FinAgent: An Agentic AI Framework Integrating Personal Finance and Nutrition Planning

FinAgent: 개인 금융 및 영양 계획 통합을 위한 에이전트 AI 프레임워크 기술 요약

1. 문제 정의 (Problem Statement)

중산층 가정을 중심으로 식료품 가격 변동성, 제한된 가계 예산, 그리고 영양 요구 사항 간의 균형을 맞추는 것은 지속적인 도전 과제입니다. 기존 솔루션들은 다음과 같은 한계를 가지고 있습니다:

• 단편적 접근: FinTech 앱은 지출을 추적하지만 영양학적 고려가 부족하고, 다이어트 플래너는 실시간 가격 변동이나 가계 예산 제약을 반영하지 못합니다.
• 수동적 대응: 대부분의 시스템이 반응형 (Reactive) 이며, 장기적인 계획이나 목표 지향적 자율성 (Goal-seeking autonomy) 이 부족합니다.
• 실제 환경 부재: 기존의 최적화 모델들은 공유 예산, 다세대 요구, 문화적 선호도, 실시간 가격 변동 등 실제 가정의 복잡성을 고려하지 않습니다.

이러한 gaps 를 해결하기 위해 실시간 가격 모니터링, 예산 관리, 영양 최적화, 맞춤형 식이 제한을 통합한 에이전트 기반 AI 시스템이 필요합니다.

2. 방법론 (Methodology)

이 논문은 멀티 에이전트 시스템 (Multi-Agent System, MAS) 아키텍처를 기반으로 한 'FinAgent' 프레임워크를 제안합니다. 이 시스템은 계획, 모니터링, 기억, 도구 사용을 결합한 에이전트 AI 개념을 적용합니다.

• 시스템 아키텍처 (멀티 에이전트 구조):
  공유 지식 베이스 (Knowledge Base) 를 통해 협력하는 다음과 같은 전문 에이전트들로 구성됩니다:

  • Budget Agent: 가계 소득과 고정 지출을 기반으로 주간 식비 예산 ($B_w$) 을 계산합니다.
  • Price Monitor: 슈퍼마켓 API 및 크롤링을 통해 실시간 가격을 모니터링하고, 가격 충격 (Price Shock, 예: $\pm 10\%$ 이상 변동) 을 감지하여 재계획을 트리거합니다.
  • Nutrition Agent: WHO, FAO, USDA 기준에 따라 매크로 및 미량 영양소의 적정성을 보장합니다.
  • Health Personalizer: 당뇨, 알레르기, 결핍증 등 개인의 건강 상태에 따라 영양소 목표를 동적으로 조정합니다.
  • Cultural & Preference Agent: 할랄 (Halal) 규칙, 라마단 단식, 지역 요리 선호도 등 문화적 제약을 적용합니다.
  • Substitution Agent: **치환 그래프 (Substitution Graph)**를 활용하여 가격 변동 시 영양 품질을 유지하면서 비용을 최소화할 수 있는 대체 식품을 제안합니다.
  • Procurement Agent: 최적화된 식단을 쇼핑 목록으로 변환합니다.
  • Explainer Agent: 의사결정 근거를 투명하게 설명합니다.

• 최적화 모델 (Optimization Model):
  식단 계획은 선형 계획법 (Linear Programming, LP) 문제로 공식화됩니다.

  • 목적 함수: 총 비용 ($Z = \sum p_j x_j$) 최소화.
  • 제약 조건:
    1. 영양소 요구량 충족 ($\sum c_{j,n} x_j \ge R_n$).
    2. 주간 예산 범위 내 ($\sum p_j x_j \le B_w$).
    3. 비음수 제약 ($x_j \ge 0$).
  • 적응 메커니즘: 가격 변동이 임계값 ($\tau \approx 0.10$) 을 초과하면 LP 모델을 재해석하여 대체 식품을 포함한 새로운 최적 해를 도출합니다.

• 구현 기술:

  • 엔진: Python (PuLP, OR-Tools) 을 활용한 LP 최적화.
  • 오케스트레이션: 규칙 기반 트리거와 멀티 에이전트 LLM 조율.
  • 데이터: 실시간 슈퍼마켓 API(Panda, Carrefour 등), USDA/FAO 영양 데이터, 합성 가계 프로필.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크: 금융 제약, 영양 과학, 실시간 가격, 문화적/건강적 선호도를 단일 에이전트 아키텍처 내에서 통합한 최초의 시스템 중 하나입니다.
2. 동적 적응성 (Dynamic Adaptivity): 정적 메뉴가 아닌, 시장 가격 변동에 실시간으로 반응하여 식단을 재구성하는 '가격 인식 (Price-Aware)' 능력을 제공합니다.
3. 치환 그래프 기반 최적화: 영양 손실 없이 비용을 절감할 수 있는 식품 대체 전략을 수학적으로 보장합니다.
4. 실증적 검증: 합성 시뮬레이션과 실제 사우디 가계 사례 연구를 통해 시스템의 유효성을 입증했습니다.

4. 실험 결과 (Results)

사우디 가계 (4 인 가구, 월 소득 10,000 SAR) 를 대상으로 한 4 주간의 평가 및 200 가구의 합성 시뮬레이션 결과는 다음과 같습니다.

• 비용 효율성 (Cost Efficiency):
  • 고정 주간 메뉴 대비 12~18% 의 비용 절감 (실제 사례: 17% 절감).
  • 정적 최적화 및 수동 계획 대비도 우월한 성과 (평균 13~18% 절감).
• 영양 적정성 (Nutritional Adequacy):
  • 단백질, 비타민 D, 철분, 칼슘 등 필수 영양소 충족률이 95% 이상 달성 (정적/수동 계획 대비 85~92% 에서 97% 로 향상).
  • 특히 철분과 비타민 D 의 적정성이 크게 개선되었습니다.
• 가격 충격 대응 (Adaptivity):
  • 주요 식품 (닭고기, 생선, 쌀 등) 의 가격이 $\pm 10\% \sim \pm 30\%$ 변동 시에도 예산을 초과하지 않으면서 영양 요구량을 유지했습니다.
  • 예: 닭고기 가격 20% 상승 시, 렌틸콩/고등어로 대체하여 비용 증가를 방지.
• 절대적 분석 (Ablation Study):
  • 가격 모니터링 에이전트 제거 시 비용 9% 증가.
  • 건강 개인화 에이전트 제거 시 비타민 D 적정성 70% 로 하락.
  • 선호도 에이전트 제거 시 메뉴 중복 발생 및 사용자 만족도 하락 (3.2/5).

5. 의의 및 결론 (Significance and Conclusion)

• 지속 가능한 개발 목표 (SDGs) 기여: '기아 종식 (SDG 2)'과 '건강과 복지 (SDG 3)' 달성을 위한 실질적인 도구로, 저소득 및 중산층 가구의 식량 안보와 건강 형평성을 높일 잠재력이 있습니다.
• 기술적 진보: 단순한 챗봇이나 정적 도구를 넘어, 장기적인 목표 달성을 위한 자율적 계획 (Agentic AI) 을 가정 관리에 적용한 선구적인 사례입니다.
• 미래 전망: 대규모 배포, 장기 준수 연구, 로열티 프로그램 및 정부 보조금과의 연계를 통해 확장 가능하며, 데이터 프라이버시 보호 및 편향성 감소를 위한 윤리적 거버넌스가 병행되어야 합니다.

이 프레임워크는 가계 예산 관리와 영양학적 필요 사이의 균형을 자동으로 유지함으로써, 불확실한 경제 환경에서도 지속 가능하고 공정한 식단 계획을 가능하게 합니다.