Trinity: Agentic AI-powered transition planning for students with disabilities

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Trinity는 AWS 기반의 6개 에이전트와 맞춤형 검색·접근성·정보보호 기능을 결합해 장애 학생이 자신의 목표를 탐색하고 IDEA에 부합하는 개별화교육계획의 전환 계획을 수립하도록 돕는 대화형 AI 솔루션이다.

📌 핵심 요약

• University Startups는 제품 설계와 보편적 학습설계 기준을 정의하고, g/d/n/a는 AWS에서 Trinity의 서버리스 인프라, AI 오케스트레이션, 준수 통제와 교육자 대시보드를 구현했다.
• 단일 프롬프트에 집중됐던 업무를 오케스트레이터·대학·취업·훈련·지역사회·독립생활의 6개 에이전트로 분리하고, 공유 학생 프로필과 통합 단계로 계획의 일관성을 확보했다.
• 학생이 4개 구간의 초기 대화를 마치면 맥락에 맞는 선택지 5~10개를 추천하고, 선택 확정 후 IDEA에 부합하는 전환 계획을 작성해 5~10초 안에 서식이 적용된 PDF로 내보낼 수 있다.
• Amazon Bedrock Knowledge Bases 검색은 의미 유사도 30%, 키워드 일치 25%, 위치 선호 20%, 프로그램 속성 25%를 반영하며, 관련성 25% 미만의 결과를 제외한다.
• Trinity는 필드 수준 암호화, 역할 기반 접근 통제, Canvas LTI 1.3 인증과 음성 입출력을 적용했다. 원문은 학생 참여와 IEP 전환 계획 준수를 10분 미만의 세션에서 지원한다고 보고하며, 출시 첫해 미국 12개가 넘는 주에 도달하고 사우디아라비아·쿠웨이트 현지화를 추진 중이라고 설명한다.

🧩 주요 포인트

1. 업무별 6개 에이전트와 공유 학생 프로필 → 검색·상담·계획 작성의 역할을 나누면서 최종 전환 계획의 연결성과 일관성을 유지하는 구조다.
2. 다중 조건 검색과 선택 확정 후 계획 작성 → 학생의 지역·장애 지원·비용·교육 수준·진로 맥락을 추천과 계획에 반영한다.
3. 정보보호·음성 접근성·Canvas LTI 1.3 통합 → 민감한 학생 데이터를 다루면서 다양한 능력의 학생과 학교의 기존 이용 환경을 지원한다.

🧠 상세 정리

1. 장애 학생이 주도하는 전환 계획과 개발 협력

Trinity는 장애 학생이 고등학교 이후의 진로와 생활 목표를 직접 탐색하도록 돕는 대화형 AI 솔루션으로, 정적인 서식을 채우는 대신 관심사·강점·목표를 이야기하는 경험을 제공한다. 개발사 University Startups는 장애 학생에게 명확하고 개인화된 미래 경로가 필요하다는 취지로 2020년에 설립됐으며, 미국의 중·고등학생에게 AI 기반 전환 계획과 진로 준비 교육과정을 제공한다. 핵심 대상인 개별화교육계획인 IEP는 부모·교사·전문가가 학생의 교육적 필요를 지원하기 위해 작성하는 법정 문서다. Trinity는 학생과의 대화를 바탕으로 장애인교육법인 IDEA에 부합하는 개인화된 전환 계획을 구성한다. University Startups가 제품 설계와 보편적 학습설계 기준을 정하고 g/d/n/a가 AWS 기반 구현을 맡았으며, 원문은 수십 개 교육구의 도입으로 초기 구조의 복잡성이 커지면서 확장 설계가 필요해졌다고 설명한다.

2. 확장을 가로막은 세 가지 과제

전환 계획은 고등교육·취업·독립생활·지역사회 참여에 걸친 세밀한 목표 설정을 요구하며, 이를 지원하는 AI에는 정확성·맥락 이해·법적 정합성·접근성이 필요하다. 초기 시제품은 학생 정보 수집, 진로 탐색, 준수 확인, 계획 작성을 하나의 프롬프트에 넣어 검색 품질과 안내 어조, 규제 요구가 동일한 맥락 창에서 경쟁했다. 그 결과 한 영역의 실패가 학생 세션 전체에 영향을 주면서 환각이나 부정확한 정보를 만들 수 있었다. 또한 대학·직업·훈련 추천에는 위치, 장애 지원 서비스, 비용, 교육 수준, 진로 적합성을 동시에 반영해야 했지만, 기존 검색 도구로는 이를 안정적으로 낮은 지연 시간에 처리하기 어려웠다. 원문은 HIPAA와 FERPA에 따른 민감한 학생 정보 보호도 핵심 제약으로 제시하며, 필드 수준 암호화와 엄격한 역할 기반 접근, 자동 데이터 보존 통제를 초기 설계부터 고려해야 했다고 설명한다.

3. 서버리스 기반과 음성 접근성

Trinity의 웹 클라이언트는 REST와 WebSocket을 통해 Amazon API Gateway에 연결되고, 연산은 AWS Lambda에서 서버리스 방식으로 실행된다. AI 상호작용은 Amazon Bedrock의 Claude 3.5 Sonnet이 담당하며, 대화 상태는 Amazon DynamoDB에 저장된다. 음성으로 응답을 듣는 것이 도움이 되는 학생에게는 Amazon Polly가 내용을 읽어주고, Amazon Transcribe는 학생의 발화를 텍스트로 변환해 백엔드 로직을 바꾸지 않고 음성 접근성을 제공한다. 학교 인증에는 Amazon Cognito와 Canvas LTI 1.3 연동을 사용해 기존 학교 환경에서 단일 로그인을 지원한다. 또한 Amazon Bedrock Guardrails를 콘텐츠 필터링과 환각 감소에 적용했으며, g/d/n/a는 이러한 인프라와 AI 조정 기능뿐 아니라 준수 통제 및 교육자 대시보드까지 전체 엔지니어링 구현을 담당했다.

4. 6개 에이전트의 역할 분담과 결과 통합

핵심 구조 변경은 하나의 대규모 언어 모델에 업무를 집중하던 방식에서 오케스트레이터가 전문 에이전트를 조정하는 계층형 6개 에이전트 체계로 이동한 것이다. 오케스트레이터는 학생 대화를 읽고 적절한 경로를 선택하며, 에이전트 실행 순서를 정하고 최종 결과를 통합한다. 대학 에이전트는 3만 건이 넘는 지식 기반에서 4년제 대학과 커뮤니티 칼리지를 추천하고, 취업 에이전트는 1천 개가 넘는 직업 정보를, 훈련 에이전트는 5천 건이 넘는 직업교육·자격 프로그램 정보를 활용한다. 지역사회 에이전트는 선택 경로와 관계없이 사회활동과 자원봉사 기회를 더하고, 독립생활 에이전트는 생활 기술과 일상생활 목표를 보완한다. 모든 에이전트가 DynamoDB 세션 기록에 기반한 동일한 학생 프로필을 공유하고 별도 통합 단계가 출력을 조립함으로써, 분야별 전문성과 검색 근거를 강화하면서 하나의 내부적으로 일관된 전환 계획을 만든다.

5. 추천과 계획 작성을 나눈 2단계 흐름

Trinity의 작업 흐름은 추천 단계와 계획 생성 단계를 분리해 학생의 선택을 최종 계획 작성에 반영한다. 첫 단계에서 학생이 4개 구간으로 구성된 초기 대화를 완료하면, 오케스트레이터가 적절한 주 담당 에이전트로 연결하고 해당 에이전트는 학생 맥락으로 필터링한 선택지 5~10개를 순위와 함께 반환한다. 두 번째 단계에서는 학생의 선택이 확정된 뒤 모든 에이전트가 계획의 담당 부분을 작성하며, 오케스트레이터가 이를 IDEA에 부합하는 구조화된 IEP 전환 계획으로 통합한다. 원문은 완성된 계획을 서식이 적용된 PDF로 5~10초 안에 내보낼 수 있다고 설명하며, 실시간 WebSocket 계층은 처리 중에도 교육자 화면이 응답성을 유지하도록 지원한다. 이 흐름은 관심사 탐색부터 최종 문서 생성까지를 연결하되, 추천 결과를 제시하는 시점과 학생이 선택한 내용을 계획으로 확정하는 시점을 구분한다.

6. 학생 맥락을 반영하는 혼합 검색

g/d/n/a는 완전관리형 검색 증강 생성 기능인 Amazon Bedrock Knowledge Bases를 활용해 목적에 맞춘 지식 기반 3개를 구축하고 유지한다. 에이전트는 검색과 생성을 결합한 요청을 보내 모델 내부 지식에만 의존하지 않고 실제 레코드에 연결된 답변을 만들도록 설계됐다. 검색 점수는 의미 유사도 30%, 키워드 일치 25%, 위치 선호 20%, 프로그램 속성 25%의 네 요소를 합산하며, 프로그램 속성에는 장애 지원 제공 여부·비용·교육 수준 등이 포함된다. 검색 전에 AI가 질의를 확장하고, 관련성 점수가 25%에 못 미치는 결과는 완전히 제외한다. 이는 단순히 의미가 비슷한 항목을 찾는 데서 더 나아가 학생의 실제 선택 조건을 순위 산정과 결과 제외에 반영하는 방식으로, 원문에서 제기한 일반적인 추천의 한계에 대응한다.

7. 암호화·권한·학교 인증을 통한 정보보호

Trinity의 준수 계층은 초기 기반 설계에 포함됐으며, AWS Key Management Service의 필드 수준 암호화와 매년 교체되는 키를 사용해 민감한 학생 정보를 보호하도록 구성됐다. 암호화 대상에는 이름, 장애 유형, 편의 지원 사항, 학교 연락처 등 개인 식별 정보가 포함된다. AWS Identity and Access Management 정책은 최소 권한 원칙을 적용해 각 Lambda 함수에 필요한 권한만 부여하고, 서버 측 역할 기반 접근 통제로 데이터 경계를 강제한다. 최고 관리자는 교육구 전반의 시스템 지표, 조정 담당자는 해당 교육구 데이터, 학교 직원은 소속 학교 학생 정보, 학생은 자신의 세션과 계획에 접근하도록 범위를 나눈다. 인증은 별도 계정을 만드는 대신 Canvas를 신원 정보의 출처로 삼으며, Lambda 기반 사용자 지정 OpenID Connect 공급자와 API Gateway, Cognito가 LTI 1.3 연동 흐름을 처리해 학교의 기존 환경 안에서 로그인을 지원한다.

8. 현장 효과와 검증, 후속 확장

원문은 Trinity가 학생에게 이미 작성된 계획을 전달하는 대신 안내된 대화로 자신의 목표에 도달하게 하고, 기술 역량 표와 대학·직업·훈련 정보를 연결해 목표를 구체화한다고 설명한다. 교육자 측면에서는 학생 설문, 진로 탐색, 준수 문서 작성을 하나의 안내 세션으로 자동화해 학생 참여와 IEP 전환 계획 준수를 10분 미만에 지원한다고 보고한다. 학교 도입 전에는 특수교육 교사와 전환 담당자가 실제 IEP 사례로 시스템을 검증했으며, 원문은 이들의 피드백이 다중 에이전트 설계의 정확성과 낮은 지연 시간을 뒷받침했다고 전한다. 다만 제시된 성과에는 구체적인 표본 규모나 비교 실험 수치가 포함돼 있지 않아, 시간 관련 설명과 현장 의견을 중심으로 해석할 수 있다. Trinity는 첫해 미국 12개가 넘는 주의 교육자와 학생에게 도달했으며, 전환 계획 관리 네트워크 내 확장, 사우디아라비아·쿠웨이트 현지화, 학습관리시스템 연결 확대를 추진하고 있다.

🧾 핵심 주장 / 시사점

• 전문 에이전트로 업무를 나누는 것과 공유 학생 프로필·통합 단계로 결과를 연결하는 것이 함께 설계돼야 개인화된 전환 계획의 일관성을 유지할 수 있다.
• 추천 품질을 높이는 핵심은 실제 레코드에 근거한 검색뿐 아니라 위치·장애 지원·비용·교육 수준을 함께 반영하고 학생의 선택을 확인하는 과정에 있다.
• Trinity 사례는 교육 분야 AI의 확장 설계가 모델과 검색을 넘어 접근성, 민감정보 보호, 학교 인증 연동을 함께 포함한다는 점을 보여준다.

✅ 액션 아이템

• 전환 계획 업무의 역할 분담과 결과 일관성 검토에 6개 에이전트, 공유 학생 프로필, 통합 단계를 함께 고려.
• 맞춤 추천 방식 검토에 의미 유사도 30%, 키워드 일치 25%, 위치 선호 20%, 프로그램 속성 25%와 관련성 25% 기준을 참고.
• 학교 적용 조건 검토에 필드 수준 암호화, 역할 기반 접근 통제, Canvas LTI 1.3 인증과 음성 입출력을 포함.

❓ 열린 질문

• 6개 에이전트의 출력이 충돌할 때 통합 단계는 공유 학생 프로필을 바탕으로 어떤 기준을 적용하는가?
• 관련성 25% 기준과 네 가지 검색 가중치는 학생의 지역·장애 지원·비용·교육 수준에 맞는 추천의 적합성을 어떻게 검증했는가?
• 사우디아라비아·쿠웨이트 현지화에서는 IDEA에 부합하는 전환 계획의 구성과 정보보호 통제를 어떻게 조정하는가?