자재 의사결정 AI Agent
과제 재고·수급 데이터가 시스템마다 분산, 취합에 시간 소모
해결 자연어→SQL 변환 + 지식검색(RAG), 차트·표·메일 초안까지 대화형 응답
성과 분산 데이터 조회·정리를 대화 한 번으로 대체
AI 에이전트 — 자연어 하나로 조회·분석·실행.
시스템마다 흩어진 데이터·지식을 자연어 하나로 — 조회·분석·리포트, 나아가 사내 시스템 실행까지 수행하는 업무 에이전트를 구축합니다.
AgentQ는 이해 → 추론 → 실행 3계층으로 동작하도록 설계합니다. 모든 답변에 근거 경로를 붙이고, 실행 자동화에는 사람 승인(HITL) 게이트를 둡니다.
DataQ가 표준화한 데이터를 소비하고, Cubeon Agents·Orchestrator 모듈 위에서 다중 에이전트로 확장하도록 구성합니다.
질의부터 실행까지 각 단계에 검색·근거·검증을 넣어 환각을 억제하도록 설계합니다.
자연어 의도 파악 · NL2SQL로 구조화 쿼리 변환
벡터 검색으로 사내 문서·지식 후보 검색 · Reranking으로 재순위화
RAG·GraphRAG로 근거 경로를 답변에 결합 · 지식그래프 관계 추론
상용 LLM API 또는 온프레미스 sLLM으로 분석·리포트 생성
근거성 검증(Groundedness) · PII 마스킹 등 가드레일로 안전성 확보
사람 승인 후 MES·ERP·메신저·이슈트래커로 액션 실행
검색·추론·실행 전 구간을 산업 현장 요건에 맞춰 구성하도록 설계합니다.
사내 데이터 소스와 협업·실행 도구를 표준 커넥터로 연결하도록 설계합니다.
데이터 소스
협업 · 실행
인터페이스 · 프로토콜
단순 조회를 넘어 거버넌스된 액션(승인·감사 추적)으로 실행하도록 구성합니다.
범용 LLM과 현장에 붙는 산업 AI는 요구 조건이 다릅니다.
| 항목 | 범용 LLM | 오큐브 산업 AI |
|---|---|---|
| 도메인 데이터 이해 | 일반 지식 기반 — 현장 용어·설비 맥락 약함 | 이기종 설비·공정 데이터를 표준화(DataQ)해 반영 |
| 온톨로지·시맨틱 그라운딩 | 모델 파라미터에만 의존 — 사내 의미 체계와 분리 | 온톨로지·시맨틱 레이어에 그라운딩해 사내 용어·관계로 해석, 환각 억제 |
| 근거·출처 제시 | 답의 출처가 불투명 — 환각 위험 | RAG·GraphRAG로 근거 경로 함께 제시 |
| 온프레미스·폐쇄망 | 대개 외부 클라우드 API 의존 | 클라우드·온프레미스·폐쇄망 선택형 |
| 현장 시스템 연동 | 사내 시스템·설비와 분리 | MES·ERP·메신저·설비 연동, 실행까지 |
| 지속 운영 | 모델 고정 — 현장 변화 반영 어려움 | MLOps로 지속 학습·감시·개선 |
실행 자동화의 신뢰는 단계적으로 확보합니다. 작업의 가역성·위험도에 따라 사람 개입 수준을 달리하도록 구성합니다.
| 자율성 단계 | 사람 개입 시점 | 적용 시나리오 |
|---|---|---|
| Human-in-the-loop | 모든 액션을 실행 직전 사람이 검토·승인 | 비가역·고위험 (발주·정산·설비 제어) |
| Human-on-the-loop | 사람이 감시하며 필요 시 개입·중단 | 반복·중위험 (리포트 발송·티켓 생성) |
| Human-out-of-the-loop | 사전 정의 정책 내 자동 실행 · 사후 감사 | 저위험·가역 (데이터 조회·요약) |
임계값 기반 승인 라우팅과 정책 코드화(policy-as-code)로 자동 실행과 사람 판단의 경계를 관리하도록 설계합니다.
데이터 주권·보안 요건에 따라 같은 에이전트를 세 형태로 배포하도록 설계합니다.
데이터가 밖으로 나가도 되는지, 얼마나 빨라야 하는지, 최신 모델이 필요한지 — 세 축으로 배포 형태를 결정합니다.
상용 LLM API 기반 · 빠른 구축과 최신 모델 활용
사내 서버 sLLM · 데이터 내부화 · 최신 GPU 인프라 추론
망분리(에어갭) 대응 · 데이터 반출 없이 온프레미스 sLLM 운영
과제 재고·수급 데이터가 시스템마다 분산, 취합에 시간 소모
해결 자연어→SQL 변환 + 지식검색(RAG), 차트·표·메일 초안까지 대화형 응답
성과 분산 데이터 조회·정리를 대화 한 번으로 대체
영역 CS 자동응답, 사내 문서 Q&A, 리포트 초안 자동화
효과 반복 조회·정리 업무를 대화로 대체 — 사람은 판단에 집중
복잡한 현장 조건에서 에이전트가 실제로 일하게 만드는 방식을 시나리오로 정리했습니다.
재고·수급·품질 데이터가 시스템마다 따로 있어, 하나의 질문에 답하려면 여러 화면을 오가며 조회하고 다시 표로 옮겨야 합니다. AgentQ는 자연어 질의를 질의문(NL2SQL)으로 변환해 필요한 시스템에서 직접 데이터를 가져오고, 표·차트와 함께 근거가 된 조회 조건을 같이 제시합니다.
작업표준서·점검 절차·설비 매뉴얼이 부서별로 나뉘어 있어, 정보가 존재해도 상황에 맞는 답을 일관되게 얻기 어렵습니다. AgentQ는 문서를 의미 단위로 구조화하고 출처와 함께 답변해, 단순 문서 검색이 아니라 업무 판단의 근거로 쓸 수 있는 지식베이스로 동작합니다.
안전·품질·인허가처럼 해석의 정확성이 요구되는 영역에서는 출처가 불분명한 답변 자체가 리스크가 됩니다. AgentQ는 검색된 근거와 생성된 답변을 대조하고, 근거가 부족하면 단정하지 않고 확인이 필요하다고 표시하도록 설계합니다.
같은 질문이라도 부서와 직무에 따라 접근 가능한 자료가 다릅니다. AgentQ는 역할 기반 접근 제어(RBAC)를 지식 범위에 그대로 적용해, 하나의 창구를 쓰면서도 사용자마다 볼 수 있는 근거만 참조하도록 통제합니다.
