과제: 프로젝트 요구에 적합한 인재 및 사례를 효율적으로 검색하고, 사람의 편향을 줄이는 것

해결 방안: 고객 맞춤형 결과를 제공하는 AI 어시스턴트를 개발하여 시간 절약 및 검색 자동화

주요 성과:

• 기존 시스템과 매끄러운 통합
• 사용자 친화적 접근성
• 유연한 구조와 빠른 확장성
• 자동화를 통한 시간 절약
• 지속적인 성능 개선
• 프로젝트 입찰 과정 효율화

성과 지표:

• 스킬 매트릭스에 CV 빌더를 통합하여 생산 비용 30% 절감
• 케이스 스터디 작성 시간을 2일 → 1시간으로 단축, 효율성 1600% 향상

Methods Analytics는 고객에게 최고의 전문가를 제공하기 위해 효율적인 인력 매칭이 핵심입니다. 이를 위해 생성형 AI와 RAG 기술을 결합한 대화형 AI 어시스턴트를 개발했습니다. 이 어시스턴트는 프로젝트별 요구사항에 맞는 인재 및 사례를 내부 DB에서 자동 검색하며, Microsoft Teams와 연동되어 손쉽게 접근할 수 있도록 구성되어 있습니다.

이 시스템을 구축하는 데 사용된 핵심 기술은 RAG(Retrieval Augmented Generation) 와 프롬프트 엔지니어링입니다. 문서 검색 과정을 최적화하고, 간결하고 정확한 응답을 위한 프롬프트 템플릿을 정교하게 설계하는 데 중점을 두었습니다. 또한, 검색기의 커스터마이징을 통해 문서 검색 결과의 관련성을 최대화했습니다. RAG 인덱스는 클라우드에서 자동으로 업데이트되며, 이력서 및 사례 데이터베이스의 변경 사항이 실시간으로 반영되도록 구현되었습니다. Microsoft Teams와의 매끄러운 통합은 제어된 접근권한을 유지하면서도 사용자 접근성을 극대화합니다.

핵심 기능은 Python을 사용해 개발되었으며, Azure Functions, Cognitive Search, Blob Storage, Logic Apps, Container Registry 등 다양한 Microsoft Azure 서비스를 통해 클라우드 자동화를 구현했습니다. GitHub는 버전 관리 및 협업을 위한 도구로 활용되었고, Flask는 웹 애플리케이션 컴포넌트 개발에 사용되었습니다. 이 시스템은 높은 확장성과 유연성을 갖추고 있어, 새로운 데이터와 요구사항에 자동으로 대응할 수 있습니다. 또한 **개체명 인식(NER)**과 **광학 문자 인식(OCR)**을 통해 문서 분석 및 검색 정확도를 높였습니다. 마지막으로, 이 시스템은 OpenAI GPT-3.5와 Streamlit 기반의 대화형 인터페이스를 통해 매우 사용자 친화적인 경험을 제공합니다. Azure Bot Framework는 챗봇 기능을 처리하여 사용자와의 자연스러운 상호작용을 지원합니다.

새로운 시스템은 적합한 인재를 식별하는 데 걸리는 시간을 기존의 하루에서 5분 이내로 단축시켰습니다. 정확도가 크게 향상되면서, 관련 기술과 유사 사례를 더 효과적으로 식별할 수 있게 되었고, 최근성(recency) 등에서 발생할 수 있는 편향도 최소화했습니다. 또한, 관련 케이스 스터디와 인재 프로필에 신속하게 접근할 수 있어 입찰 제안 준비 과정이 한층 간소화되었고, 팀의 시간과 리소스를 절감하는 데 기여했습니다. Microsoft Teams와의 통합으로 솔루션은 널리 활용 가능하면서도, 필요한 보안 통제를 유지할 수 있도록 설계되었습니다.