AntDocs Chat
사내 문서(PDF/DOCX/TXT/MD)를 인덱싱해 질문-답변 + 근거(파일/페이지/문단)를 제공합니다.
80%
문서 검색 시간 단축
0.4초
평균 응답 시간
95%
근거 인용 정확도
* 도입 기대 효과 (환경에 따라 상이)
안내: 답변에는 근거(출처)를 함께 제공하며, 최종 판단은 사용자에게 있습니다. 권한 기반 접근통제 및 로그 정책 적용이 가능합니다.
현장의 문제
흩어진 문서
내부 규정/매뉴얼/업무지침이 흩어져 있어 찾는 시간이 오래 걸립니다.
반복 질문
담당자에게 반복 질문이 몰려 업무가 지연됩니다.
신뢰도 부족
"근거가 무엇인지"가 없으면 답변을 신뢰하기 어렵습니다.
체험해 보세요
아래 질문을 클릭하면 AntDocs Chat의 응답 방식을 확인할 수 있습니다.
시뮬레이션 데모핵심 차별점
근거 인용
답변의 출처(파일/페이지/문단)를 함께 제공하여 신뢰를 확보합니다.
온프레미스(폐쇄망)
데이터 반출 없이 내부망에서 운영 가능합니다.
권한 관리
부서/프로젝트별 접근통제로 문서 보안을 유지합니다.
온프레미스 배포
폐쇄망·내부망 설치 지원
데이터 외부 반출 제로
모든 처리를 사내망에서 수행
AI바우처 공급기업
정부 지원 사업 활용 가능
오픈소스 LLM 지원
라이선스 비용 절감 가능
필요 데이터
문서 원본
PDF / DOCX / TXT / MD 등 사내 문서 파일
분류/권한 기준
부서·프로젝트별 문서 분류 체계 및 접근 권한 정책
민감정보 정책
제한어·민감정보 처리 정책 (선택)
지원 파일 형식
성과 지표
RAG 시스템의 정량 평가 지표입니다
| 평가 항목 | 측정 지표 | 설명 |
|---|---|---|
| 검색 정확도 | Hit-rate | 질문에 대해 올바른 문서·문단을 검색하는 비율 |
| 답변 정확도 | Human Evaluation | 전문가 평가 기반 답변 품질 점수 |
| 업무 효율 | 문서 검색 시간 단축률 | 기존 대비 문서 탐색 소요 시간 감소 비율 |
| 근거 인용 | 출처 정확도 | 답변에 인용된 출처(파일/페이지)의 정확도 |
도입 절차
문서 진단
문서 양/형식/권한 구조를 파악합니다.
인덱싱/벡터DB 구성
문서를 인덱싱하고 벡터DB를 구성합니다.
RAG 파이프라인 + UI
RAG 파이프라인을 구축하고 사용자 인터페이스를 개발합니다.
운영 정책 적용
권한/로그/삭제 정책을 적용합니다.
파일럿 → 확산
파일럿 운영 후 전사적으로 확산합니다.
도입 효과 시뮬레이션
AntDocs Chat 도입 시 기대할 수 있는 변화입니다.
품질 매뉴얼 검색
수백 페이지 품질 문서에서 즉시 답변을 찾아 현장 대응 시간을 단축합니다.
내부 규정 문의 자동화
직원들의 반복적인 규정 문의를 AI가 출처와 함께 자동 응답합니다.
법령·지침 근거 검색
수천 건의 법령과 지침에서 정확한 근거 조항을 즉시 인용합니다.
* 위 시나리오는 도입 효과 시뮬레이션이며, 실제 환경에 따라 다를 수 있습니다.
도입 대상
제조
건설
물류
금융
IT
공공
내부 문서·규정이 많은 모든 조직에 적합합니다.
자주 묻는 질문
가능합니다. NAS에 저장된 문서(PDF/DOCX/TXT/MD 등)를 대상으로 다음 프로세스를 거쳐 챗봇을 구축합니다.
- 문서 수집: NAS 공유 폴더에서 대상 문서를 자동 수집합니다. 증분 동기화(신규/수정 문서 자동 반영)를 지원합니다.
- 전처리·청킹: 문서를 텍스트로 변환한 후, 의미 단위(페이지/문단/섹션)로 분할(Chunking)합니다.
- 임베딩·인덱싱: 각 청크를 벡터(Embedding)로 변환하여 벡터DB에 저장합니다.
- RAG 파이프라인: 사용자 질문이 입력되면 벡터DB에서 관련 문서를 검색(Retrieval)하고, LLM이 검색 결과를 기반으로 답변을 생성(Generation)합니다.
- 근거 제공: 답변과 함께 출처(파일명/페이지/문단)를 인용하여 검증 가능한 형태로 제공합니다.
문서가 추가·수정되면 인덱스가 자동 업데이트되어 항상 최신 상태를 유지합니다.
온프레미스(폐쇄망) 배포를 지원합니다. 모든 구성 요소(벡터DB, LLM 추론 서버, 웹 UI)를 사내 서버에 설치하여 운영할 수 있습니다.
- 데이터 반출 제로: 문서 데이터와 질의 내용이 사내 네트워크 밖으로 나가지 않습니다.
- 독립 운영: 외부 인터넷 연결 없이 폐쇄망 내에서 독립적으로 동작합니다.
- LLM 선택: 오픈소스 LLM(로컬 구동)을 기본으로 하며, 보안 정책에 따라 모델을 선택할 수 있습니다.
- 인프라 요건: GPU 서버(추론용) + 스토리지(벡터DB)가 필요하며, 기존 NAS를 문서 소스로 직접 연동합니다.
클라우드 배포도 가능하므로, 보안 요구사항에 따라 최적의 배포 방식을 협의합니다.
가능합니다. 부서/프로젝트/역할별 접근통제를 적용하여, 사용자가 권한이 있는 문서 범위 내에서만 검색·답변을 받을 수 있도록 구성합니다. 질의 로그 기록 및 감사(Audit) 기능도 제공됩니다.
RAG(Retrieval-Augmented Generation) 방식은 LLM이 학습 데이터가 아닌 실제 사내 문서에서 검색한 내용을 기반으로 답변을 생성하므로, 할루시네이션(허위 정보 생성)을 크게 줄입니다.
- 모든 답변에 근거(출처 파일/페이지/문단)를 함께 제공하여 사용자가 직접 검증할 수 있습니다.
- PoC 단계에서 검색 정확도(Hit-rate)와 답변 품질(Human Evaluation)을 정량 측정합니다.
- 관련 문서가 없는 질문에는 "해당 문서를 찾을 수 없습니다"로 응답하도록 설계되어 있습니다.
문서 규모와 동시 사용자 수에 따라 달라지며, 도입 협의 시 고객사 환경에 맞는 권장 사양을 안내합니다. 일반적으로 GPU 서버(LLM 추론용) 1대 이상과 벡터DB 스토리지가 필요합니다. 기존 NAS를 문서 소스로 직접 활용할 수 있어 별도 문서 스토리지는 불필요합니다.