▲ 썸네일을 누르면 YouTube 영상으로 이동합니다. 답변을 넘어 접수 확인까지: 피클로 살펴본 AI 에이전트의 완수 조건 AI에게 맡기는 단위가 달라진다 일을 맡겼는데 다시 챙겨야 한다면 위임의 효과는 작다. 신청 방법을 알아낸 뒤 로그인하고, 서류를 채우고, 회신을 기다리는 과정이 그대로 남기 때문이다. 개인 AI 에이전트 피클의 사례에서 눈여겨볼 대목은 답변의 유창함보다 실행의 범위다. 브라우저와 이메일, 문서와 일정을 오가며 하나의 목표를 실제 결과까지 이어 간다. 여기서 위임의 단위는 질문 한 개가 아니라 완료 상태다. “신청 절차를 알려 달라”는 요청은 안내문으로 끝날 수 있다. “접수를 마치고 결과를 확인해 달라”는 요청에는 인증, 필수 항목 점검, 제출 증거 확보와 후속 확인까지 들어간다. 같은 신청 업무라도 무엇을 끝으로 정의하느냐에 따라 에이전트가 수행해야 할 일이 크게 달라진다. 완료의 기준을 행동에서 결과로 옮겨야 한다. 발송했다는 기록, 접수됐다는 회신, 실제 입금 확인은 서로 다른 단계의 증거다. 접수 버튼 이후에도 남아 있는 업무 참가 신청 과정에서 피클은 브라우저로 접수 페이지에 들어가 이메일 로그인을 진행한다. 연결된 수신함의 일회용 인증 번호는 직접 찾아 입력하고, 문자로 전달되는 인증 번호는 사용자에게 받아 입력한다. 필요한 정보를 채우고 약관 동의를 거쳐 신청한 뒤에는 완료 화면을 보관한다. 이후 문제 공개와 참가 혜택을 확인할 일정도 등록한다. 이 흐름은 자율 실행에도 사용자와의 연결 지점이 있다는 사실을 보여준다. 모든 단계를 혼자 처리해야만 위임이 성립하는 것은 아니다. 사용자 입력이 필요한 구간을 구분하고, 입력을 받은 뒤 진행하던 작업을 이어 가는 능력이 중요하다. 완료 화면을 남기는 행동도 의미가 있다. 사용자가 같은 페이지를 다시 열지 않아도 신청 상태를 판단할 근거가 생기기 때문이다. 업무별로 달라지는 완료의 증거 업무 실행 단계 결과 확인 참가 신청 정보 입력과 신청 제출 완료 화면 보...
Claude 사용 후기는 표준 전자결재 시스템용 인공 지능 챗봇을 개발하려고 할때 Claude Pro를 통해서 아이디어를 얻는 과정입니다.
사전 준비 사항은 전자결재 시스템 사용자 매뉴얼 (PDF 파일 또는 TXT파일, Claude 는 문서 크기가 10mb 미만만 허용)을 업로드합니다.
질문1 :
현재 이 전자결재 시스템은 Google Workspace 기반으로 만 동작하는 시스템임. 이 인공지능 기능들을 구현하려면 어떤 인공지능 플랫폼과 시스템을 사용하는 것이 좋은 지 추천
Claude 답변
Google Workspace를 기반으로 하는 전자결재 시스템에 인공지능 기능을 구현하기 위해서는 Google Cloud의 AI 플랫폼과 서비스를 활용하는 것이 가장 효과적일 것입니다. Google Cloud는 다양한 AI/ML 솔루션을 제공하고 있어 앞서 제안된 아이디어를 구현하는데 적합합니다.
1. Vertex AI
- Google Cloud의 통합 ML 플랫폼으로, 사용하기 쉬운 인터페이스와 사전 학습된 모델을 제공합니다.
- AutoML, 커스텀 학습, 모델 서빙 등 ML 워크플로우 전체를 관리할 수 있습니다.
- 결재 문서 분류, 내용 분석, 추천 등에 활용 가능합니다.
2. Document AI
- 문서 처리에 특화된 AI 플랫폼으로, OCR, 텍스트 추출, 파싱 등의 기능을 제공합니다.
- 프로세싱 워크플로우를 쉽게 구성하고 관리할 수 있습니다.
- 결재 문서의 정보 추출, 템플릿 자동 생성 등에 활용할 수 있습니다.
3. Natural Language API
- 강력한 자연어 처리 기능을 제공하는 API로, 구글의 최신 언어 모델을 활용할 수 있습니다.
- 엔티티 분석, 감성 분석, 컨텐츠 분류 등 다양한 기능을 지원합니다.
- 문서 내용 분석, 챗봇과의 대화 처리 등에 활용 가능합니다.
4. Dialogflow
- 자연어 기반의 대화형 인터페이스를 구축할 수 있는 플랫폼입니다.
- 챗봇, 음성 에이전트 등을 쉽게 만들 수 있는 도구를 제공합니다.
- 전자결재용 가상 비서를 만드는데 활용할 수 있습니다.
5. Looker
- 데이터 분석과 시각화에 강점이 있는 BI 도구 입니다.
- BigQuery 등 구글 클라우드의 데이터 웨어하우스와 긴밀히 연동됩니다.
- 전자결재 데이터를 분석하고 인사이트를 도출하는데 활용할 수 있습니다.
위의 도구들을 조합하여 사용한다면 제안된 인공지능 서비스를 효과적으로 구현할 수 있을 것입니다. 예를 들어 Vertex AI와 Document AI를 활용해 지능형 문서 작성과 분석 기능을 만들고, Dialogflow로 문서 작성 과정을 안내하는 챗봇을 만들 수 있겠죠.
더해서 Google Workspace의 핵심 서비스들(Gmail, Drive, Docs 등)과의 연계도 매우 중요합니다. Apps Script나 Add-on 등을 통해 전자결재 시스템과 긴밀히 통합하여 사용자에게 자연스러운 경험을 제공해야 할 것입니다.
질문2:
전자결재 서비스에 Dialogflow 기반으로 대화형 인터페이스를 추가하려고 함. U/I 형태를 디자인 해주고, 이 대화형에서 사용자가 할 수 있는 질문의 예시를 들어줘
Claude 답변
네, Dialogflow를 활용하여 전자결재 시스템에 대화형 인터페이스를 추가하는 방안을 제안드리겠습니다.
[U/I 디자인]
- 전자결재 시스템 내에 채팅 아이콘을 띄워 클릭하면 챗봇과 대화할 수 있는 채팅창이 열리는 형태로 구성합니다.
- 채팅창은 화면 우측 하단에 위치하며, 펼치고 접을 수 있게 디자인합니다.
- 채팅 내용은 말풍선 형태로 주고받으며, 사용자의 말풍선은 우측, 챗봇의 말풍선은 좌측에 정렬되도록 합니다.
- 챗봇이 제공하는 추천, 액션 등은 채팅창 하단의 버튼 형태로 제공하여 사용자가 쉽게 선택할 수 있게 합니다.
- 필요시 웹뷰 형태로 결재 문서나 메뉴 화면을 띄워 줄 수 있게 구성합니다.
[사용자 질문 예시]
1. 문서 작성 관련
- "지출결의서 작성 방법 알려줘"
- "법인카드 사용내역서는 어떻게 씀?"
- "문서 번호 자동생성 어떻게 하지?"
2. 결재선 지정 관련
- "A프로젝트 검토 보고서 결재선 추천해줘"
- "기획팀에 홍길동 대리 있나?"
- "이번 주 송창식 부장 휴가인데, 대결자 누구지?"
3. 문서 조회 관련
- "작년 8월에 내가 상신한 연차신청서 찾아줘"
- "프로젝트 예산 관련 결재 문서 중에서 1억 이상 금액 문서 보여줘"
- "지난주에 반려된 문서 목록 보여줘"
4. 결재 프로세스 관련
- "연차신청은 몇 차 결재야?"
- "내 연차 신청서 결재 순서가 어떻게 되나?"
- "이 휴가신청서 다음 결재자가 누구야?"
5. 알림 관련
- "내가 결재할 문서 남았나?"
- "이번 달 내가 상신한 문서 처리 현황 알려줘"
- "홍길동 팀장의 지출 결재가 왜 늦어지고 있지?"
6. 시스템 사용 관련
- "모바일 앱 있어?"
- "전자결재 매뉴얼 보여줘"
- "전자결재 담당자 연락처 알려줘"
이런 식으로 사용자들이 전자결재를 사용하면서 궁금해할 만한 사항, 자주 찾는 정보 등을 대화형으로 문의하고 해결할 수 있도록 챗봇을 설계하는 것이 좋겠습니다. 또한 단순 질의응답 뿐만 아니라, 사용자의 행동 패턴과 문서 내용을 분석하여 능동적인 추천과 알림을 제공하는 방향으로 고도화해 나갈 수 있을 것 같습니다.
질문3
이러한 질문에 대한 정확한 결과를 생성하기 위해서는 네가 추천한 AI 도구중에 어떤 것을 이용하여 어떤 데이터를 학습시켜야 하는지 알려줘
Claude 답변
네, 제가 앞서 추천드린 AI 도구 중에서 이러한 질문에 대한 정확한 결과를 생성하기 위해서는 주로 Dialogflow와 Vertex AI를 활용하는 것이 효과적일 것 같습니다. 그리고 이를 위해 다음과 같은 데이터를 학습시켜야 합니다.
1. Dialogflow
- IntentDetection: 사용자의 질문을 미리 정의된 Intent(의도)로 분류하기 위한 학습 데이터가 필요합니다. 예를 들어 "문서 작성 방법", "결재선 지정", "문서 조회" 등의 Intent를 정의하고, 각 Intent에 해당하는 다양한 표현의 샘플 문장을 수집하여 학습시킵니다.
- Entity Extraction: 사용자 질문 내에서 중요한 키워드(Entity)를 추출하기 위한 학습 데이터가 필요합니다. 예를 들어 "문서 유형", "사용자 이름", "날짜", "금액" 등의 Entity를 정의하고, 각 Entity에 해당하는 다양한 표현을 샘플로 수집하여 학습시킵니다.
- Action & Parameter: Intent와 Entity를 조합하여 실제 수행할 작업(Action)을 정의하고, 필요한 파라미터를 매핑하는 학습 데이터가 필요합니다. 예를 들어 "문서 조회" Intent에 "문서 유형" Entity가 감지되면 해당 문서를 찾아 반환하는 Action을 정의할 수 있습니다.
2. Vertex AI
- 문서 분류 모델: 각종 결재 문서를 유형별(지출결의서, 휴가신청서 등)로 자동 분류하기 위한 학습 데이터가 필요합니다. 과거 결재 문서 데이터를 유형별로 라벨링하여 문서 분류 모델을 학습시킬 수 있습니다.
- 키워드 추출 모델: 문서 내에서 중요한 키워드(프로젝트명, 거래처, 금액 등)를 추출하기 위한 학습 데이터가 필요합니다. 과거 문서에서 키워드를 태깅하여 라벨링한 데이터를 활용해 키워드 추출 모델을 학습시킬 수 있습니다.
- 문서 요약 모델: 문서의 주요 내용을 요약하여 간략히 제시하기 위한 학습 데이터가 필요합니다. 과거 문서와 그에 대한 요약 샘플을 준비하여 요약 모델을 학습시킬 수 있습니다.
- 추천 모델: 사용자의 행동 패턴, 선호도 등을 분석하여 맞춤형 컨텐츠를 추천하기 위한 학습 데이터가 필요합니다. 사용자의 결재 문서 열람 이력, 상신 이력 등 각종 로그 데이터를 활용해 추천 모델을 학습시킬 수 있습니다.
이러한 학습 데이터를 준비하기 위해서는 과거의 결재 문서 데이터를 수집하고 정제하는 작업이 선행되어야 합니다. 그리고 수집된 데이터를 분석하여 필요한 Intent, Entity, 라벨 등을 정의하고 태깅하는 작업이 필요합니다.
충분한 양질의 학습 데이터를 확보하고, Dialogflow와 Vertex AI를 활용하여 모델을 학습시킨다면 사용자의 다양한 질문에 정확하고 유용한 답변을 제공할 수 있는 대화형 인터페이스를 구현할 수 있을 것입니다. 또한 지속적으로 사용자 피드백과 chat log 데이터를 수집하여 모델을 업데이트하고 개선해 나가는 것이 중요합니다.
댓글
댓글 쓰기