← Solution으로 돌아가기
KnowledgeLynk
AI 기반 지식 통합 플랫폼
수주·연구개발·소싱 데이터를 단일 Cloud에 통합하고, 자연어 질문만으로 즉시 답을 얻는다.
다뤄지는 문제 (Pain Points)
여러 조직에 걸처 업무를 수행해야 하는 경우, 자료의 통합 관리 부재로 인해 신속한 대응을 하지 못 하는 경우가 자주 발생한다. 주로 다음과 같은 문제가 있다고 정리 할 수 있다.
- 고객/파트너 이메일, RFQ, 수주·실패 이력, 미팅 자료, 기술 검토 내용 등이 개인 PC나 여러 시스템에 분산 관리됨
- 정보 검색에 시간이 오래 걸림
- 담당자 변경 시 핵심 지식이 지속 유실되는 문제 발생
해결 방향 (Solution)
수주 → 연구개발 → 소싱 과정에서 생성되는 데이터를 단일 Cloud 환경에 통합하고, AI가 이를 해석하여 (Context 의미로 분류) 자연어 기반 지식 DB로 구축합니다.
통합 대상 데이터:
- 고객/파트너 데이터
- 프로젝트 데이터
- 기술 데이터
- 커뮤니케이션 데이터
예시 질문 (Example Queries)
각 실무 담당자는 아래와 같은 질문만으로 즉시 필요한 정보를 얻을 수 있게 합니다.
"과거 RFQ 실패 원인 요약"
"Summary of past RFQ failure reasons"
"최근 고객과 논의한 기술 이슈 요약"
"Summary of technical issues discussed with customers recently"
주요 가치 (Benefits)
- 데이터 관리 프로세스 단순화 (수 많은 비정형 데이터를 (이메일, 원드, PPT 등) 관리할 필요가 없다)
- 지식 transfer 문제 최소화
- 빠른 정보 검색 → 상품 대응력 향상
- R&D 의사결정 속도·정확도 동시 향상
- 사람에게만 있던 경험·맥락을 시스템 지식으로 축적
- RFQ 실패 패턴, 고객과 소통시 발생하는 기술 리스크 등 반복되는 패턴 학습
엔터프라이즈 아키텍처 (Enterprise AI OS)
KnowledgeLynk는 단순 검색 시스템이 아니라, 기업 전반의 지식을 운영하는 Enterprise AI OS를 지향합니다.
- [ERP / PLM / MES / 이메일 / 문서] → 데이터 수집 레이어(이는 MCP server 구축시 가능)
- 구조화 DB + 벡터 DB에 Single Cloud Data Fabric 형태로 저장
- RAG + MCP Orchestrator가 적절한 데이터와 툴을 조합
- Amazon Bedrock 등 LLM이 Reasoning을 수행
- Web / BI / Executive UI로 결과 제공
데이터 통합 구조 (Single Cloud Data Fabric)
데이터 특성에 따라 저장소를 분리해, 비용·성능·보안을 동시에 만족시키는 구조를 사용합니다.
- RFQ, 매출, BOM 등 정형 데이터 → Aurora 등 RDS
- 기술 문서, 회의록, 프레젠테이션 등 비정형 문서 → S3
- 이메일 본문 + 메타데이터 → S3 + 메타데이터 DB
- 임베딩(벡터) → Amazon OpenSearch 등 Vector DB
이 구조 위에서 Hybrid Search를 수행해, 정형·비정형 데이터를 함께 조회합니다.
질문 처리 & 에이전트 설계
“RFQ 실패 원인”, “기술 이슈 요약”과 같은 질문은 Hybrid Retrieval + Workflow Reasoning으로 처리됩니다.
- Multi-Retriever: SQL(정형), Vector(기술 문서), Metadata(담당자 변경), Time-based(최근 N개월)
- Router Chain: 실패 원인 분석 / 기술 요약 / 원가 비교 / 고객 히스토리 등으로 질문 유형 분류
- Workflow: RFQ DB → 회의록 벡터 검색 → 이메일 스레드 → 통합 Reasoning 순으로 조합
- Memory Layer: Conversation Memory, Project Timeline, Decision Log를 저장해 담당자 변경 시에도 맥락 유지
MCP & LangChain 기반 Orchestration
KnowledgeLynk는 MCP(Model Context Protocol)와 LangChain 기반으로, LLM이 어떤 데이터와 툴을 어떻게 사용할지 명시적으로 Orchestrate합니다.
- Data Connector MCP: ERP Query, RFQ DB, PLM 문서, Email Thread, Issue Tracker 등의 Tool 정의
- Context Filter MCP: 보안 레벨, 부서, Role 등에 따른 컨텍스트 필터링
- LangChain Orchestration: Multi-Retriever, Router Chain, Memory Layer 조합
지식 유실 최소화 설계
핵심은 암묵지(Tacit Knowledge)를 구조화된 지식으로 전환하는 것입니다.
주요 이벤트 발생 시, LLM이 자동으로 요약·구조화해 저장합니다.
- RFQ 종료 → 실패/성공 원인 요약
- 기술 미팅 → 이슈 요약, Action Item, Risk 정리
- 설계 변경 → 변경 이유와 영향 범위 기록
- OEM 피드백 → 리스크 레벨 및 대응 히스토리 정리
보안 및 운영
보안 레벨
정보별 보안 레벨 메타데이터를 두고, IAM Role과 연동해 행 단위까지 접근을 제어합니다.
- 4단계 권장: Public / Internal / Confidential / Restricted(OEM 계약)
- 각 데이터에
security_level, allowed_roles 메타데이터 부여
- IAM + RBAC 정책과 연계해, RAG 단계에서 보안 필터를 먼저 적용
기술 스택 개요 (예시)
- Auth & 권한: Cognito(사용자 인증), IAM(역할 기반 접근 제어), RBAC(권한 설계)
- 데이터 레이어: Aurora(RDB), S3(파일), OpenSearch(Vector)
- 오케스트레이션: LangChain, MCP 기반 Tool 설계
- LLM: Amazon Bedrock 등 엔터프라이즈 LLM
- UI: React + API Gateway + Lambda
Flow Chart
RAG·MCP 오케스트레이션·도구 루프 흐름 요약
flowchart TB
s(["User Upload docs"]) --> n1["Business Documents Archiving
Data Contents: email, text, docs, meeting minutes, etc"]
n1 --> n2[("Content-based DB")]
n2 --> m1(["RAG Generation"])
m1 --> m2["Generate Embedding
transform sentence to Vector
Generate RAG
Context-based DB"]
m2 --> m3[("Vector DB")]
A(["User uploads docs and enters inquiry"]) --> B["Intent Analyzer"]
B --> B1{"MCP Orchestration"}
B1 --> C["RAG Business Information"]
B1 --> D["MCP Server"]
B1 --> D1["MCP External"]
C --> C1["Context Parser
Vector Similarity"]
C1 --> E["Tool e.g. Section generation loop"]
D --> E
D1 --> E
E --> F{"Acceptable"}
F --> B1