모델과 두 개의 엔진
데이터 모델은 두 개의 엔진으로 구성된다. 슬로우 엔진은 수주간의 활동을 분석해 사용자의 업무 패턴과 페르소나를 구축하고, 패스트 엔진은 최근 며칠간의 데이터를 읽어 긴급한 업무와 협업자를 파악한다.
슬로우 엔진은 장기 기억, 패스트 엔진은 단기 기억에 대응한다.
10:21
뇌 구조와 람다 아키텍처의 결합
이 설계는 뇌의 상보적 학습 시스템과 데이터 공학의 람다 아키텍처를 차용했다. 해마가 경험을 즉각적으로 기억하고 신피질이 이를 장기 기억으로 통합하는 것처럼, 실시간 스트림과 배치 처리를 결합하여 맥락을 구축한다.
람다 아키텍처는 배치 레이어와 스피드 레이어를 결합하여 데이터를 처리하는 방식이다.
11:14
결론 및 한계
데이터는 매일 축적되며 모델의 이해도는 점진적으로 향상된다. 다만, 모델이 실시간 데이터보다 항상 뒤처질 수밖에 없다는 점과 신규 사용자의 데이터 부족 문제는 여전히 해결해야 할 과제이다.
용어 해설
- 기록 시스템(System of Record)
- — 데이터의 생성과 저장에 초점을 맞춘 시스템이다. 발생한 사건, 작업, 메시지 등을 있는 그대로 보관하지만, 데이터 간의 맥락이나 의미를 파악하는 기능은 부족하다.
- 람다 아키텍처(Lambda Architecture)
- — 대규모 데이터를 처리하기 위한 아키텍처로, 전체 데이터를 처리하는 배치 레이어와 실시간 데이터를 처리하는 스피드 레이어를 결합하여 최종 결과를 도출한다.
- 상보적 학습 시스템(Complementary Learning Systems)
- — 신경과학 이론으로, 해마가 새로운 경험을 즉각적으로 기억하고, 신피질이 이를 점진적으로 학습하여 장기 기억으로 통합하는 뇌의 학습 메커니즘을 의미한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 23.수집 2026. 07. 23.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
