엑스보스 정리 2편 : 업무자동화,AI 전문용어

안녕하세요, AI, RPA 업무자동화 전문기업 엑스보스입니다. 지난1편에서 모델과 데이터, 비용과 학습의 언어를 정리했다면, 이번 2편은 “현장의 AI 자동화관련 전문용어”를 최대한 쉽게 정리해서 안내드리겠습니다.

​​

 

RAG ( Retrieval Augmented Generation )

RAG는 우리말로 '검색 증강 생성'이라고 합니다. 인공지능이 자기가 배운 지식만으로 답변하는 게 아니라, 외부에서 신뢰할 수 있는 정보를 먼저 찾아보고(검색) 그 내용을 참고해서 답변을 생성(생성)하는 기술입니다.

​

쉽게 비유하자면, "암기한 내용으로만 시험을 보던 학생이 옆에 '백과사전'을 두고 찾아보며 답안지를 작성하는 것"과 같습니다.

 

1. RAG가 왜 혁신적인가요?

기존 AI(생성형 AI)는 학습한 데이터에만 의존했습니다. 하지만 RAG를 도입하면 다음과 같은 한계를 극복할 수 있습니다.

• 최신 정보 반영: AI의 학습은 과거 어느 시점에 멈춰있지만, RAG는 실시간 뉴스나 최신 사내 문서를 검색해서 반영할 수 있습니다.
• 거짓말(할루시네이션) 방지: 근거가 되는 문서를 눈앞에 두고 답변하기 때문에, 없는 사실을 지어낼 확률이 현격히 줄어듭니다.
• 출처 제시: "어디서 본 내용인가요?"라고 물었을 때, 참고한 문서의 링크나 페이지를 정확히 알려줄 수 있습니다.

 

 

2. RAG의 작동 단계 (3 Step)

RAG는 보통 세 단계를 거쳐 우리에게 답변을 줍니다.

1. 검색 (Retrieval): 사용자가 질문을 하면, 벡터 데이터베이스에서 관련 있는 최신 정보들을 쏙쏙 뽑아옵니다.
2. 보강 (Augmentation): 질문과 함께 뽑아온 정보들을 한데 묶어서 AI에게 전달합니다. ("이 정보들을 참고해서 대답해줘!")
3. 생성 (Generation): 전달받은 정보를 바탕으로 AI가 자연스럽고 정확한 문장을 만들어 답변합니다.

 

3. RAG vs 일반 AI (Fine-tuning)

구분	일반 AI (미세조정)	RAG (검색 증강)
비유	내용을 통째로 외워서 시험 보기	옆에 책을 펴놓고 시험 보기
정보 업데이트	새로 학습시켜야 함 (비용,시간↑)	문서만 업데이트하면 됨 (비용,시간↓)
정확도	가끔 그럴듯하게 틀림	근거를 바탕으로 말해 정확함
적합한 분야	말투나 스타일 학습	전문 지식, 최신 뉴스, 사내 매뉴얼

​

 

 

할루시네이션 ( hallucination )

할루시네이션은 인공지능(LLM)이 질문에 대해 정보를 처리하는 과정에서, 사실이 아닌 내용을 마치 사실인 것처럼 아주 자신감 있게 제시하는 현상을 말합니다.

​

쉽게 비유하자면, "아는 게 없어도 정답인 것처럼 말하는 '아는 척 대장' 친구"와 같습니다. 이 친구는 악의가 있는 게 아니라, 너무 성실한 나머지 어떻게든 답을 만들어내려다 보니 상상력을 발휘해 소설을 써버리는 것이죠.

​

왜 이런 현상이 발생할까?

인공지능은 우리가 생각하는 방식과 다르게 작동하기 때문입니다.

• 확률 기반의 예측: AI는 사실을 '이해'하는 것이 아니라, 다음에 올 가장 확률 높은 단어를 이어 붙입니다. "세종대왕은..." 다음에 "한글을 창제했다"가 올 확률이 높으니 그렇게 말하는 식이죠.
• 데이터의 공백: 학습 데이터에 없는 내용을 물어보면, AI는 "모른다"고 하기보다 학습한 데이터를 조합해 가장 그럴듯한 문장을 새로 만들어 버립니다.
• 지식의 유통기한: AI가 학습을 마친 시점 이후의 최신 정보에 대해서는 알지 못하기 때문에 엉뚱한 답을 내놓기도 합니다.

 

 

벡터 데이터베이스 (Vector Database)

벡터 데이터베이스는 데이터를 단순한 텍스트나 숫자가 아니라, 그 의미를 담은 '좌표(벡터)'로 변환해서 저장하고 관리하는 데이터베이스입니다.

쉽게 비유하자면, "책의 제목이 아니라 '내용의 느낌'으로 책을 찾아주는 도서관"과 같습니다.

 

​

1. 전통적 DB vs 벡터 DB, 무엇이 다른가요?

우리가 흔히 쓰는 검색 방식과 비교하면 차이가 확실히 느껴집니다.

• 전통적 데이터베이스 (키워드 검색): "커피"를 검색하면 정확히 "커피"라는 단어가 포함된 결과만 찾습니다. (딱딱한 일대일 매칭)
• 벡터 데이터베이스 (의미 검색): "커피"를 검색하면 "라떼", "에스프레소", "카페인"처럼 의미가 비슷한 결과까지 함께 찾아줍니다. (유연한 맥락 매칭)
  ​

2. 어떻게 작동하나요? (숫자로 바뀐 의미)

인공지능은 우리가 쓰는 말을 이해하기 위해 단어나 문장을 수백, 수천 개의 숫자로 이루어진 좌표(Vector)로 바꿉니다.

1. 임베딩(Embedding): "사과"라는 단어를 (0.1, 0.5, -0.2...) 같은 복잡한 좌표로 변환합니다.
2. 좌표 공간 배치: 의미가 비슷한 단어들은 좌표 공간상에서 서로 가까운 곳에 모이게 됩니다. ("사과"와 "배"는 가깝고, "사과"와 "컴퓨터"는 멀겠죠?)
3. 유사도 검색: 사용자가 질문을 하면, 그 질문의 좌표와 가장 가까운 곳에 있는 데이터(정답)를 찾아냅니다.

 

3. AI에게 왜 벡터 DB가 필요한가요?

• 할루시네이션(환각) 방지: AI가 아는 척하며 거짓말을 할 때, 벡터 DB에 저장된 실제 사실 정보를 빠르게 조회해서 정답을 말하게 유도합니다. (이것을 RAG, 검색 증강 생성이라고 해요!)
• 장기 기억력 부여: 챗GPT 같은 AI는 대화가 너무 길어지면 앞 내용을 잊어버리기도 하죠. 벡터 DB를 연결하면 마치 '외장 하드'처럼 엄청난 양의 과거 정보를 기억하고 꺼내 쓸 수 있습니다.
• 다양한 데이터 처리: 텍스트뿐만 아니라 이미지, 오디오, 영상도 좌표로 변환하면 "이 사진이랑 비슷한 분위기의 노래 찾아줘" 같은 복잡한 검색이 가능해집니다.

​

​

HITL ( Human In The Loop )

HITL은 직역하면 '고리(Loop) 안에 사람이 있다'는 뜻입니다. 인공지능(AI)이나 자동화 시스템이 스스로 모든 것을 결정하게 내버려 두지 않고, 과정 중간에 사람이 개입하여 판단하고 가이드를 주는 방식을 의미합니다.

​

쉽게 비유하자면,'자율주행차의 운전석에 앉아 있는 운전사'와 같습니다. 차가 스스로 운전하지만(AI), 위험한 상황이나 복잡한 길에서는 사람이 핸들을 잡아(Human) 사고를 막고 안전하게 주행하는 것과 같은 원리입니다.

​

1. HITL은 왜 필요한가요?

AI는 똑똑하지만 완벽하지 않습니다. 다음과 같은 상황에서 '사람의 개입'이 꼭 필요하기 때문이죠.

• 정확도 향상: AI가 개와 고양이를 구분할 때, 헷갈리는 사진이 나오면 사람이 "이건 고양이야"라고 알려줌으로써 AI를 더 똑똑하게 학습시킵니다.
• 안전과 윤리: 의료 진단이나 재판 결과처럼 사람의 생명이나 권리에 직결된 문제는 AI에게만 맡기기에 위험 부담이 큽니다. 최종 결정은 사람이 내려야 하죠.
• 데이터 부족: 데이터가 충분하지 않은 분야에서는 AI가 판단을 내리기 어렵습니다. 이때 전문가의 지식을 더해 판단의 근거를 만듭니다.

 

2. HITL의 작동 단계 (피드백 루프)

HITL은 보통 다음과 같은 순환 구조(Loop)를 가집니다.

1. 데이터 입력: AI가 데이터를 학습하거나 처리합니다.
2. AI의 판단: AI가 결과를 내놓습니다. (예: "이 환자의 엑스레이는 폐렴일 확률이 80%입니다.")
3. 사람의 검토: 전문가(의사)가 그 결과를 보고 맞는지 확인하거나 수정합니다.
4. 학습 및 개선: 사람의 수정 사항이 다시 데이터가 되어 AI는 더 정확하게 업그레이드됩니다.

 

3. HITL vs 완전 자동화 (Closed-Loop)

구분	HITL (Human-In-The-Loop)	완전 자동화 (No-Human-In-The-Loop)
개입 여부	사람이 중간에 개입함	시스템이 처음부터 끝까지 판단함
정확도	높음 (사람의 검수 포함)	시스템의 완성도에 의존함
속도	중간 (사람의 확인 시간 필요)	매우 빠름
주요 사례	의료 AI 진단, 고난도 고객 상담	단순 스팸 메일 차단, 추천 알고리즘

 

 

SLA (Service Level Agreement)

SLA는 우리말로 '서비스 수준 협약'이라고 합니다. 서비스를 제공하는 업체와 이용하는 고객이 "우리가 제공할 서비스의 품질은 최소 이 정도는 될 것입니다"라고 서로 합의하여 문서로 남긴 계약서입니다.

​

쉽게 비유하자면, 피자 가게의 "30분 배달 보장제"와 비슷합니다.

• 약속: 30분 안에 배달하겠다.
• 보상: 30분이 넘으면 피자 값을 깎아주거나 무료로 주겠다.

​

이처럼 비즈니스 세계에서도 서비스가 멈추거나 느려질 때를 대비해 기준과 보상안을 미리 정해두는 것이죠.

​

 

 

1. 찰떡궁합 3형제: SLI, SLO, SLA

SLA를 제대로 이해하려면 함께 다니는 세 친구를 알아야 합니다. 이들은 서비스 품질을 관리하는 '세트 메뉴' 같은 존재입니다.

용어	풀네임	의미	쉬운 예시
SLI	Service Level Indicator	품질을 측정하는 지표	피자가 배달되는 데 걸리는 '시간'
SLO	Service Level Objective	우리가 달성할 목표치	'30분 이내'에 배달하겠다는 목표
SLA	Service Level Agreement	못 지켰을 때의 약속(계약)	30분 넘으면 '50% 할인'해준다는 계약

 

2. SLA에는 어떤 내용이 담기나요?

보통 다음과 같은 구체적인 수치들이 포함됩니다.

• 가용성(Uptime): 서비스가 중단 없이 가동되는 시간 (예: "연간 99.9% 가동 보장")
• 응답 속도: 요청을 보냈을 때 얼마나 빨리 반응하는지 (예: "클릭 후 1초 이내 화면 전환")
• 장애 복구 시간: 문제가 생겼을 때 얼마나 빨리 고치는지 (예: "장애 발생 시 2시간 이내 복구")
• 패널티: 위 약속을 어겼을 때 제공할 보상 (예: "다음 달 이용료 10% 감면")

 

 

RPA(Robotics Process Automation)

쉽게 비유하자면, "사람이 마우스와 키보드로 하던 반복적인 업무를 그대로 흉내 내서 대신 해주는 매크로의 진화 버전"이라고 이해하시면 됩니다.

​

 

1. RPA의 핵심 특징 3가지

• 규칙 기반 (Rule-based): 정해진 순서와 규칙이 있는 업무에 최적화되어 있습니다. "A 파일을 열어서 B 항목을 복사해 C 엑셀에 붙여넣어라" 같은 일이죠.
• 반복성: 매일, 매주 반복되는 지루한 업무를 지치지 않고 수행합니다.
• 정확성: 사람은 피곤하면 오타를 내지만, 로봇은 설정된 값 그대로 24시간 실수 없이 일합니다.

 

2. RPA vs 인공지능(AI), 무엇이 다른가요?

많은 분이 헷갈려 하시는데, 둘은 '뇌'의 유무로 구분하면 쉽습니다.

구분	RPA (로봇 프로세스 자동화)	AI (인공지능)
역할	손과 발 (행동)	두뇌 (판단)
특징	시키는 대로만 함 (수동적)	데이터를 학습해 스스로 판단 (능동적)
비유	엑셀 데이터를 옮기는 비서	데이터를 분석해 매출 예측을 하는 전략가

 

 

마무리하며: 용어를 통일하면 실행이 빨라집니다

오늘 살펴본 용어들을 정리하는 이유는 단순히 지식을 쌓기 위해서가 아닙니다. 예산을 낭비하지 않고, 실패 확률을 줄이며, 실제로 '돌아가는' 자동화를 만들기 위해서입니다.

​

많은 기업이 AI와 자동화 도입을 꿈꾸지만, 막상 시작하려고 하면 다음과 같은 벽에 부딪히곤 합니다.

​

"어디서부터 자동화해야 할지 모르는 로드맵 부재"

"기술을 다룰 전문 인력과 인프라 비용 부담"

"도입 후 관리가 안 되는 운영 품질 통제 문제"

결국 기업에 필요한 것은 화려한 도구가 아니라, 우리 회사 환경에서 끝까지 완주되는 자동화 체계입니다.

 

​

엑스보스(X-BOSS)가 제안하는 정면 돌파법

엑스보스는 자동화를 단순한 '설치'가 아닌 '정착'의 관점에서 접근하고 기업의 업무에 "딱맞는 맞춤형 자동화"를 제안드리고 있습니다.

​

우리 회사의 다양한 업무들이 많은데 자동화 도입이 가능할까? 라고 생각이 드신다면 지금 막연한 고민 대신, 자동화 적합성 진단부터 시작해 보세요. 우리 회사에 딱 맞는 시작점이 훨씬 선명해집니다.

​