kakaopay·문제대출 시장의 정보 불균형 때문에 사용자는 자기 상황에 맞는 상품을 알아보는 과정 자체에 불안감을 느낀다. 기존 챗봇은 "무엇을 묻고 무엇을 결정할지" 까지 도와주지 못한다.
접근AWS Bedrock 의 Knowledge Base 와 Agent 답변 지침으로 할루시네이션을 억제하면서 RAG 기반 "AI 대출 코치" 를 1박 2일 해커톤에서 구현. 사용자 상황을 단계별로 묻고 의사결정을 가이드한다.
결과대출 과정의 불확실성을 줄여 사용자가 주체적으로 선택할 수 있게 돕는다. 짧은 해커톤 안에서도 LLM 의 정확도와 UX 를 동시에 잡는 패턴을 정리.
AWS Korea·문제콘텐츠 번역가 10만 명을 자연어로 검색하려면 BM25 키워드와 벡터 의미 검색을 동시에 잘 다뤄야 한다. 기존 PostgreSQL 검색은 nDCG@10 0.90 목표에 미달.
접근Amazon OpenSearch Service 로 이전하면서 Nori 한국어 형태소 분석기 + 다국어 임베딩 + Bedrock Cohere/Claude 로 데이터 정제 파이프라인 구축. 단일 쿼리에서 키워드와 벡터를 결합.
결과nDCG@10 0.90 이상 달성. 표준 어휘 사전과 별칭 매핑으로 이력서 데이터 일관성도 확보.
베스핀글로벌·문제AI 할루시네이션은 모델이 아니라 데이터 파이프라인 결함의 결과. PoC 에서 90% 정확도였던 모델이 프로덕션에서 실패하는 이유.
접근3 레이어 구조: 입력단 AI 기반 자동 품질 감시 → 거버넌스 레이어로 출처·흐름·접근 추적 → 출력단 AI-on-AI 자동 검증. 검색 품질이 답변 정확도를 좌우하므로 맥락 기반 청킹·멀티모달 임베딩·하이브리드 검색·리랭킹 네 기법 적용.
결과단일 플랫폼 도입이나 벡터 DB 구축만으론 부족함을 명확히 한 실전 검증 패턴. 도메인별 맥락을 잃지 않는 데이터 파이프라인이 진짜 해법.
무신사 테크·