자주 묻는 질문

기존 BI는 미리 설계된 대시보드, Qurify는 자연어 질문으로 즉석 분석하는 도구입니다.

• BI 도구(Tableau, Power BI)는 정해진 지표를 시각화하는 데 최적화되어 있어, 대시보드에 없는 질문이 생기면 IT팀에 요청해야 합니다
• Qurify는 사전 설계 없이 자연어 질문만으로 즉시 데이터를 조회·분석합니다 — 현업 담당자가 직접 답을 찾을 수 있습니다
• 정형 데이터(DB)뿐 아니라 비정형 데이터(문서, 매뉴얼, 보고서)까지 통합 검색하여 수치와 맥락을 함께 파악합니다
• 기존 BI를 대체하기보다 보완재로서 애드혹(ad-hoc) 분석과 문서 기반 인사이트 영역을 담당합니다

ERP AI는 현재 화면의 데이터만 질의 가능하지만, Qurify는 여러 테이블을 교차 분석합니다.

• 대부분의 ERP AI는 열려 있는 화면의 데이터만 대상으로 질의할 수 있어, 원인 추적 시 여러 화면을 수동으로 오가며 분석해야 합니다
• Qurify는 온톨로지가 여러 테이블·화면의 데이터를 의미 수준에서 연결하므로, 한 번의 자연어 질문으로 교차 분석과 드릴다운이 가능합니다
• 기존 ERP를 교체하는 것이 아니라 그 위에 지능 계층을 얹는 방식이므로, ERP 본연의 기능은 그대로 유지됩니다

간단한 SQL은 가능하지만, 기업 환경에서 신뢰할 수 있는 정확도를 내기는 어렵습니다.

• LLM 단독 사용 시 한계: 전체 스키마를 통째로 넘겨야 하고, 테이블이 50개만 넘어도 정확도가 급격히 하락합니다. 사내 용어를 이해하지 못하며 조인 경로를 추측합니다
• Qurify + LLM: 지식 그래프가 수백 개 테이블 중 질문과 관련된 것만 선별하여 LLM에 전달하고, 사전 검증된 조인 경로와 업무 규칙을 함께 제공합니다
• LLM이 '무엇을 모르는지 아는' 구조를 만들어, 근거 없이 추측하는 대신 확실한 정보만으로 답변합니다

데이터 플랫폼을 대체하지 않고, 그 위에 '지식층'을 얹는 구조입니다.

• 스키마 필터링: 지식 그래프가 질문에 필요한 테이블만 선별하여 LLM에 전달 — 대규모 스키마에서도 정확도 유지
• 조인 경로 검증: 사전 검증된 경로만 사용하며, SQL 실행 전 사전 검증까지 수행
• 페더레이션: 여러 DB를 한 번에 연결하는 설계로 이기종 DB 간 단일 SQL 조회 가능
• 하이브리드 분석: DB 조회 결과와 문서 검색 결과를 하나의 답변에 합쳐 제공

핵심은 데이터 조회·분석이며, 온톨로지 위에서 실제 업무 실행까지 확장할 수 있습니다.

작동 방식은 4단계입니다:

1. 해석 — 비정형 입력(이메일·PDF)을 AI가 해석
2. 검증 — 온톨로지로 사실(등록 거래처·계약 단가 일치 등)을 검증
3. 실행 — 전표 생성·통지 발송 등 확정 절차로 정확히 실행
4. 승인 — 고위험 건은 자동 처리하지 않고 담당자 승인 게이트에서 정지(HITL)

애매한 판단은 AI가 돕되, 돈이 움직이는 결정은 사람이 최종 통제합니다.

주요 관계형 DB와 클라우드 데이터 웨어하우스를 모두 지원합니다.

• 관계형 DB: PostgreSQL, MySQL, MariaDB, MSSQL 등
• 클라우드 DW: Databricks, Snowflake, Amazon Redshift 등
• 문서 형식: PDF, Word, Excel, PowerPoint, HWP 등 — 파일 업로드 또는 스토리지 연동으로 수집
• 확장: 특수한 데이터 소스는 커스텀 MCP 커넥터를 통해 연동 가능하며, 지원 범위는 지속적으로 확대 중

네, 모든 데이터 레이어에 연결할 수 있습니다.

• Raw 테이블, 전처리·가공 테이블, 뷰를 구분 없이 연결 가능
• 여러 레이어를 동시에 연결하는 것도 가능
• 권장 방식: 현업에서 실제로 조회하는 가공된 레이어(뷰/Mart 테이블)를 우선 연결하고, 필요 시 Raw 레이어를 추가 확장 — 온톨로지 품질이 높아지고 노이즈를 줄일 수 있습니다

네, 기존 자산을 임포트하여 재활용할 수 있습니다.

• 컬럼별 한글 별칭·설명은 DB 연결 시 자동으로 수집
• 동의어 사전은 CSV로 일괄 임포트하거나 대화형 교정 도구로 등록
• 기존 시맨틱 레이어, 데이터 딕셔너리, 표준 용어 사전 모두 활용 가능
• Qurify의 2계층 온톨로지가 이를 확장하여 단순 용어 사전을 넘어 관계 추론과 조인 경로 검증까지 제공합니다

네, MCP 기반 아키텍처로 다양한 사내 시스템과 표준화된 방식으로 연동됩니다.

• 지원 시스템: SAP, Oracle ERP, Salesforce 등 주요 ERP·CRM, 그룹웨어, 사내 위키, 파일 서버 등
• 간편 연동: 별도의 커스텀 API 개발 없이 MCP 커넥터 설정만으로 데이터 소스 추가
• 유연성: REST API와 웹훅(Webhook)도 지원하여 MCP 미지원 시스템이라도 통합 가능
• 연동 범위와 방식은 도입 상담 시 고객사 환경에 맞춰 설계합니다

네, DB(SQL) 검색과 문서(RAG) 검색을 하나의 에이전트에서 결합합니다.

• 지원 형식: PDF, HWP/HWPX, DOCX, XLSX, CSV, TXT 등
• 문서를 청크 단위로 분할 → 벡터 임베딩 → 의미 기반 검색 수행
• 하이브리드 질의 예시: "지난 분기 매출 추이를 DB에서 가져오고, 관련 계약 조건을 계약서 PDF에서 찾아 줘" → SQL 결과와 문서 검색 결과를 함께 답변

아니요. '단순할수록 더 좋다'는 원칙에 따라 단계적으로 구축합니다.

• 레벨 1~2: 정형 데이터의 핵심 엔터티부터 표준 용어로 매핑
• 레벨 3: 가치가 확인되면 계약서·이메일 같은 비정형 데이터를 통합
• 레벨 4~5: 자가 확장으로 진화

각 레벨마다 고객사와 **'핑퐁(ping-pong) 검증'**을 거쳐 충분히 납득·검증한 뒤에만 다음 단계로 승격하므로, 위험을 통제하면서 빠르게 성과를 확인할 수 있습니다.

4단계 자동 파이프라인으로 구축됩니다.

1. 설명 생성 — DB 스키마에서 테이블·컬럼 정보를 읽어 AI가 한글 설명을 자동 생성
2. 물리 구조 매핑 — 스키마·테이블·컬럼 관계를 구조화
3. 기존 SQL 반영 — 업무 담당자의 기존 보고서 SQL에서 조인 패턴·필터 조건을 추가 반영
4. 의미 계층 추출 — AI가 전체를 분석하여 동의어, 업무 규칙, 도메인 분류, 조인 경로를 자동 추출

AI의 추론 능력과 지식 그래프의 구조적 제약을 결합하여 환각을 제어합니다.

새로 빌드한 뒤 기존 버전과 한 번에 교체하는 방식으로, 서비스 중단 없이 갱신됩니다.

• 이전에 부여한 동의어·업무 규칙 등 커스터마이징은 재구축 후에도 유지
• 수백 개 테이블 규모에서도 수 분~수십 분 내에 완료
• 재구축 주기를 스케줄러로 자동화 가능
• 변경된 부분만 선별 갱신하는 증분 동기화 기능은 향후 제공 예정

네, 등록 즉시 AI가 활용합니다.

예를 들어 '공사비'라는 용어를 특정 컬럼과 동의어로 등록해 두면, 이후 사용자가 '공사비'로 질문할 때 정확한 데이터를 찾아줍니다.

등록 방법은 세 가지입니다:

• 대화형 교정 도구에서 자연어로 등록 (예: "공사비는 cost_detail.total_amount와 같은 뜻이야")
• 온톨로지 자동 구축 시 AI가 제안하는 동의어를 확인·승인
• 기존 데이터 딕셔너리를 CSV로 일괄 임포트

네, '예시 SQL'로 등록하면 두 가지로 활용됩니다.

• 온톨로지 보강: 해당 SQL의 테이블·컬럼·조인 패턴을 분석하여 지식 그래프를 강화
• 패턴 학습: 유사한 질문이 들어왔을 때 동일한 쿼리 패턴을 참고
• 정확도 평가 기준: 등록된 예시 SQL은 AI가 만든 SQL과 정답 SQL의 결과를 비교하여 정확도를 측정하는 기준으로도 활용됩니다

다층적인 오답 방지 및 교정 체계를 갖추고 있습니다.

• 출처 제공: 모든 답변에 원본 문서 위치 또는 SQL 쿼리를 함께 제공하여 사용자가 직접 검증 가능
• 자동 평가: LLM Judge가 답변의 정확성·근거 충실도·완전성을 실시간 점수화하며, 신뢰도가 낮으면 경고 표시
• 사용자 피드백: 좋아요/싫어요 피드백을 수집하여 온톨로지와 프롬프트를 지속 개선
• 모니터링: 관리자 대시보드에서 질의별 정확도 추이를 추적하고 반복 오답 패턴을 선제적으로 대응

이러한 폐쇄 루프(Closed-loop) 구조 덕분에 사용할수록 답변 품질이 향상됩니다.

파인튜닝을 하지 않습니다. 지식은 온톨로지에, 추론은 LLM에 분리되어 있습니다.

• 상용 LLM을 프롬프트 기반으로 사용하며, 지식은 **온톨로지(지식 그래프)**에 저장
• SQL 생성 단계에서는 출력의 일관성을 최대화하는 설정으로 동작
• 파인튜닝에 의존하지 않기 때문에 AI 모델을 교체해도 온톨로지 자산은 그대로 유지
• 지식 그래프가 지식의 주체이고, LLM은 추론 도구입니다

동일 SQL의 글자 그대로 100% 재현을 약속하지는 않지만, '결과 수준'의 재현성은 높게 유지됩니다.

• AI 특성상 표현 수준의 변동(컬럼 순서, 별칭명 등)은 있을 수 있습니다
• 온톨로지 기반 스키마 필터링과 예시 SQL 패턴 유도로 결과 일관성을 확보
• 동일 질문을 복수 회 실행하여 결과 일치 여부를 확인하는 재현 검증 체계 보유
• 생성된 SQL의 문법·실행 가능성을 사전 차단하는 검증도 함께 수행

온톨로지 커버리지 내 질문이라면, 예시 없이도 답변합니다.

• 등록된 테이블·컬럼·조인 경로 범위 내라면 온톨로지 정보를 기반으로 SQL을 자동 생성
• 커버리지 밖 질문에 대해서는 **"관련 테이블을 찾을 수 없습니다"**와 같이 한계를 명시 — 근거 없이 추측하지 않음
• 새로운 유형의 질문이 발생하면 해당 테이블을 추가하고 업무 용어를 등록하면 즉시 대응 가능
• 온톨로지 확장 = AI의 답변 범위 확장입니다

조인 경로가 온톨로지에 등록되어 있다면, 다중 조인에서도 정확도를 유지합니다.

• 3~4개 이상의 다중 조인도 사전 검증된 경로만 사용 — 등록되지 않은 조인은 생성하지 않음
• 1:N 관계의 집계 오류(Fan-out)는 업무 규칙으로 집계 방식을 명시하거나 예시 SQL에 올바른 패턴을 등록하여 방지
• 정확도의 핵심 변수는 조인 수가 아니라, 해당 조인 경로가 온톨로지에 등록·검증되어 있는가입니다

표준 5단계 도입 프로세스를 통해 3~5주 내에 운영 환경을 구축합니다.

1. 1주차 — 환경 구성과 데이터 소스 연결
2. 2주차 — 온톨로지 설계와 데이터 인덱싱
3. 3주차 — AI 튜닝과 품질 검증
4. 4주차 — 파일럿 운영과 피드백 반영
5. 5주차 — 정식 오픈과 안정화

자체 개발 시 6개월 이상 소요되는 작업을 검증된 프레임워크로 대폭 단축합니다. 프로젝트 규모에 따라 일정이 조정될 수 있으며, 킥오프 단계에서 상세 일정을 함께 확정합니다.

두 옵션 모두 동일한 기능을 제공하며, 보안 정책과 운영 여건에 따라 선택하시면 됩니다.

• SaaS: 별도 인프라 구축 없이 즉시 사용 가능. 업데이트와 유지보수를 스마트마인드 AI가 전담하여 운영 부담 최소화. 빠른 도입과 유연한 확장이 필요한 기업에 적합
• On-Premise: 고객사 자체 서버 또는 프라이빗 클라우드에 설치하여 데이터가 사내 네트워크를 벗어나지 않음. 금융·공공·의료 등 규제 환경에 권장
• 하이브리드: 핵심 데이터는 On-Premise, 일반 문서는 SaaS로 구성하는 것도 가능

엔터프라이즈 수준의 보안 체계를 기본으로 제공합니다.

• 암호화: 저장 시(at Rest)와 전송 시(in Transit) AES-256 암호화
• 접근 제어: RBAC로 사용자·부서·직급별 접근 범위를 세밀하게 제어
• PII 보호: 개인식별정보를 AI 답변 생성 전 자동 탐지·마스킹
• 감사 로그: 모든 질의·응답·데이터 접근 이력을 Audit Trail로 기록
• 인증 연동: SSO/LDAP 연동으로 기존 사내 인증 체계 그대로 적용
• 폐쇄망: On-Premise 배포를 통해 폐쇄망 운영 가능

네, AI 모델을 자유롭게 교체할 수 있습니다.

• 파인튜닝 비의존: 지식은 온톨로지에 저장되고 LLM은 프롬프트 기반으로 호출되므로, 모델 교체 시 기존 지식 자산을 재구축할 필요 없음
• 온프레미스 LLM: 보안 정책상 외부 API 호출이 제한되는 경우, 사내 GPU 서버에 오픈소스 LLM을 배포하여 폐쇄망에서도 운영 가능
• OpenAI API 호환 인터페이스를 지원하는 모델이면 엔드포인트 변경만으로 연결됩니다

현재 ERP와 독립된 별도 웹 인터페이스로 제공됩니다.

• ERP의 DB에 연결하여 데이터를 조회하지만, ERP 화면 안에 임베딩되는 형태는 아닙니다
• 이는 의도된 설계입니다 — 독립 시스템이기 때문에 특정 ERP에 종속되지 않고, 여러 시스템을 동시에 연결해 교차 분석이 가능합니다
• 향후 PoC와 실증을 거쳐 ERP 화면 안에 임베딩하는 방향도 검토 중이며, 궁극적으로는 사용자가 가장 익숙한 환경에서 자연어 분석을 수행할 수 있도록 발전시켜 나갈 계획입니다