SOLUTION · AI 플랫폼

QAgent

AI 에이전트 — 자연어 하나로 조회·분석·실행. 여러 시스템에 흩어진 데이터를 대화형 단일 창구로 통합하고, 답변에는 근거 문서를 함께 제시하며, 실행이 필요한 작업은 승인 절차를 거쳐 처리합니다.

조회자연어 → SQL (NL2SQL)
근거문서·지식 관계 검색과 출처 제시
실행사람 승인 후 업무 실행

SOLUTION / AGENTQ

자연어 하나로조회·분석·실행까지

여러 시스템에 흩어진 데이터를 대화형 단일 창구로 통합합니다.

답변에는 근거를 함께 제시하고, 실행은 승인을 거쳐 처리합니다.

Overview

여러 시스템을 오가며 데이터를 찾는 시간을 줄입니다

QAgent는 업무 시스템과 사내 문서를 자연어로 조회·분석하는 AI 에이전트입니다. 답변을 리포트로 정리하고, 필요한 작업은 담당자 승인 후 실행합니다.

QAgent 데이터 분석 에이전트 화면 — 업무 데이터를 자연어로 분석 — QAgent — 자연어 기반 업무 데이터 분석 (예시 화면)

NL2SQL자연어 질문을 SQL로 변환 — 분산 시스템 데이터를 대화로 조회

근거 검색(RAG·GraphRAG)사내 문서·지식 검색에 근거 경로 제시로 환각 억제

실행 연동메신저·이슈트래커 등 사내 시스템 연계 자동화

Features

에이전트를 완성하는 핵심 기능

데이터를 찾아 답하고, 확인 가능한 근거를 제시하며, 실행 전에는 담당자의 통제를 거칩니다.

NL2SQL

자연어 데이터 조회

자연어 질문을 SQL로 변환해 여러 시스템에 흩어진 데이터를 한 번에 조회합니다. SQL을 몰라도 필요한 데이터를 직접 찾을 수 있습니다.

구성 기술 자세히

NL2SQL 조회 — 프로토타입 예시 화면

근거 검색(RAG·GraphRAG)

근거를 제시하는 답변

사내 문서와 지식을 검색 증강(RAG·GraphRAG)으로 활용하고, 답변마다 출처를 함께 인용합니다. 어디서 온 답인지 확인할 수 있어야 업무에 쓸 수 있습니다.

판단 파이프라인 자세히

GraphRAG 지식 검색 — 프로토타입 예시 화면

Guardrails

승인 기반 실행 통제

민감한 작업은 안전정책 정책과 사람의 승인을 거쳐 실행합니다. 에이전트에게 일을 맡기되, 통제권은 사람에게 남깁니다.

자율화 수준 자세히

안전정책 관리 — 프로토타입 예시 화면

Architecture

질의에서 실행까지, 3계층

QAgent는 이해 → 추론 → 실행 3계층으로 동작합니다. 답변에는 확인 가능한 근거를 함께 제시하고, 실제 업무를 실행하기 전에는 담당자 승인 절차를 둡니다.

01 · 이해 · 검색Understanding자연어 데이터 조회(NL2SQL)로 자연어를 구조화 쿼리로 변환하고, 근거 검색(RAG·GraphRAG)로 사내 지식과 근거 경로를 찾습니다.

02 · 추론 · 생성Reasoning상용 대규모 언어모델(LLM) API 또는 사내 소형 언어모델(sLLM)으로 분석·리포트를 생성하고 안전정책을 적용합니다.

03 · 실행 · 행동Execution생산관리(MES)·전사자원관리(ERP)·메신저·이슈트래커와 연동하며, 실제 실행 전에는 사람 승인을 거칩니다.

QData가 표준화한 데이터를 사용하고, Cubeon의 에이전트·협업 조정 모듈을 기반으로 여러 에이전트가 역할을 나눠 일하도록 확장합니다.

Runtime Pipeline

근거 있는 답을 만드는 흐름

질문과 관련된 사내 자료를 먼저 찾고, 답변에 근거를 붙여 검증합니다. 근거가 부족한 답은 실행으로 바로 이어지지 않도록 구성합니다.

STEP 1

질의 이해

자연어 질문을 데이터 조회문으로 변환(NL2SQL)

STEP 2

문서 검색

문서를 의미 기반으로 검색하고 관련도가 높은 순서로 재정렬

STEP 3

근거 결합

근거 검색(RAG·GraphRAG)로 근거 경로를 답변에 결합 · 지식그래프 관계 추론

STEP 4

추론 · 생성

상용 대규모 언어모델(LLM) API 또는 사내 소형 언어모델(sLLM)으로 분석·리포트 생성

STEP 5

근거 검증 · 안전장치

검색한 자료와 답변이 일치하는지 확인하고 개인정보를 가려 안전성을 점검

STEP 6

실행 · HITL

HITL(사람이 검토·승인하는 절차)을 거친 후 생산관리(MES)·전사자원관리(ERP)·메신저·이슈트래커로 액션 실행

근거가 부족하면 답변 보류검색 자료와 답변의 일치도가 기준에 못 미치면 답변을 보류하고 다시 검색합니다.

권한 인지 검색사용자 권한 범위 안의 문서만 검색·인용해 정보 접근 통제를 유지합니다.

Core Stack

에이전트를 이루는 기술

검색·추론·실행 전 구간을 산업 현장 요건에 맞춰 구성하도록 설계합니다.

NL2SQL자연어 질문을 SQL로 변환 — 분산 데이터 대화형 조회

RAG사내 문서·지식 검색증강 생성

GraphRAG지식그래프 기반 관계 검색·추론

sLLM온프레미스·폐쇄망용 경량 특화 언어모델

온톨로지·의미 검색사내 용어·관계로 근거 경로 제시

벡터 검색 · Reranking임베딩 후보 검색·재순위화

MCP · Function Calling도구 호출 기반 에이전트 오케스트레이션

안전정책 · MLOpsMLOps(모델 학습·배포·성능 관리) · 개인정보 비식별화 · 지속 개선

멀티 에이전트 허브 예시 화면 — 업무 에이전트와 복합 업무 오케스트레이션(OCR·DB검색·보고서 자동 릴레이) — 멀티 에이전트 허브 — 프로토타입 예시 화면

Integrations

흩어진 시스템을 하나의 대화로

사내 데이터 소스와 협업·실행 도구를 표준 커넥터로 연결하도록 설계합니다.

데이터 소스

SQL DB시계열 DBMESERP사내 문서·지식베이스벡터 DB

협업 · 실행

메신저이슈트래커메일그룹웨어

인터페이스 · 프로토콜

REST / OpenAPISQLMCP · Function CallingsLLM 로컬 추론 엔드포인트

단순 조회를 넘어, 담당자 승인과 감사 기록이 남는 안전한 업무 실행으로 연결합니다.

RAG 지식 연동 예시 화면 — VectorDB 연결·문서 보안등급·지식참조 근거 — 사내 지식 RAG 연동 — 프로토타입 예시 화면

Why not generic AI

범용 AI로는 부족한 이유

범용 LLM을 단독으로 도입하는 것과 현장 시스템에 연결하는 산업 AI는 준비 범위가 다릅니다.

범용 AI로는 부족한 이유 비교표
항목	범용 LLM 단독 도입	오큐브 산업 AI
도메인 데이터 이해	일반 지식 기반 — 현장 용어·설비 맥락 약함	이기종 설비·공정 데이터를 표준화(QData)해 반영
사내 용어·관계 이해	일반 지식에 의존해 사내 맥락 반영이 어려움	사내 용어와 데이터 관계를 정의해 질문을 업무 맥락에 맞게 해석
근거·출처 제시	답의 출처가 불투명 — 환각 위험	근거 검색(RAG·GraphRAG)로 근거 경로 함께 제시
온프레미스·폐쇄망	배포 환경과 보안 체계를 별도로 구성해야 함	클라우드·온프레미스·폐쇄망 선택형
현장 시스템 연동	업무 시스템·설비 연동을 별도로 개발해야 함	생산관리(MES)·전사자원관리(ERP)·메신저·설비 연동, 승인 후 실행
지속 운영	성능 감시와 개선 체계를 별도로 마련해야 함	모델 성능 감시·재학습·버전 관리

Human-in-the-Loop

위험도에 따라 사람이 개입합니다

실행 자동화의 신뢰는 단계적으로 확보합니다. 작업의 가역성·위험도에 따라 사람 개입 수준을 달리하도록 구성합니다.

위험도에 따라 사람이 개입합니다 비교표
자율성 단계	사람 개입 시점	적용 시나리오
Human-in-the-loop	모든 액션을 실행 직전 사람이 검토·승인	비가역·고위험 (발주·정산·설비 제어)
Human-on-the-loop	사람이 감시하며 필요 시 개입·중단	반복·중위험 (리포트 발송·티켓 생성)
Human-out-of-the-loop	사전 정의 정책 내 자동 실행 · 사후 감사	저위험·가역 (데이터 조회·요약)

업무 위험도와 결과를 되돌릴 수 있는지에 따라 자동 실행 범위와 승인자를 정합니다.

권한·역할 기반 승인업무·위험도별로 승인권자를 라우팅해 무단 실행을 차단

감사 추적설정 범위의 조회·실행 이력을 남겨 감사와 원인 추적을 지원

롤백·보상 처리오실행 시 되돌리기·보상 트랜잭션으로 안전하게 복구

Deployment

데이터가 있는 곳에 배포합니다

데이터 주권·보안 요건에 따라 같은 에이전트를 세 형태로 배포하도록 설계합니다.

데이터가 밖으로 나가도 되는지, 얼마나 빨라야 하는지, 최신 모델이 필요한지 — 세 축으로 배포 형태를 결정합니다.

데이터 주권·보안반출 가능 여부·망분리 요건에 따라 클라우드 ↔ 온프레미스 ↔ 폐쇄망 선택

지연·비용실시간성이 중요한 현장은 로컬 추론, 범용 질의는 API로 역할 분담

모델 최신성최신 상용 LLM API와 내부 특화 sLLM을 요건에 맞춰 조합

클라우드

상용 LLM API 기반 · 빠른 구축과 최신 모델 활용

온프레미스

사내 서버 sLLM · 데이터 내부화 · 최신 GPU 인프라 추론

폐쇄망

망분리(에어갭) 대응 · 데이터 반출 없이 온프레미스 sLLM 운영

Case

반복 조회·정리 시간을 줄인 적용 사례

대기업 제조 · 자재 관리

자재 의사결정 AI Agent

과제 재고·수급 데이터가 시스템마다 분산, 취합에 시간 소모

해결 자연어→SQL 변환 + 지식검색(RAG), 차트·표·메일 초안까지 대화형 응답

성과 분산 데이터 조회·정리 과정을 대화형 조회로 단순화

확장

CS·문서 자동화로 확장

영역 CS 자동응답, 사내 문서 Q&A, 리포트 초안 자동화

효과 반복 조회·정리 업무를 대화로 대체 — 사람은 판단에 집중

업무 질의응답 에이전트 예시 화면 — 근거 출처를 함께 제시하는 RAG 기반 답변 — 근거 출처를 제시하는 업무 에이전트 — 프로토타입 예시 화면

전체 구축 사례 보기

Optimization Scenarios

이런 상황에서 효과가 큽니다

복잡한 현장 조건에서 에이전트가 실제로 일하게 만드는 방식을 시나리오로 정리했습니다.

여러 시스템에 흩어진 데이터를 매번 조회·취합하는 업무

재고·수급·품질 데이터가 시스템마다 따로 있어, 하나의 질문에 답하려면 여러 화면을 오가며 조회하고 다시 표로 옮겨야 합니다. QAgent는 자연어 질의를 질의문(NL2SQL)으로 변환해 필요한 시스템에서 직접 데이터를 가져오고, 표·차트와 함께 근거가 된 조회 조건을 같이 제시합니다.

사내 규정과 기술 문서가 여러 곳에 분산된 환경

작업표준서·점검 절차·설비 매뉴얼이 부서별로 나뉘어 있어, 정보가 존재해도 상황에 맞는 답을 일관되게 얻기 어렵습니다. QAgent는 문서를 의미 단위로 구조화하고 출처와 함께 답변해, 단순 문서 검색이 아니라 업무 판단의 근거로 쓸 수 있는 지식베이스로 동작합니다.

답변의 근거와 책임 소재가 중요한 업무

안전·품질·인허가처럼 해석의 정확성이 요구되는 영역에서는 출처가 불분명한 답변 자체가 리스크가 됩니다. QAgent는 검색된 근거와 생성된 답변을 대조하고, 근거가 부족하면 단정하지 않고 확인이 필요하다고 표시하도록 설계합니다.

부서마다 열람 범위가 다른 조직

같은 질문이라도 부서와 직무에 따라 접근 가능한 자료가 다릅니다. QAgent는 역할 기반 접근 제어(RBAC)를 지식 범위에 그대로 적용해, 하나의 창구를 쓰면서도 사용자마다 볼 수 있는 근거만 참조하도록 통제합니다.