Tursio for Credit Unions: Powering Structured Data Search with Automated Context Graph

이 논문은 복잡한 데이터 구조와 규제 요구사항이 있는 신용협동조합 환경에서 자연어 질의를 통해 실행 가능한 인사이트를 제공할 수 있도록, 기존 스키마에서 의미론적 지식 그래프를 자동 추론하고 LLM 을 통합하여 안전한 온프레미스 검색 플랫폼인 'Tursio'를 제안합니다.

핵심

이 논문은 **'투르시오 (Tursio)'**라는 새로운 도구를 소개합니다. 이 도구는 신용협동조합 (Credit Union) 같은 금융 기관이 가진 복잡한 데이터를, 일반 직원들도 쉽게 이해하고 질문할 수 있게 만들어줍니다.

이 내용을 일상적인 언어와 비유로 설명해 드릴게요.

1. 문제 상황: "보물창고지만 열쇠가 없어"

신용협동조합은 은행보다 회원 (고객) 을 더 잘 챙겨주는 곳이지만, 내부 데이터는 1970 년대식 낡은 창고처럼 정리되어 있습니다.

• 비유: 마치 거대한 보물창고가 있는데, 보물 (데이터) 이 너무 복잡하게 쌓여 있고, 문이 여러 개라 어떤 문으로 들어가야 할지 모르는 상태입니다.
• 현실: "어떤 회원이 대출을 연체하고 있을까?" 같은 간단한 질문을 하려면, IT 전문가나 보고서 작성자에게 "이거 좀 찾아줘"라고 부탁해야 합니다. 그분들은 복잡한 코드를 직접 짜서 찾아주는데, 이 과정이 몇 시간에서 며칠이 걸립니다.

2. 기존 해결책의 한계: "수동 지도 그리기"

최근 AI 도구들이 나오긴 했지만, 이들은 사용자가 직접 지도를 그려줘야 작동합니다.

• 비유: AI 가 훌륭한 운전기사인데, 사용자가 "어디로 가야 하는지", "어떤 길이 안전한지"를 일일이 손으로 지도에 그려줘야 합니다.
• 문제: 신용협동조합은 자원이 부족하고, 금융 데이터는 매우 민감합니다. 외부 클라우드에 데이터를 올리는 건 위험하고, 매번 지도를 그리는 건 너무 번거롭습니다.

3. 투르시오 (Tursio) 의 등장: "자동으로 길을 찾아주는 AI 비서"

투르시오는 이 모든 과정을 자동화하고, 데이터를 **사내 (On-premises)**에 안전하게 보관합니다.

핵심 기능 1: 자동 '맥락 지도' 그리기 (Automated Context Graph)

투르시오는 복잡한 데이터 창고를 들여다보면, 자동으로 **이해하기 쉬운 지도 (시맨틱 지식 그래프)**를 그려줍니다.

• 비유: 낡은 지도 (데이터베이스) 를 AI 가 분석해서, "이곳은 '대출' 구역이고, 저곳은 '계좌' 구역이며, 둘은 이렇게 연결되어 있어"라고 자연스러운 언어로 설명해주는 나침반을 만들어줍니다.
• 효과: 사용자가 "연체된 대출"이라고 검색하면, 투르시오는 데이터베이스의 복잡한 구조를 무시하고 "아, 회원의 대출 상태 중 '연체'가 30 일 이상인 경우를 찾으시는군요"라고 자동으로 해석합니다.

핵심 기능 2: 자연스러운 대화 (Natural Language Search)

전문 용어를 몰라도 됩니다.

• 비유: 복잡한 기계 조작 설명서를 읽을 필요 없이, 친구에게 말하듯이 "지난달에 계좌를 닫은 회원들 목록 좀 보여줘"라고 말하면 됩니다.
• 효과: 투르시오는 이 말을 듣고, 뒤쪽의 복잡한 데이터베이스에 맞는 정확한 명령어 (SQL) 를 자동으로 만들어 실행합니다.

핵심 기능 3: 오해 방지와 안전장치 (Ambiguity & Security)

데이터에는 같은 이름의 열 (Column) 이 여러 개 있을 수 있어 혼란이 생길 수 있습니다.

• 비유: "닫다 (Close)"라는 단어가 '대출', '계좌', '카드' 모두에 있을 때, AI 가 헷갈릴 수 있습니다. 투르시오는 "혹시 '대출'을 닫은 건가요, '계좌'를 닫은 건가요?"라고 사용자에게 물어보거나, 미리 설정된 규칙을 통해 가장 적절한 답을 고릅니다.
• 안전: 금융 데이터는 외부로 나가지 않도록 사내 서버에 완벽하게 격리되어 있어, 보안이 걱정되지 않습니다.

4. 실제 활용 예시 (데모 시나리오)

이 도구를 사용하면 다음과 같은 일이 가능해집니다.

• 회원 중심의 통찰: "어떤 회원이 최근 계좌를 닫았을까?"처럼, 데이터가 '계좌' 단위로 되어 있어도 회원 단위로 결과를 보여줍니다.
• 비전문가의 복잡한 질문: "거래 패턴이 이상한 회원들의 위험 점수를 만들어줘"처럼, 복잡한 수식이나 코딩 없이도 복잡한 분석을 요청할 수 있습니다.
• 검증과 신뢰: AI 가 답을 내놓기 전, "이렇게 해석해서 검색할 건데 괜찮으세요?"라고 보여주고, 사용자는 "맞아" 혹은 "아니야"라고 피드백을 줄 수 있어 시스템이 점점 똑똑해집니다.

요약

투르시오는 신용협동조합의 낡고 복잡한 데이터 창고에 자동으로 작동하는 스마트 나침반을 설치해 주는 것입니다.

• 기존: "IT 팀이랑 몇 시간씩 싸워가며 데이터 찾아야 함."
• 투르시오: "친구에게 말하듯 질문하면, AI 가 자동으로 찾아서 정리된 답을 줌."

이로써 신용협동조합은 회원들의 삶을 더 잘 이해하고, 빠르고 안전한 서비스로 회원들에게 더 큰 가치를 제공할 수 있게 됩니다.

기술 요약

논문 요약: Tursio (신용협동조합을 위한 자동화된 컨텍스트 그래프 기반 구조화된 데이터 검색)

1. 문제 정의 (Problem)

신용협동조합 (Credit Unions, CUs) 은 회원 중심의 금융 서비스 제공을 목표로 하지만, 데이터 분석 및 인사이트 도출에 다음과 같은 심각한 장벽에 직면해 있습니다.

• 복잡한 레거시 스키마: 업계 표준인 Symitar (Jack Henry) 핵심 뱅킹 플랫폼은 1970 년대 후반에 설계된 고도로 정규화 (3NF) 된 계층적 스키마를 사용합니다. 이는 '계정 (Account)'을 중심으로 설계되어 있어, '회원 (Member)' 관점의 분석이나 보고를 위해 다수의 테이블을 조인 (Join) 해야 하는 번거로움이 있습니다.
• 수동 데이터 추출의 비효율성: 비즈니스 사용자는 IT 팀이나 리포터에게 데이터 요청을 해야 하며, 이는 수동 스크립트 작성으로 이어져 결정 지연과 기회 손실을 초래합니다.
• 기존 AI/BI 도구의 한계: Snowflake Cortex, Databricks Genie 등 최신 도구들은 컨텍스트 구축을 위해 수동으로 지식 저장소 (Knowledge Store) 를 구성하고 샘플 질문을 입력해야 합니다. 이는 유지보수 비용이 크며, 클라우드 기반인 경우가 많아 금융 규제 산업 (엄격한 데이터 거버넌스 요구) 에 적합하지 않을 수 있습니다.

2. 방법론 (Methodology)

Tursio 는 이러한 문제를 해결하기 위해 온프레미스 (On-premises) 환경에서 작동하며, 자동화된 컨텍스트 그래프를 구축하여 자연어 질의 (Natural Language Query) 를 정확한 SQL 로 변환하는 플랫폼입니다.

• 온프레미스 배포 및 보안: 모든 데이터 처리가 로컬 (Docker 컨테이너 또는 Kubernetes) 에서 이루어져 민감한 회원 데이터와 메타데이터가 외부로 유출되지 않도록 보장합니다.
• 자동화된 의미 지식 그래프 (Automated Semantic Knowledge Graph) 구축:
  • 스키마 추론 (Schema Inference): 통계 기반 알고리즘과 LLM 을 결합하여 테이블 간의 기본키/외래키 관계를 자동으로 발견하고 고충실도 조인 조건을 생성합니다.
  • 의미적 풍부화 (Semantic Enrichment): LLM 을 사용하여 열 (Column) 을 '차원 (Dimension)' 또는 '측정값 (Measure)'으로 분류하고, 약어 풀이, 설명 생성, PII(개인식별정보) 자동 감지 및 제외를 수행합니다.
  • 가명화 (Aliasing): 긴 테이블/열 이름을 비즈니스 친화적인 별칭으로 변환하여 질의 이해도를 높입니다.
• 컨텍스트 인식 질의 계획 (Context-Aware Query Planning):
  • 사용자 의도를 의미 지식 그래프의 관련 부분과 매핑합니다.
  • 단계별 질의 생성: LLM 과 ANTLR 파서를 사용하여 질의를 연산자로 파싱하고, 그래프를 통해 스키마 요소에 연결 (Grounding) 한 후, 관계형 연산자 트리를 구성합니다.
  • 보안 및 정확성 검증: 규칙 기반 변환을 적용하여 SQL 의 정확성과 보안을 확보하며, 필요 시 LLM 을 통해 고급 SQL 구문을 재작성합니다.

3. 주요 기여 (Key Contributions)

• 자동화된 컨텍스트 구축: 기존 도구들이 요구하는 수동 지식 저장소 구성 (메타데이터 enrichment, 샘플 질문 입력 등) 을 자동화하여 초기 설정 및 유지보수 비용을 대폭 절감했습니다.
• 회원 중심 인사이트 도출: 계정 중심의 레거시 스키마를 자동으로 비정규화 (De-normalize) 하고, '회원' 관점의 질의 (예: "지난 분기에 계좌를 해지한 회원 목록") 를 정확하게 처리할 수 있도록 합니다.
• 비전문가를 위한 자연어 검색: 복잡한 금융 개념 (연체, 유지 기간 등) 을 사용자가 자연어로 표현할 수 있게 하며, 이를 복잡한 SQL (윈도우 함수, 중첩 쿼리 등) 로 변환합니다.
• 모호성 해결 및 주석 기능: 유사한 이름의 열이나 테이블 간의 모호성을 자동으로 감지하고, 사용자가 의미 그래프에 주석 (Annotation) 을 추가하여 우선순위를 지정함으로써 질의 정확도를 높입니다.
• 검증 및 감사 기능: 질의 해석 미리보기, 피드백 제공, 쿼리 히스토리, 시스템 성능 인사이트 등을 제공하여 시스템의 신뢰성을 검증하고 규제 준수를 지원합니다.

4. 평가 및 결과 (Results)

• 구조적 정확도 (Structural Accuracy): BIRD 벤치마크를 사용하여 생성된 SQL 의 구조적 정확도를 평가했습니다. 예측된 SQL 과 참조 SQL 간의 높은 정합성을 보였으며, LLM 기반 평가자 (LLM-as-a-grader) 를 통해 다차원적으로 검증되었습니다.
• 응답 품질 (Response Quality): 내부 생산 워크로드에 대해 LLM 앙상블을 사용하여 응답 품질을 1(우수) 에서 4(부족) 척도로 평가한 결과, 평균 1.8 점이라는 높은 점수를 기록했습니다. 이는 구조화된 데이터 검색의 품질이 매우 높음을 시사합니다.
• 확장성: 수십에서 수백 개의 테이블로 구성된 복잡한 스키마에서도 성공적으로 온보딩 및 조인 추론이 가능함을 입증했습니다.

5. 의의 및 중요성 (Significance)

• 규제 산업의 데이터 민주화: 금융과 같이 엄격한 데이터 거버넌스가 필요한 환경에서도 온프레미스 아키텍처를 통해 AI 기반 검색을 안전하게 도입할 수 있는 모델을 제시했습니다.
• 비즈니스 민첩성 향상: IT 팀에 의존하지 않고 비즈니스 사용자가 직접 실시간으로 데이터 인사이트를 얻을 수 있게 하여, 의사결정 속도를 높이고 회원 참여도를 개선합니다.
• 레거시 시스템 현대화의 새로운 패러다임: 기존 레거시 데이터 웨어하우스 구축의 복잡성을 우회하거나 보완하여, 기존 데이터를 즉시 검색 가능한 형태로 변환하는 효율적인 솔루션을 제공합니다.

이 논문은 Tursio 가 신용협동조합의 고유한 데이터 환경 (Symitar 스키마) 에서 어떻게 기술적 장벽을 허물고 데이터 기반 의사결정을 가능하게 하는지 구체적으로 입증하고 있습니다.