제조 품질 관리에 최적화된 인간 중심 LLM‑CA 아키텍처 설계

본 논문은 제조업 품질 관리 시스템(QMS) 내에서 대형 언어 모델 기반 인지 보조기(LLM‑CA)를 효과적으로 도입하기 위한 인간 중심 소프트웨어 아키텍처를 설계·검증한다. 연구는 먼저 ISO 9001:2015가 정의하는 QMS의 핵심 원칙—위험 기반 사고, 지속적 개선, 문서·지식 관리—을 분석하고, LLM‑CA가 충족해야 할 14개의 기능·비기능 요구사항을 도출한다. 이 요구사항은 기존 연구(Galdino et al., 2023)에서 제시된 기술적 요소를 기반으로 하며, ‘신뢰성·보안·확장성·사용자 중심·규제 준수·산업 특화 지식 통합’ 등을 포함한다. 설계 단계에서는 도메인‑주도 설계(DDD)를 적용해 요구사항을 영어 텍스트에서 명사·동사·형용사로 매핑하는 English Informal Strategy를 활용, 도메인 모델을 구축한다. 모델을 bounded context로 분할하면 ‘Chat’, ‘Retriever’, ‘LLM’, ‘Knowledge Base’, ‘Feedback’, ‘Conversational Agent’, ‘User’ 등 7개의 핵심 영역이 도출된다. 각 영역은 마이크로서비스로 구현되며, 서비스 간 통신은 비동기 메시지 큐와 REST API를 혼합해 높은 결합도 감소와 독립 배포를 가능하게 한다. 핵심 기술은 Retrieval‑Augmented Generation(RAG) 패턴과 도메인 어댑터를 결합한 LLM 엔진이다. RAG는 최신 작업 지시서·매뉴얼·베스트 프랙티스 등을 실시간 검색해 LLM에 주입함으로써 ‘Hallucination’ 위험을 최소화한다. 도메인 어댑터는 사전 학습된 대형 모델을 제조 현장 특화 데이터에 효율적으로 파인튜닝하도록 설계돼, 계산 비용을 크게 절감한다. LLM‑Agent 내부에는 Guardrail 모듈이 삽입돼 부적절한 프롬프트·응답을 사전 차단하고, EU AI Act, ISO 9001, 기업 내부 윤리 규정 등을 자동 검증한다. 사용자 인터페이스는 ChatController와 ConversationalAgent Controller를 통해 텍스트·음성 멀티모달 대화를 지원한다. 사용자 그룹별 권한은 ACL(Access Control List)로 관리되며, 권한에 따라 문서 열람·편집·피드백 제출 범위가 제한된다. 피드백 루프는 FeedbackEvaluation 서비스가 사용자의 교정·보완 정보를 수집·분류하고, 이를 RAGRetrieval에 반영해 지식베이스를 지속적으로 업데이트한다. 이렇게 함으로써 인간이 주도하는 지식 관리와 LLM‑CA의 자동화가 유기적으로 결합된다. 검증은 두 차례에 걸친 전문가 포커스 그룹(총 7명)으로 수행되었다. 첫 번째 그룹에서는 아키텍처의 전반적인 구조와 모듈 간 인터페이스가 명확하다는 긍정적 평가가 있었으며, 보안·규제 대응 메커니즘에 대한 추가 요구가 제기되었다. 연구팀은 Guardrail 로직을 강화하고, 규제 체크 리스트를 모듈화하는 개선을 적용했다. 두 번째 그룹에서는 수정된 아키텍처가 실현 가능성·유지보수·확장성 측면에서 높은 만족도를 얻었으며, 최종적으로 아키텍처가 승인되었다. 결과적으로 제안된 아키텍처는 다음과 같은 주요 특징을 가진다. ① 마이크로서비스·다중 에이전트(MAS) 기반의 높은 모듈성·확장성 ② RAG·도메인 어댑터를 통한 최신·산업 특화 지식 제공 ③ Guardrail·ACL·피드백 루프를 포함한 종합적인 보안·투명성·규제 준수 메커니즘 ④ 인간 중심의 멀티모달 대화 인터페이스와 사용자 피드백 기반 지속적 지식 업데이트. 이러한 설계는 QMS의 문서·버전 관리 요구와 LLM‑CA의 기술적 특성을 동시에 만족시키며, 향후 산업 파트너와의 파일럿 프로젝트를 통해 실제 제조 현장에서 품질 개선·작업 효율성 향상 효과를 검증할 기반을 제공한다.