[전자신문] 코난테크놀로지, 기업용 신규 AI솔루션 '코난 RAG-X' 선봬

 

 

 

 

 

📰 코난테크놀로지, 기업용 신규 AI솔루션 '코난 RAG-X' 선봬

신문 바로가기

인공지능(AI) 소프트웨어(SW) 기업 코난테크놀로지가 기업용 신규 AI솔루션의 베타테스트에 돌입했다.

지난해 10월 개발에 착수한 '코난 RAG-X'사용자가 필요한 모든 곳에서 데이터를 검색하고 그 결과를 토대로 고품질의 심층 답변을 제공한다. 양질의 최신 정보는 물론 기업 맞춤형 사이트까지 원클릭으로 검색한 뒤 AI가 즉답해 업무생산성을 높이는 것이 목표다.

코난 RAG-X는 △기업 내부문서·DB(Internal Sources)부터 △실시간 웹사이트·커뮤니티(External Sources) △고객별 맞춤형 사이트(Client-Specific Sources)까지 아우른 검색결과를 바탕으로 즉각 답변을 제공하는 AI 플랫폼이다.

'퍼플렉시티'와 같이 웹사이트만 검색하는 소비자 대상 서비스와 달리, 최적화된 검생증강생성(RAG) 기술로 다양한 내외부 지식을 융합해 검색결과를 제공하고 거대언어모델(LLM)이 답변하는 점에서 차별화된다.

사용자가 “금주 전기차 배터리 시황에 대해 3개월 전 워크샵 발표자료 찾아서 달라진 점 비교하고, 국내외 톱5 기업별 최신 뉴스와 함께 보고서 초안 작성해줘”라고 입력하면, “이 보고서에서는 사내 발표자료와 비교해 전기차 배터리 시황의 변화를 분석하고, 주요 제조업체들의 최신 이슈를 토대로 종합적인 관점을 제시합니다.”라는 대화를 시작한다. 이어 각 사이트에서 검색된 결과를 바탕으로 LLM이 수초 내에 일목요연하게 답변을 생성한다. 신뢰도 확보를 위해 모든 출처를 명확히 표시하고, '유럽의 주요 기술 동향'등 연관 검색어와 참고자료도 자동 추천한다.

코난 RAG-X는 현재 사내 구성원 200여명과 일부 고객사를 대상으로 비공개 베타테스트중으로, 내달 정식 출시 예정이다.

김영섬 코난테크놀로지 대표는 “검색 품질에 대한 기대가 높아가고, 기업 맞춤형 검색 수요가 증가하고 있다”면서 ”한 단계 진화한 생성형 AI 사용 경험을 통해 고객의 비즈니스를 혁신적으로 이끌겠다”고 포부를 전했다.

 

 

 

 

 

 

✍ 정리

 

코난테크놀로지가 기업용 AI 솔루션 ‘코난 RAG-X’의 베타테스트를 시작했다. 이 솔루션은 기업 내부 문서, 실시간 웹사이트, 맞춤형 사이트까지 검색해 즉각적인 AI 답변을 제공하며 검색증강생성(RAG) 기술을 활용해 고품질의 정보를 제공하는 것이 특징이다. 현재 내부 테스트 중이며 내달 정식 출시될 예정이다.

 

 

 

 

 

1️⃣ 신규 AI 솔루션 ‘코난 RAG-X’ 베타테스트 시작

• 기업 내부문서, 실시간 웹사이트, 맞춤형 사이트 등을 검색하여 신속한 AI 답변 제공
• 검색증강생성(RAG) 기술을 기반으로 다양한 내·외부 정보를 융합
• 거대언어모델(LLM)이 사용자 질문에 대한 심층적인 답변 생성

 

 

2️⃣ 차별점과 주요 기능

• 기존 웹 검색 서비스와 달리 기업 맞춤형 검색을 지원
• 검색된 정보의 출처를 명확히 표시하고, 연관 검색어 및 참고자료 자동 추천
• 업무 생산성을 향상시키는 맞춤형 보고서 생성 기능 제공

 

 

3️⃣ 출시 일정 및 기대 효과

• 현재 내부 직원 및 일부 고객사 대상으로 비공개 베타테스트 진행 중
• 내달 정식 출시 예정
• 김영섬 대표 “고객의 비즈니스 혁신을 이끌겠다”는 포부 강조

 

 

 

 

 

 

 

 

 

 

🔍 추가 조사: Konan LLM

 

 

Konan LLM은 코난테크놀로지가 자체 개발한 대규모 언어모델(LLM)로 20년 이상 축적된 자연어처리 기술과 대규모 데이터를 학습하여 기업의 문서 작업 및 창작을 지원하는 AI 모델이다. 강력한 보안성과 고신뢰 문서 생성 기능을 통해 업무 생산성을 극대화하며 다양한 산업군에서 활용될 수 있다.

 

 

 

1️⃣ 장점

• 문서작업 효율성 향상: 자동 요약, 문서 초안 작성, 실시간 질의응답 등 지원
• 강력한 보안성: 사용자 권한 기반 문서 접근 관리 및 보안 강화
• 수준 높은 문서 신뢰도: 외부 문서 첨부 및 참고자료 활용으로 환각 현상 방지
• 쉽고 편리한 관리환경 제공: 문서 특화 파인튜닝과 벡터 검색 연동으로 최적화된 사용자 경험 제공
• 철저한 권한 관리로 보안사고 예방: 사용자별 문서 접근 및 열람 권한을 세밀하게 제어

 

 

2️⃣ 주요 특장점

• 국내 최다 학습 토큰
  • 2007년부터 실시간 AI 분석 서비스펄스케이(pulseK)를 통해 205억건 이상의 데이터를 확보
  • 그 가운데 20억건의 양질의 대규모 데이터 학습
  • 자연어 처리 전문 기술집단의 수준급 전처리 기술로 압도적 학습 토큰과 최적의 파라미터 조합 구현
• 국내 최고 수준의 벡터검색 연동
  • 국내 유일 자체개발 디스크 기반 벡터 검색 기술로 10억건 이상 하이엔드 검색 기술 제공
  • 실시간 벡터 기반 문서 색인, 검색으로 LLM에게 Context를 제공해 최적의 답변 생성
  • 검색증강생성(RAG, Retrieval ) 지원으로 사용자 권한에 따라 변환되는 정보를 제어하고 열람 및 접근 권한 제어
• 문서 특화 파인튜닝으로 업무 생산성 극대화
  • 문서 초안은 물론 자동 요약, 도표 생성, 실시간 질의응답, 원스탑 문서 교정까지 지원
  • 외부 문서 첨부 기능과 참고문서 제공 기능으로 답변 근거 높이고 환각 현상 방지
  • 간단한 프롬프트만으로 4천자 이상의 긴 문서도 쉽게 작성 가능

 

 

3️⃣ 유스케이스

 

활용 분야	예시	기대 효과
문서/보고서 생성	기술 동향 보고서, 출장계획서 등 자동 생성	업무 생산성 향상, 시간 절감
문서 검토 탐지	계약서 검토, 불공정 조항 탐지	리스크 사전 방지 및 대응
Q&A 응대	사용자 의도 분석하여 최적의 답변 제공	고객 응대 시간 단축, 만족도 향상
고객 질의 실시간 대응	고객센터에서 보험 약관 및 상품 관련 질문 처리	상담 효율성 증가
고객 상담 기반 마케팅 활용	상담 데이터를 활용한 맞춤형 영업 시나리오 작성	개인화 마케팅 지원
각종 고객 응대 시나리오 생성	보험 및 은행 상품 판매 시 고객 맞춤형 상담 제공	매출 증대 및 고객 경험 개선

 

 

4️⃣ 모델 유형

• Konan LLM OND: 온디바이스용 모델 
• Konan LLM PRO: 단위 업무 규모용 모델
• Konan LLM ENT: 전사업무 규모용

 

 

 

 

 

🔗 연관 링크

 

Konan LLM | 코난테크놀로지 공식 홈페이지

 

 

 

 

 

 

 

 

 

 

💡현직자에게 할 질문

 

 

1️⃣ Konan RAG-X의 RAG(Search-Augmented Generation) 기술은 기존 RAG 모델들과 비교해 어떤 차별점을 가지고 있나요?

• 예를 들어, OpenAI나 Meta에서 제공하는 RAG 기반 AI 모델과 비교했을 때 검색 방식, 정보 융합 방식, LLM과의 연동 최적화 측면에서 어떤 기술적 우위를 가지고 있나요?
• 또한, 기업 내 문서 및 외부 데이터를 검색할 때 검색 정확도 및 속도를 높이기 위해 어떤 알고리즘을 적용했는지 궁금합니다.

 

 

2️⃣ Konan LLM이 학습한 20억 건의 데이터는 어떤 방식으로 선별되었으며, 데이터 편향(Bias)을 줄이기 위한 전략이 있나요?

• 기업 환경에서 활용될 경우 특정 산업 또는 도메인(예: 금융, 의료, 법률)에서의 정확성을 확보하기 위해 데이터 가공 및 검증 과정을 어떻게 관리하나요?
• 또한, 국내 데이터 위주로 학습된 모델이 글로벌 시장에서 활용될 때 생길 수 있는 언어적·문화적 한계를 어떻게 극복할 계획인가요?

 

 

3️⃣ Konan RAG-X가 제공하는 출처 명확성 및 신뢰도 평가 방식은 어떻게 설계되었나요?

• 검색된 정보의 신뢰도를 평가하고 출처를 명확하게 제시하는 것이 기업용 AI에서는 매우 중요한데 Konan RAG-X는 이를 위해 어떤 메커니즘을 적용하나요?
• 예를 들어, 출처의 신뢰도를 정량화하는 기준(예: 출처별 가중치, 정보 검증 과정 등)이 있는지 궁금합니다.

 

 

4️⃣ Konan LLM과 벡터 검색 기술을 결합할 때 발생하는 기술적 난제는 무엇이며, 이를 어떻게 해결했나요?

• 자체 개발한 디스크 기반 벡터 검색 기술이 10억 건 이상의 데이터를 효율적으로 검색할 수 있다고 하는데 기존 메모리 기반 벡터 검색(FAISS, Milvus 등)과 비교했을 때 속도와 비용 측면에서 어떤 장점이 있나요?
• 또한, 실시간 검색 과정에서 LLM이 벡터 검색 결과를 어떻게 필터링 및 가공하여 최적의 응답을 생성하는지 구체적인 사례가 있으면 듣고 싶습니다.

 

 

5️⃣ Konan RAG-X와 Konan LLM의 통합 운영 시, 기업의 IT 인프라 환경에 따라 어떤 최적화 옵션을 제공하나요?

• 예를 들어, 온프레미스(내부 서버) 환경과 클라우드 환경에서의 성능 차이가 있는지 그리고 AI 모델이 실행되는 환경에 따라 요구되는 하드웨어 사양이 어떻게 달라지는지 궁금합니다.
• 또한, 기업 내부 데이터와 외부 데이터를 효과적으로 결합하는 과정에서 발생하는 데이터 동기화 및 최신성 유지 문제를 어떻게 해결하고 있는지도 알고 싶습니다.

 

 

6️⃣ Konan LLM이 업무 자동화와 창작 지원을 위한 문서 특화 AI로 설계되었다고 하는데, 실제 기업 환경에서 가장 기대 이상의 효과를 보였던 사례가 있나요?

• 현재 베타테스트 중인 고객사에서 예상하지 못했던 흥미로운 활용 방식이 있었다면 어떤 사례가 있었는지 듣고 싶습니다.
• 또한, 기업의 실무 환경에서 LLM 도입이 어려웠던 문제(예: 내부 데이터 연동, 사내 보안 이슈, 직원 교육 문제 등)를 극복한 사례가 있다면 공유 부탁드립니다.

 

 

7️⃣ Konan RAG-X 및 Konan LLM의 보안성과 관련하여, 기업 내 민감 데이터를 다룰 때 적용되는 주요 보안 프로토콜은 무엇인가요?

• 특히 금융, 의료, 법률 등 보안이 중요한 산업에서 AI 도입이 까다로운데 Konan LLM이 이러한 환경에서 활용될 수 있도록 어떤 보안 조치를 마련했나요?
• 예를 들어, 데이터 암호화, 액세스 제어, 감사 로그 기록 등과 관련한 구체적인 보안 기능이 어떻게 구현되어 있는지 궁금합니다.

 

 

8️⃣ Konan LLM의 온디바이스(OND), 업무 규모(PRO), 전사적 도입(ENT) 모델 간의 차별화된 학습 방식이 있나요?

• OND 모델의 경우 로컬 환경에서 실행되면서도 높은 성능을 유지할 수 있도록 어떤 최적화가 적용되었나요?
• 또한, 전사적 도입을 고려하는 기업들에게 ENT 모델이 제공하는 추가적인 기능(예: 맞춤형 파인튜닝, 대규모 문서 처리 속도 향상 등)이 무엇인지 궁금합니다.