과학 포털 iKAOS

스스로 만들어쓰는 IPA:실습중심 / 김덕환 / 260602

현대 사회의 업무 환경은 단순 반복적인 작업을 넘어 고도의 판단력을 요구하는 복잡한 과정으로 진화하고 있습니다. 과거의 로봇 프로세스 자동화(RPA)가 미리 약속된 규칙에 따라 정해진 동작만을 수행하는 수준이었다면, 이제는 인공지능 기술이 결합한 지능형 프로세스 자동화(IPA)의 시대가 도래했습니다. 이는 단순히 명령어를 수행하는 단계를 지나 추론, 요약, 번역 등의 지능적인 활동을 자동화의 영역으로 끌어들였음을 의미하며, 업무 효율성을 획기적으로 개선하는 발판이 됩니다. 이러한 변화의 중심에는 마이크로소프트의 파워 오토메이트(Power Automate)와 같은 강력한 도구들이 자리 잡고 있습니다. 유료 기반의 클라우드 서비스들과 달리, 로컬 환경에서 무료로 실행할 수 있는 이 플랫폼은 보안과 비용 문제로 클라우드 도입이 조심스러운 연구기관이나 기업에 훌륭한 대안이 됩니다. 사용자는 자신의 PC를 하나의 로봇처럼 활용하여 복잡한 코딩 지식 없이도 흐름을 설계하고 실행할 수 있는 환경을 갖추게 되었으며, 이는 디지털 전환의 진입 장벽을 낮추는 역할을 합니다. 파워 오토메이트(Power Automate)의 가장 큰 장점은 블록 코딩 형식의 로우코드(Low-code) 인터페이스를 제공한다는 점입니다. 전문 개발자가 아니더라도 왼쪽의 작업 상자에서 필요한 액션을 선택해 오른쪽으로 배치하는 것만으로도 업무 흐름을 만들 수 있습니다. 변수를 설정하고 값을 치환하는 과정이 시각적으로 드러나기 때문에 전체 프로세스의 체계성을 파악하기 용이합니다. 이는 코드를 직접 작성하는 방식보다 가시성이 높으면서도 업무의 정확도를 높이는 데 기여하며, 비전문가도 자신만의 자동화 도구를 개발할 수 있게 합니다. 실제 업무에 적용할 수 있는 대표적인 사례로는 웹 브라우저 조작을 통한 데이터 수집이 있습니다. 예를 들어 특정 종목의 주가를 주기적으로 모니터링해야 한다면, 크롬(Chrome) 브라우저를 자동으로 실행하고 검색어를 입력한 뒤 필요한 데이터만 추출하는 과정을 설계할 수 있습니다. 수작업으로 매번 창을 열고 값을 확인하던 시간을 획기적으로 줄여줄 뿐만 아니라, 수집된 데이터를 변수에 저장하여 다음 단계의 작업으로 자연스럽게 연결함으로써 정보 수집의 자동화를 완성할 수 있습니다. 수집된 방대한 데이터를 효율적으로 관리하기 위해서는 엑셀과의 연동이 필수적입니다. 파워 오토메이트(Power Automate)는 엑셀 파일을 열고 특정 시트를 활성화하며, 비어 있는 행을 찾아 데이터를 기록하는 과정을 모두 자동화합니다. 반복문을 사용하면 여러 종목의 정보를 순차적으로 수집하여 표 형태로 정리하는 일도 순식간에 끝납니다. 사용자는 시간대별로 주가가 어떻게 변동했는지 기록된 이력을 확인하며, 분석에 필요한 기초 자료를 별도의 노력 없이도 매일 아침 손쉽게 확보할 수 있는 이점을 누립니다. 자동화 시스템에 거대언어모델(LLM)을 연동하면 자동화의 수준은 한 차원 더 높아집니다. 수집된 텍스트 데이터를 분석하여 현재의 시장 흐름을 진단하거나, 특정 조건에 따른 전략적 판단을 인공지능에게 요청할 수 있습니다. API를 통해 실시간으로 질문과 답변을 주고받는 구조를 설계하면, 단순한 데이터 수집기를 넘어 지능적인 의사결정 보조 도구로 활용이 가능해집니다. 이는 자동화가 단순히 손발이 되는 것을 넘어 인간의 판단력을 보조하는 지혜로운 파트너가 되었음을 보여줍니다. 이러한 지능형 프로세스 자동화(IPA) 기술은 연구소의 행정 지원 업무나 게시판 스크래핑, 이메일 자동 처리 등 다양한 분야로 무한히 확장될 수 있습니다. 복잡한 사용자 환경에서도 동작을 기록하고 수정함으로써 업무의 효율성을 극대화할 수 있습니다. 결국 지능형 프로세스 자동화(IPA)의 핵심은 인간이 더 창의적이고 가치 있는 연구 활동과 핵심 본업에 집중할 수 있도록, 번거롭고 반복적인 일들을 신뢰할 수 있는 디지털 비서에게 맡기는 스마트한 업무 환경을 구축하는 데 있습니다.

[EOST2023] 거대언어모델을 활용한 연구 효율화

ChatGPT가 등장한 지 1년도 채 되지 않아 바드, 하이퍼클로바X, 라마 등 다양한 거대 언어 모델(LLM)들이 쏟아져 나오고 있습니다. 현재 이 시장은 거대하고 강력한 모델을 지향하는 흐름과 오픈소스 기반의 최적화 모델을 지향하는 두 가지 흐름으로 나뉩니다. 초창기에는 텍스트 생성에만 치중되어 할루시네이션(환각) 문제가 심각하다는 우려도 컸습니다. 하지만 사용자가 직접 작성한 글을 번역하고 요약하며, 말투를 교정하는 등의 정교한 작업이 가능해지면서 단순한 검색 엔진을 넘어선 활용 가능성을 보여주고 있습니다. 거대 언어 모델(LLM)의 흥미로운 점은 가르치지 않은 능력이 발현되는 '창발' 현상입니다. 일정 규모 이상의 모델은 숫자 계산이나 논리적 추론, 심지어 문맥 속에 숨겨진 감정까지 파악해 내는 능력을 보여줍니다. 예를 들어 소년이 소녀에게 꽃을 주고 자리를 치워주는 행동을 묘사한 지문을 통해 두 사람 사이의 감정을 '사랑'으로 추론해 내기도 합니다. 이러한 능력은 연구자가 지문이나 근거 자료를 제공하고 그 안에서 새로운 통찰을 이끌어내거나 논리적인 분석을 요청할 때 매우 강력한 도구가 됩니다. 연구 현장에서 인공지능을 효율적으로 활용하기 위해서는 '검색 증강 생성(RAG)' 기술이 필수적입니다. 이는 단순히 모델의 지식에만 의존하는 것이 아니라 규정, 특허, 논문 등 신뢰할 수 있는 외부 데이터를 모델에게 제공하여 답변을 생성하게 하는 방식입니다. 이를 통해 오류를 방지하고 기관 내부의 데이터베이스를 기반으로 정확한 정보를 처리할 수 있습니다. 수많은 정보를 목적에 맞게 가공하고, 한정된 자원을 어디에 투자할지 결정하는 의사 결정 과정에 인공지능이 깊숙이 개입할 수 있게 된 것입니다. 이제 연구자는 핵심 질문만 던지면 인공지능이 보고서의 초안을 작성하고 관련 논문을 찾아 요약해 주는 시대를 살고 있습니다. SciSpace나 Perplexity 같은 도구는 수백 페이지에 달하는 논문 속에서 필요한 정보를 단숨에 추출하며, 인용 관계를 그래프로 보여주어 학문적 지도를 그려주기도 합니다. 또한 코딩 지식이 없어도 거대 언어 모델(LLM)에게 데이터 분석을 시키거나 발표용 그림을 생성하게 하는 등 작업 시간을 획기적으로 단축할 수 있습니다. 며칠이 걸리던 문헌 조사가 단 몇 시간 만에 끝나는 효율화가 현실이 되었습니다. 기술의 발전은 연구자에게 일의 본질이 무엇인지 다시 묻게 합니다. 이미지 생성 인공지능을 활용해 논문의 개념도를 그리거나 발표 자료를 꾸밀 때는 저작권과 윤리적 가이드라인을 지키는 것이 중요합니다. 인공지능은 더 이상 미래의 기술이 아니라 이미 누구나 누릴 수 있는 현재의 기술이기에, 이를 활용하지 않는 것은 손해에 가깝습니다. 인간은 역사적으로 새로운 도구와 싸워 이기려 하기보다 이를 이용해 더 큰 성취를 이뤄왔습니다. 이제 인공지능을 동료로 삼아 단순 작업에서 벗어나 더 깊고 창의적인 연구에 몰입해야 할 때입니다.

스마트워크

스스로 만들어쓰는 IPA:실습중심 / 김덕환 / 260602

한국과학기술연구원

[EOST2023] 거대언어모델을 활용한 연구 효율화

한국전자통신연구원오픈소스 테크데이