딥러닝 🐍

🔹 문제

제조공정에서의 고장 분석이나 품질 이상 원인을 단순 문서 검색 기반 RAG로는 정확히 파악하기 어렵다.
공정·설비·부품·결함 간 관계를 이해하고 추론할 수 있는 Graph RAG (Knowledge Graph 기반 RAG) 시스템을 설계하시오.

다음 항목을 포함하여 설명하시오.

1. Graph RAG의 개념과 기존 RAG와의 차이
2. Graph 기반 지식 구조(엔티티·관계·속성) 설계
3. Graph + Vector Hybrid Retrieval 구조
4. Graph 기반 추론 및 LLM 통합 방식
5. 품질 검증 및 Explainability 확보 방법

💡 모범답안 (상세)

(1) 개념 차이

(2) 데이터 구조

• 엔티티(Entity): 설비, 공정단계, 부품, 결함, 센서
• 관계(Relation):
  • (공정단계)-[사용]->(설비)
  • (설비)-[원인]->(결함)
  • (결함)-[관련]->(품질지표)
• 속성(Attribute): 온도, 압력, 시간, 생산량 등

(3) Graph + Vector Hybrid Retrieval

• Graph Context → 근거 문단 추출 → LLM Prompt 삽입

(4) 추론 및 통합

• LLM 입력:
•  
  Context = Graph Path + 관련 문서 블록
• ReasoningAgent가 Graph Path 내 노드 관계를 단계별 설명
• 예: “누적 결함률 증가 → 특정 설비군(A01, A02) 관련 Edge 3회 등장 → 주요 원인 후보 도출”

(5) Explainability

(6) 운영 예시

• DB: Neo4j + pgvector Hybrid Query
• 오케스트레이션: Airflow/LangGraph
• 시각화: Grafana + Bloom View
• 장점: 단순 검색형 RAG 대비 설명가능성 + 추론력 + 도메인 맥락성 강화

🔹 문제

제조 데이터 분석 및 보고 자동화 시스템에서 다수의 Agent(DataAgent, RAGAgent, AnalysisAgent, ReportAgent, EvalAgent)가 협력하여 작업을 수행한다.
이때, 에이전트 간 병목이나 비효율을 줄이고 성능을 극대화하기 위해 LangGraph 기반 동적 오케스트레이션 구조를 설계하려 한다.

다음 항목을 포함하여 기술하시오.

1. Multi-Agent 협력 구조의 기본 원리 및 설계 개념
2. LangGraph 또는 Argo Workflow 기반의 병렬·동적 실행 전략
3. 에이전트 간 데이터 교환 및 상태(State) 관리 설계
4. 에이전트 실패 시 동적 재계획(Re-Planning)·복구 절차
5. 시스템 최적화를 위한 지표 기반 Self-Tuning 방안

💡 모범답안 (상세)

(1) 구조 개념

• Agentic AI 시스템은 모듈형(Micro-agent) 구조로 분리 → 병렬 수행 가능
• SuperAgent(Planner)가 Task를 DAG 형태로 분할, 각 Node는 Agent
• 각 Agent는 역할 기반 실행 → 결과 공유(Artifact + Memory)

(2) LangGraph 기반 설계 예시

[SuperAgent]
 ├─(A) DataAgent → ETL/Feature Extract
 ├─(B) RAGAgent → 문서 검색/요약
 ├─(C) AnalysisAgent → 예측/통계
     │ (A,B 병렬 실행 후 종속)
 ├─(D) ReportAgent → 보고서 생성(LLM)
 └─(E) EvalAgent → 품질평가 후 피드백

• 병렬화: A·B 동시 실행, 이후 C·D·E 순차 수행
• Dynamic DAG: 실행 중 실패 시 Task 경로 수정

(3) 상태 관리

(4) 실패 복구 (Re-Planning)

• Reflective Loop: 실패 Task 감지 → 원인 분석(Log) → 대체 경로 계획
• Retry Policy: Backoff 1→2→4→8s (최대 3회)
• Fallback Agent: 동일 기능 예비 모델 사용 (e.g., OpenSearch→BM25 backup)
• SuperAgent Decision: 실패 패턴 누적 → Self-Rule 개선

(5) Self-Tuning

• KPI: Latency, Cost/Report, Groundedness, Task Success
• 10분 간격으로 수집된 로그 기반 → Threshold 초과 시
  • Prompt 압축
  • k값 조정(RAG)
  • 모델 Tier 변경(7B↔13B)
• Reinforcement Feedback으로 Planner 의사결정 보정

🔹 문제

Agentic AI 시스템이 다양한 데이터(생산정보, 설비로그, 매뉴얼, 사용자 질의)를 처리하는 과정에서
보안 및 규제 준수를 위해 정책 기반 접근제어(Policy-as-Code) 와 감사 추적(Audit Trail) 이 필요하다.

다음 항목을 포함하여 설계하시오:

1. 보안·정책 관리가 필요한 이유와 적용 범위
2. RBAC/ABAC/OPA를 이용한 권한·정책 관리 구조
3. 정책 위반 감지 및 대응 절차(Self-Healing 포함)
4. 로그 감사 및 추적 체계(Audit Trail) 설계
5. 개인정보·안전·규정 위반 응답 방지 전략

💡 모범답안 (상세)

(1) 필요성

• 제조 데이터에는 PII(개인정보), 설비 내부 규격, 안전 관련 매뉴얼 포함 → 접근제어 필수.
• LLM 기반 시스템은 비인가 질의나 규정 위반 응답을 생성할 수 있음 → 정책 기반 제어 필요.

(2) 구조 설계

[User Request]
   ↓
[Keycloak] → RBAC/ABAC 토큰 발급
   ↓
[OPA Policy Engine] → 정책 검증 (정책: rego)
   ↓
[LangGraph Agent Flow]
   ↓
[Audit Logger (Loki/Elastic)]

• RBAC: 사용자 역할별 접근 (예: Engineer, QA, Admin)
• ABAC: 속성 기반(라인, 설비, 문서등급) 조건부 접근
• OPA(Policy-as-Code): Rego 규칙으로 질의/출력 검증

(3) 정책 위반 대응

Self-Healing 예시

(4) Audit Trail

• 로그: trace_id, user_id, policy_rule, agent_id, timestamp, decision
• 저장: Loki/Elastic + Grafana 대시보드
• 보고: 월간 Audit Summary 자동 보고 (정책 위반 건수, 응답 수정 내역 등)

(5) 윤리/안전 대응

• SafePrompt: "안전 관련 규정 인용이 누락되지 않도록 확인하라"
• PII Scrubber: 개인정보 문자열(전화번호, 이름 등) 필터
• Bias Detector: 불공정 응답시 자동 교정 요청
• Human Override: 일정 기준 미만 신뢰도는 반드시 사람 승인 필요

🔹 문제

제조 현장의 공정 조건이 계절·설비·자재 변화에 따라 주기적으로 변동된다.
이에 대응하여 AI 분석 시스템이 스스로 적응할 수 있도록 지속학습(Lifelong Learning) 구조를 Agentic AI 시스템 내에 통합하려 한다.

다음 항목을 포함하여 설계 방안을 제시하시오:

1. 지속학습이 필요한 이유와 주요 구성 요소
2. 데이터 드리프트(Data Drift) 탐지 및 재학습 파이프라인 설계
3. Agent 간 연계 구조 (DataAgent, TrainerAgent, EvalAgent 등)
4. Catastrophic Forgetting 문제의 방지 방안
5. 지속학습 성능 평가 지표와 운영 정책

💡 모범답안 (상세)

(1) 필요성

• 제조공정은 시즌·설비 교체·원자재 배치 등에 따라 데이터 분포가 지속적으로 변함 → 정적 모델은 오래 유지 불가.
• Agentic 구조에서 지속학습 파이프라인을 통해 모델, RAG, Prompt, Policy 모두 주기적 갱신 필요.

(2) 파이프라인 설계

[DataAgent] ──> [Drift Detector] (Evidently PSI>0.2)
       ↓
[TrainerAgent] (Incremental Fine-tune or LoRA Update)
       ↓
[EvalAgent] (AutoEval Harness, Groundedness/Task Success)
       ↓
[Model Registry] (MLflow → Promote/Rollback)

• 자동 트리거 조건: Drift 감지 or Task Success < 0.85
• Retraining 방식: LoRA·EWC 기반 증분학습

(3) Agent 역할

(4) Catastrophic Forgetting 방지

• EWC (Elastic Weight Consolidation)
• Replay Buffer: 과거 데이터 일부 유지
• Knowledge Distillation: 구모델 출력→신모델 학습 신호로 사용
• Multi-Task Regularization

(5) 평가 지표

(6) 운영 정책

• 일정 기간 단위(예: 월별) + 이벤트 기반 재학습 병행
• 재학습 실패 시 롤백 + Human Review
• MLflow에 모델 메타(데이터 기간, 드리프트 원인) 저장