이 문서 MongoDB 기반 지식 그래프 와 에이전트적 AI 를 사용하여 금융 문서 분석과 복잡한 워크플로를 최적화하도록 설계된 솔루션인 Xlrt의 아키텍처를 간략하게 설명합니다.
Xlrt 개요
Xlrt는 수동 병목 현상과 AI 환각을 제거하여 고객의 재무 건전성에 대한 정확하고 완전한 뷰를 생성함으로써 재무 의사 결정을 혁신합니다. 이 시스템은 금융 에코시스템 내에서 데이터를 프로세스 조치를 실행하며 적응하는 지능형 에이전트를 사용합니다. 그 결과로 얻은 결정에는 일반적으로 대출 승인 프로세스 최적화, 제품 추천 맞춤 설정, 기본값 및 사기와 같은 위험 관리가 포함됩니다.
재무 문서 분석에서 AI 의 과제
기존의 금융 AI 접근 방식은 특히 복잡하고 양적인 데이터를 처리 때 비즈니스 영향 과 신뢰를 제한하는 병목 현상에 자주 부딪힙니다. 일반적인 과제는 다음과 같습니다.
수동 워크플로 병목 현상: 크레딧 메모 생성과 같은 프로세스에는 집중적인 수동 편집, 분석 및 반복적인 검토가 필요하므로 지연과 오류가 발생합니다.
컨텍스트 기반 부족: AI 모델에는 정확한 수치 정확도에 필요한 엔터프라이즈별 재무 컨텍스트가 부족한 경우가 많습니다. 이로 인해 실제로는 정확하지만 실행 불가능한 출력이 생성됩니다.
정확도 및 안정성 위험(환각): 구조화된 추론을 사용하더라도 LLM(대형 언어 모델)은 컨텍스트를 잘못 프로세스 하거나 논리적 오류를 발생시켜 논리적으로 건전하지 않거나 정확하지 않은 결과를 생성할 수 있습니다.
Xlrt는 다음 방법을 사용하여 이러한 과제를 해결합니다.
그래프 검색-증강 생성(Graph RAG): 주요 금융 항목과 해당 관계를 나타내는 그래프 구조인 금융 온톨로지를 사용하여 관련 금융 지식과 숫자 데이터를 선택적으로 조회 .
Role-Specific Agents and Chain-of-Think (CoT) Reasoning: 엔드 투 엔드 워크플로를 자동화합니다.
점수 기반 피드백: 추론을 보강하고, 정확성을 평가하고, 결과가 정확성 표준을 충족할 때까지 CoT 프롬프트를 반복적으로 수정합니다.
그래프 검색-증강 생성을 통한 지식 에이전트의 힘
지식 에이전트는 복잡한 데이터 세트에서 인사이트를 탐색, 분석 및 추론하도록 설계된 지능형 시스템입니다.
금융 환경에서는 데이터의 복잡한 관계를 이해하는 것이 필수적입니다. Xlrt는 이러한 목표를 달성하기 위해 지식 에이전트와 Graph RAG를 통합합니다.
금융 온톨로지 및 그래프 스토어
금융 온톨로지는 Xlrt 접근 방식의 핵심인 지식 그래프 입니다. 이 온톨로지는 금융 엔터티가 관련되는 방식에 대한 규칙과 제약 조건을 제공하는 청사진 역할을 합니다.
MongoDB Atlas 또는 MongoDB Enterprise Advanced 기반 그래프 저장 그래프 구조와 관련 금융 데이터를 저장하는 영구 데이터베이스 계층입니다.
그림 1. MongoDB 기반 Xlrt의 지식 에이전트 + 그래프 RAG 시스템 .
기본 그래프 저장 에는 두 가지 통합 데이터 구성 요소가 포함되어 있습니다.
도메인별 온톨로지 구조: 허용된 노드 및 에지 유형에 대한 개념적 청사진입니다.
연간 재무 데이터: 클라이언트 문서에서 추출한 그래프 의 특정 인스턴스(노드 및 에지)입니다. 연례 보고서 및 은행 거래 내역과 같은 문서에서 가져온 이 데이터는 각 보고 기간의 숫자 값으로 노드와 에지를 채웁니다. 시간이 지남에 따라 이러한 연속적인 인구 분포를 통해 시스템은 과거 추세와 금융 발전을 분석 할 수 있습니다.
온톨로지 구조화: 노드와 에지
노드: 수익, 비용, 순이익 등의 재무 항목입니다.
에지: 순이익에 영향을 미치는 수익과 같은 인과적 또는 구조적 관계입니다. 이러한 에지는 두 노드 간의 시맨틱 관계 정의합니다.
상황별 검색을 위한 그래프 RAG 사용
Graph RAG는 지식 그래프(그래프 이론)와 AI 검색 및 생성 기술을 결합합니다. Xlrt는 Graph RAG를 사용하여 그래프 저장 에서 관련 지식과 숫자 정보를 검색하여 LLM을 기반으로 합니다. 이러한 접지는 출력이 상황에 맞게, 사실에 입각하여 실행 가능하도록 보장합니다.
그래프 RAG를 통해 시스템은 다음을 수행할 수 있습니다.
인과 관계 종속성 분석: 시스템은 인과 관계(가장자리)를 추적하고 한 재무 항목의 변경이 다른 항목에 어떤 영향을 미칠 수 있는지 식별합니다.
비논리적인 상관 관계 식별: 시스템은 노드 간의 관계를 검사하여 재무 논리에 맞지 않는 불일치나 상관 관계를 감지합니다. 이 검증은 데이터 무결성을 보장합니다.
모든 품목에 대한컨텍스트 조회: 시스템은 그래프 쿼리하고 관련 노드와 간선을 추출하며 품목을 둘러싼 데이터의 상황별 스냅샷 제공합니다. 이 스냅샷 재무 구조 내에서 개별 구성 요소가 어떻게 상호 작용 명확하게 보여줍니다.
이 접근 방식은 금융 데이터 세트의 구조와 상호 연결성을 공개하여 상황 인식과 더 나은 의사 결정을 제공합니다.
MongoDB 및 LangChain으로 Graph RAG 강화하기
LangChain은 LLM을 MongoDB 에 직접 연결합니다.MongoDBGraphStore 구성 요소는 이러한 연결을 용이하게 하고 언어 모델과 데이터베이스 간의 데이터 흐름을 관리합니다. 이 통합은 전용 그래프 데이터베이스 엔진 없이도 구조화되지 않은 금융 데이터를 실행 가능하고 상호 연결된 인사이트로 변환합니다.
핵심 데이터베이스 기능
이 시스템은 지식 그래프 의 기반 제공 을 하기 위해 MongoDB 의 유연한 아키텍처를 사용합니다.
통합 운영 및 그래프 데이터: 그래프 데이터와 운영 데이터를 분리하는 기존 접근 방식과 달리 MongoDB 도메인별 온톨로지와 금융 데이터의 특정 인스턴스(노드 및 에지)를 동일한 유연한 문서 형식으로 저장합니다. 이를 통해 시스템은 엄격한 스키마 마이그레이션 없이 연례 보고서 또는 은행 거래 내역의 새로운 데이터로 그래프 를 지속적으로 채울 수 있습니다.
효율적인 그래프 순회: MongoDB $graphLookup 집계 단계를 사용하여 그래프 순회 및 쿼리를 실행합니다. 이 프로세스 통해 상호 연결된 관련 금융 지식을 운영 데이터와 함께 직접 신속하게 검색할 수 있습니다.
MongoDBGraphStore 통합
MongoDB 엔진 제공하지만 LangChain의 MongoDBGraphStore 구성 요소는 오케스트레이터 역할을 합니다. 이 구성 요소는 두 가지 주요 기능을 통해 Graph RAG의 구현 간소화합니다.
추상화 및 조회:
MongoDBGraphStore은(는) 원시 데이터베이스 애그리게이션을 추상화하여 그래프 데이터 조회를 간소화합니다. 이 구성 요소는 검색된 지식 그래프 컨텍스트가 풍부한 프롬프트로 자동으로 지정하여 수동 쿼리 구성 없이 에이전트 추론을 위해 데이터를 최적화합니다.동적 그래프 생성: 그래프 채우기 위해 구성 요소는 동적 '추출 및 로드' 워크플로를 사용합니다.
엔티티 추출: LLM 기반엔티티 추출 모델(구성 요소 내에서 초기화됨)은 클라이언트가 업로드한 재무제표를 구문 분석합니다. 명명된 엔터티와 해당 연결을 추출하여 구조화되지 않은 데이터를 구조화된 그래프 엔터티 및 관계로 변환합니다.
구성: 사용자 지정 프롬프트 및 지침이 추출 프로세스 가이드 . 매개변수를 통해 구성할 수 있는 이러한 프롬프트는
entity_prompt모델이 데이터를 올바른 재무 컨텍스트에 매핑하는지 확인합니다.그래프 채우기:
add_documents()모델은 메서드를 사용하여 이러한 엔터티와 관계를 자동으로 추출하고 MongoDB 컬렉션 에 업서트합니다. 이를 통해 새 문서가 처리될 때 즉시 진화하는 동적 지식 그래프 생성됩니다.
점수 기반 피드백을 통한 사고 사슬(CoT) 보강
그래프 RAG를 통해 올바른 컨텍스트를 검색하는 것도 중요하지만, 해당 데이터에 적용된 추론이 정확한지 확인하는 것도 마찬가지로 중요합니다. Xlrt는 모델의 출력을 반복적으로 개선하는 점수 루프를 도입하여 표준 CoT(사상 체인) 프롬프트를 개선합니다.
추론의 과제
구조화된 추론을 사용하더라도 대규모 언어 모델(LLM)은 때때로 컨텍스트를 잘못 이해하거나 잘못된 논리적 점프를 일으켜 환각을 일으킬 수 있습니다. 이러한 위험을 완화하기 위해 Xlrt는 이중 모델 아키텍처를 사용합니다.
수행자 LLM: 재무 데이터를 기반으로 초기 응답을 생성합니다.
프롬프트 보강 LLM: 출연자의 출력을 평가하고 품질이 불충분한 경우 프롬프트를 조정합니다.
채점 프로세스
시스템은 세 가지 주요 지표 기준으로 모든 응답을 평가합니다.
컨텍스트 일관성: 응답이 제공된 특정 재정적 컨텍스트와 일치합니까?
사실적 정확성: 출력이 알려진 사실 및 데이터 규칙을 준수합니까?
논리적 건전성: 중간 추론 단계가 연결되어 있고 유효합니까?
응답 점수가 특정 임계값(예: 60 %) 미만인 경우 프롬프트 보강 LLM은 오류를 분석하고 정제된 프롬프트( 예시: 수행자 LLM에 "이전 분기와 비교하여 백분율 변화를 확인"하도록 명시적으로 지시)를 생성합니다. 이 주기는 응답이 정확도 표준을 충족할 때까지 반복되어 크레딧 메모 생성과 같은 중요한 작업에 대한 높은 안정성의 출력을 보장합니다.
개인화된 코멘터리를 위한 사용자 피드백
출력이 관련성이 있는지 확인하기 위해 시스템은 두 가지 방법으로 사용자 피드백 사용하여 사고의 사슬(CoT) 생성을 개선합니다.
역할 기반 적응: 시스템은 오류만 수정하는 대신 사용자 피드백 사용하여 CoT 프롬프트를 사용자의 특정 컨텍스트에 맞게 조정합니다.
동적 보강: 전용 LLM이 피드백 분석하여 프롬프트를 조정합니다( 예시 : 감사자의 경우 컴플라이언스, 중역의 경우 비즈니스 영향 에 중점을 둔 컴플라이언스 로 조정).
사용 사례: 재무 문서 워크플로 혁신
Xlrt는 Graph RAG 아키텍처를 사용하여 시간이 많이 걸리는 재무 문서 워크플로를 혁신합니다. 금융 지식 그래프 에 기반을 둔 에이전트적 AI 사용하여 세 가지 제품을 강화합니다.
Justifi™: -K, 연례 보고서 및 경영진이 준비한 재무제표와 같은 재무제표에 대한 10즉각적인 분석을 제공합니다. 또한 데이터 제공자 및 스마트 요약에 대한 정규화된 분석을 제공합니다.
Contractus™: 상업 계약의 자동 분석을 제공하고, 상업 조건을 추론하여 현금 흐름을 프로젝트 하며, 조직의 계약 관리 용이하게 합니다.
Facturas™: 템플릿 없는 청구서 구문 분석 및 자동화된 데이터 평가를 지원하여 직접적인 처리 위한 탁월한 유효성 검사 흐름을 보장합니다.
재무 문서 분석을 위한 Xlrt의 주요 이점
이러한 복잡한 워크플로를 자동화 다음과 같은 이점이 있습니다.
정확성: 사실에 입각한 지식 그래프 기반으로 하는 도메인 조정 에이전트가 정확하고 일관적인 재무 인사이트를 보장합니다.
비용 절감: 시스템은 감사 가능한 고품질 결과를 유지하면서 수작업에 대한 의존도를 줄입니다.
효율성: 자동화된 엔드 투 엔드 워크플로는 수작업을 크게 줄이고 데이터 처리 속도를 높이고 의사 결정을 더 빠르게 내릴 활성화 .
Xlrt의 그래프 RAG 아키텍처의 예시 로직
다음 단계에서는 Xlrt가 LangChain과 해당 구성 MongoDBGraphStore 요소를 통합하여 지능형 문서 처리 위한 Graph RAG를 빌드 하는 데 사용하는 주요 구현 로직을 설명합니다. 이 그림에서는 MongoDB Atlas 사용하지만, MongoDB Enterprise Advanced 도 옵션으로 사용할 수 있습니다. Xlrt 는 Ollama를 사용하여 LLM을 실행 로 결정했습니다.
변수 정의
MONGODB_URI = "<connection-string>" DB_NAME = "financial_kg_db" # MongoDB database to store the knowledge graph COLLECTION_NAME = "FINANCIALS" # MongoDB collection to store the knowledge graph
<connection-string> Atlas cluster 의 연결 문자열 입니다.
<connection-string> 은 다음 형식을 사용하여 정의됩니다.
mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net
LangChain MongoDB 그래프 스토어 인스턴스화
from langchain_mongodb.graphrag.graph import MongoDBGraphStore graph_store = MongoDBGraphStore.from_connection_string( connection_string=MONGODB_URI, database_name=DB_NAME, collection_name=COLLECTION_NAME, entity_extraction_model=chat_model # LLM – model of your choice )
신속한 기능 보강을 위한 컨텍스트 결합
관련 데이터가 검색된 후 그래프 RAG에서 검색된 컨텍스트가 결합되어 Ollama가 제공하는 선택된 모델과 LangChain을 사용하여 LLM에 대한 프롬프트를 보강합니다.
컨텍스트 구성을 위한 Python 예시:
from langchain_ollama import ChatOllama from langchain.prompts import PromptTemplate # Set up Ollama as the LLM with your model of choice llm = ChatOllama(model="<model of your choice>") # Define a prompt template template = """ You are an AI financial analyst. Analyze the following data and provide insights: {context} User Query: {query} """ prompt = PromptTemplate( input_variables= ["context", "query"], template=template ) chain = prompt | llm response = chain.invoke({"context": context, "query": Query}) print("Generated Insights:\n", response)
결론
금융 조직은 Xlrt를 MongoDB Atlas 또는 MongoDB Enterprise Advanced 와 통합하여 고급 지능형 문서 처리 및 자동화된 워크플로를 위해 Graph RAG 시스템을 사용할 수 있습니다.
이 조합은 구조화되지 않은 금융 데이터를 실행 가능한 인사이트로 변환합니다. MongoDB 지원 금융 온톨로지는 효율성, 정확성 및 전략적인 의사 결정을 개선합니다.
주요 내용
MongoDB Graph RAG 아키텍처로 LLM 구축: MongoDB Graph RAG 아키텍처를 사용하면 LLM을 동적 금융 온톨로지에 기반을 둘 수 있습니다. 이 접근 방식은 $graphLookup 집계 단계를 사용하여 통합 지식창고 내에서 상호 연결된 관계를 탐색하여 정확하고 컨텍스트 인식 검색을 보장합니다.
점수 기반 추론으로 복잡한 에이전트 강화: 이 아키텍처는 간단한 검색을 넘어 고급 피드백 루프를 지원합니다. 시스템은 MongoDB 에서 검색한 확인된 재무 사실을 기준으로 사고의 연쇄(Chain-of-Though) 추론을 검증함으로써 응답을 확정하기 전에 정확성을 보장합니다. 이러한 반복적인 점수 산정은 환각을 방지하여 모든 인사이트 논리적으로 건전하고 금융 온톨로지와 일관적인 보장합니다.
기술적 역량을 비즈니스 가치로 전환: 조직은 MongoDB 사용하여 비정형 문서와 구조화된 지식 그래프를 통합함으로써 크레딧 분석과 같은 수동 병목 현상을 자동화된 지능적인 워크플로로 전환할 수 있습니다. 이러한 아키텍처 전환은 운영 오버헤드 줄이고 수동 프로세스에 대한 종속성을 최소화합니다.