🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Built Technologies는 복잡한 부동산 금융 문서를 분류·분할·추출·평가·추론하는 재사용형 문서 지능 엔진을 구축해 여러 에이전트형 제품의 공통 기반으로 활용하고 있다.

📌 핵심 요약

• Built Technologies는 5천억 달러가 넘는 부동산 프로젝트를 처리하며, 길고 비정형적인 금융 문서를 자동으로 이해하기 위한 인공지능 기반 처리 엔진을 구축했다.
• 기존의 광학 문자 인식과 전통적 기계학습 기반 26개 프로세서는 명시적 필드와 예측 가능한 문서 구조에는 효과적이었지만, 문맥과 판단이 필요한 복잡한 문서에는 한계가 있었다.
• 새 솔루션은 250종이 넘는 문서를 대상으로 분류, 분할, 스키마 기반 추출, 결과 평가, 규칙 검증, 사람의 검토와 피드백을 지원하도록 설계됐다.
• 처리 파이프라인은 문서 수집부터 광학 문자 인식, 분류·분할, 병렬 추출, 평가, 결과 저장까지 단계별로 실행되며, 처리 상태는 사용자 인터페이스에 실시간으로 전달된다.
• 상업용 건설 대출 인출 패키지를 첫 운영 사례로 삼았지만, 대출 계약, 보험, 인수 심사, 자산 관리, 규제 준수 등 부동산 금융 전반의 에이전트가 같은 문서 지능 기반을 재사용할 수 있다.

🧩 주요 포인트

1. 예측 가능한 양식에 최적화된 기존 26개 프로세서에서 문맥 기반 이해로 확장함으로써, 단순 필드 추출을 넘어 의무·예외·위험을 판단하는 업무를 지원하게 됐다.
2. 문서 지능을 개별 제품 기능이 아닌 수평적 공통 역량으로 설계해, 새로운 에이전트마다 수집·분류·추출·평가 체계를 다시 구축해야 하는 부담을 줄였다.
3. 분할된 문서 구간을 병렬 처리하고 출처 근거와 저신뢰 결과의 전문가 검토를 결합해, 처리 속도뿐 아니라 금융·규제 업무에 필요한 추적성과 통제 가능성도 확보했다.

🧠 상세 정리

1. 부동산 금융의 문서 처리 문제

부동산 금융 업무는 인출 요청 패키지, 대출 계약서, 송장, 보험 증명서, 검사 보고서 등 다양한 문서에 의존하며, 이해관계자는 그 안의 정보를 검토하고 검증한 뒤 실제 의사결정에 반영해야 한다. 하나의 거래나 자산에도 서로 다른 당사자가 여러 형식과 시점에 작성한 수백 또는 수천 쪽의 자료가 포함될 수 있다. 문서에는 중첩 표, 스캔 페이지, 삽입 이미지, 비표준 레이아웃, 법률 문구, 손글씨 메모와 기관별 용어가 함께 나타나므로 전통적인 자동화만으로 일관되게 처리하기 어렵다. 5천억 달러가 넘는 부동산 프로젝트를 처리하는 Built Technologies에는 이러한 복잡성이 대규모 핵심 업무의 속도와 품질에 직접 영향을 주는 문제였다. 이에 회사는 문서 처리를 단순한 후선 업무가 아니라 여러 제품과 의사결정을 뒷받침하는 공통 인공지능 역량으로 정의했다.

2. 기존 자동 추출 방식의 성과와 한계

Built Technologies는 이미 광학 문자 인식과 전통적 기계학습을 활용해 추출, 문서 분할, 분류를 수행하는 26개의 프로세서를 운영하고 있었다. 이 방식은 필요한 필드가 명확하게 표시되고 문서의 배치가 예측 가능한 좁은 범위의 업무에서는 효과적으로 수작업을 줄였다. 그러나 제공자가 다양하고 표현 방식이 자주 달라지는 문서에서는 중요한 정보가 여러 구간에 분산되거나 특정 분야의 언어 속에 암시되어 있어 단순한 문자 인식과 위치 기반 매칭만으로는 충분하지 않았다. Built Technologies의 인공지능 로드맵이 부동산 생애주기 전반으로 확대되면서, 수백 개의 고정형 추출기를 추가하는 접근보다 변화하는 문서와 업무에 대응할 수 있는 유연한 기반이 필요해졌다. 새 체계는 텍스트를 찾아 옮기는 수준을 넘어 문서 안의 의미와 업무 맥락을 해석해야 했다.

3. 확장 과정에서 제시된 핵심 요구사항

새 솔루션은 건설 대출, 부동산 금융, 자산 관리, 규제 준수, 포트폴리오 업무 등에 걸친 250종 이상의 문서를 다루고 수백만 건의 처리 규모를 지원해야 했다. 개별 문서는 500쪽을 넘을 수 있고, 하나의 파일 안에 서로 다른 종류의 문서가 순서 없이 결합될 수도 있어 먼저 경계를 찾아 정확하게 분리하는 기능이 필요했다. 금융 및 규제에 민감한 운영 환경에서 사용하기 위해 분류와 추출 과정에는 95퍼센트를 넘는 신뢰도가 요구됐으며, 문맥에 따라 달라지는 표현과 복잡한 구조도 처리 대상에 포함됐다. 또한 특정 제품 하나를 위한 고정 파이프라인이 아니라 연중 출시되는 여러 에이전트형 제품이 공통으로 활용할 수 있어야 했다. 최종 목표는 문서 이해를 Built Technologies의 전체 제품 생태계에서 재사용 가능한 역량으로 만드는 것이었다.

4. 추출에서 문서 이해로의 전환

전통적인 문서 자동화는 인식된 텍스트를 예상 필드, 레이블, 배치 또는 기존 템플릿과 대응시키는 방식이어서 대출 금액, 송장 번호, 보험 만료일처럼 명시된 값을 찾는 데 적합하다. 반면 대출 계약의 약정 조항은 특정 표나 레이블에 정리되지 않고 여러 절에 흩어지거나 다른 조항의 정의를 참조하며, 의무·제한·보고 요건·재무 기준·채무불이행 사유·구제 수단 등 다양한 형태로 표현될 수 있다. 따라서 약정이라는 단어를 검색하는 방식은 실질적인 의무를 놓칠 수 있고, 기존 추출 모델은 단어를 발견하더라도 해당 문장이 어떤 책임과 결과를 규정하는지 이해하지 못할 수 있다. 에이전트형 문서 흐름은 관련 절과 정의를 함께 살피고 요구사항과 예외를 구분한 뒤, 검토 가능한 구조화 결과와 출처 근거를 제공하는 방식으로 이 한계를 다룬다. 이 변화의 핵심은 문서를 단순한 텍스트 공급원이 아니라 업무 맥락과 판단 근거의 원천으로 취급하는 데 있다.

5. 대출 계약 약정 분석과 사람의 검토

대출 계약을 처리하는 에이전트형 흐름은 먼저 문서 종류와 계약 구조를 확인하고, 차주의 의무, 재무 보고, 제한 사항, 채무불이행, 구제 수단과 관련된 절을 찾는다. 조항에 약정이라는 명시적 표기가 없어도 내용과 참조 관계를 바탕으로 약정에 해당하는지를 판단하고, 약정명, 요구사항, 기준치, 이행 주기, 적용 기간, 책임 당사자와 위반 결과를 구조화해 추출할 수 있다. 각 결과에는 원문으로 돌아갈 수 있는 참조 정보를 붙여 사람이 판단 근거를 검토할 수 있게 하며, 모호하거나 신뢰도가 낮은 결과는 해당 분야 전문가에게 전달한다. 전문가가 수정한 내용은 스키마, 지시문, 평가 절차를 개선하는 데 다시 활용되므로 자동 처리와 사람의 통제가 분리되지 않는다. 같은 방식은 보험 보장 충족 여부, 인출 패키지의 필수 서류 누락, 감정평가의 인수 가정 지원 여부, 포트폴리오 예외 탐지에도 적용된다.

6. 여러 에이전트가 공유하는 수평적 기반

Built Technologies는 새 문서 지능 솔루션을 하나의 업무만 처리하는 기능이 아니라 부동산 금융 전반에서 재사용되는 수평적 역량으로 설계했다. 첫 운영 사례는 차주가 공사 진행 중 자금 집행을 요청하며 여러 증빙을 제출하는 상업용 건설 대출 인출 패키지였는데, 자료의 양과 형식이 다양하고 처리 시한과 운영상 중요도가 높아 기반의 성능을 검증하기에 적합했다. 동일한 분류, 분할, 추출, 평가, 사람 검토 기능은 인출 검토, 대출 계약 분석, 보험 검증, 인수 심사, 자산 관리, 규제 준수 에이전트에서 반복적으로 사용할 수 있다. 각 에이전트는 누락 서류와 예외를 찾거나 약정과 재무 기준을 확인하고, 보험 한도와 제외 사항을 검증하거나 감정평가·임대 현황·예산·재무 모델을 요약하는 데 이 기반을 활용한다. 공통 인프라를 공유함으로써 제품마다 별도의 문서 추출 파이프라인을 처음부터 다시 만드는 일을 피하고 새로운 에이전트의 개발을 가속할 수 있다.

7. 단계형 문서 처리 아키텍처

Built Technologies는 AWS 생성형 인공지능 혁신 센터, AND Digital, AWS 계정팀과 협력해 AWS 지능형 문서 처리 가속기를 기반으로 솔루션을 구축했으며, Amazon Bedrock을 분류, 분할, 스키마 생성, 추출, 평가와 문서 추론에 사용했다. 문서가 Amazon S3 입력 버킷에 업로드되면 Amazon EventBridge 이벤트가 발생하고, 대기열 전송 Lambda 함수가 이벤트를 Amazon DynamoDB 추적 테이블에 기록한 뒤 Amazon SQS 대기열에 메시지를 넣는다. 대기열 처리 Lambda 함수는 DynamoDB의 원자적 카운터로 동시 실행량을 관리하며, 처리 여유가 있을 때 해당 문서의 AWS Step Functions 실행을 시작한다. 상태 머신은 광학 문자 인식, 분류와 분할, 추출, 평가, 선택적 규칙 검증, 결과 처리 순서로 단계를 진행하고 각 단계는 독립된 AWS Lambda 함수가 담당한다. 이 구조는 각 기능을 분리하면서도 전체 문서가 정의된 순서를 따라 처리되도록 만든다.

8. 병렬 추출과 처리 결과 전달

대표 사례인 150쪽짜리 상업용 건설 대출 인출 패키지는 송장, 유치권 포기서, 보험 증명서와 표지 서한이 한 개의 PDF에 일정한 순서 없이 포함된 형태다. 분류와 분할 단계에서 각각의 구성 문서를 구간별로 나눈 뒤, AWS Step Functions의 Map 상태가 각 구간에 대한 추출 작업을 동시에 실행한다. 이에 따라 전체 처리 시간은 모든 구간의 시간을 합한 값이 아니라 가장 오래 걸린 개별 구간의 처리 시간에 주로 좌우되며, 이는 과거 수일이 필요했던 흐름을 수분 단위로 줄일 수 있었던 이유 중 하나다. 처리 결과는 Amazon S3 출력 버킷에 기록되고, AWS AppSync가 GraphQL 구독을 통해 사용자 인터페이스로 실시간 상태 갱신을 전달한다. AND Digital이 구축한 맞춤형 React 기반 화면은 이러한 수집과 처리 상태를 사용자가 확인하고 검토하는 접점으로 제시됐다.

🧾 핵심 주장 / 시사점

• 복잡한 금융 문서에서는 문자 인식 정확도만으로 충분하지 않으며, 분산된 정의와 의무, 예외, 위반 결과를 연결하고 그 판단의 출처를 제시하는 기능이 실사용의 핵심이다.
• 공통 문서 지능 계층을 먼저 구축하면 인출 검토, 보험, 대출 계약, 인수 심사, 자산 관리, 규제 준수처럼 목적이 다른 에이전트도 동일한 수집·분류·추출·평가 체계를 재사용할 수 있다.
• 대규모 자동화의 운영 가능성은 생성형 인공지능 모델뿐 아니라 대기열, 동시 실행 제어, 단계별 상태 관리, 병렬 처리, 저신뢰 결과의 전문가 검토와 실시간 상태 전달을 함께 설계하는 데서 나온다.

✅ 액션 아이템

• 250종이 넘는 문서 가운데 상업용 건설 대출 인출 패키지의 분류·분할·추출·평가 기준을 우선 정의한다.
• 분할된 문서 구간의 병렬 추출 결과에 출처 근거와 저신뢰 전문가 검토를 연결해 추적성과 통제 가능성을 점검한다.
• 대출 계약·보험·인수 심사·자산 관리·규제 준수로 공통 문서 지능 기반을 확장할 우선순위를 비교한다.

❓ 열린 질문

• 250종이 넘는 문서 유형별 분류·분할·추출 결과를 평가하고 저신뢰 결과를 전문가 검토로 넘길 기준은 무엇인가?
• 금융·규제 업무에서 병렬 추출 결과를 자동 확정할 영역과 사람의 검토가 필요한 영역은 어디인가?
• 대출 계약·보험·인수 심사·자산 관리·규제 준수 중 공통 문서 지능 기반의 다음 적용 대상은 무엇인가?