[이 기사에 나온 스타트업에 대한 보다 다양한 기업정보는 유니콘팩토리 빅데이터 플랫폼 '데이터랩'에서 볼 수 있습니다.]
AI(인공지능) 데이터·솔루션 기업 에이아이웍스가 유엔대학교(UNU) 주관 국제학술대회 'ICEGOV 2026'에서 캄보디아 크메르어 민원 서비스 챗봇 구축 사례를 담은 논문을 발표한다고 12일 밝혔다.
논문 제목은 '저자원 언어(LRL, Low-Resource Language) 환경의 책임 있는 AI 공공서비스를 위한 추적 가능한 LLM(거대언어모델)-RAG(검색증강생성): 크메르어 사례연구'다.
캄보디아 국민이 크메르어로 민원 절차와 필요 서류를 확인할 수 있도록 현지 공공문서를 지식베이스로 삼아 RAG 시스템을 구축한 내용을 담았다.
LRL는 AI 학습에 쓸 말뭉치와 디지털 문서가 부족한 언어를 말한다. 크메르어는 띄어쓰기 없이 문자가 이어지는 표기 체계와 복잡한 표기 규칙 탓에 기존 다국어 AI 모델이 다루기 어려운 대표적인 LRL로 꼽힌다.
국제 학계에 보고된 크메르어 생성형 언어모델 학습 데이터는 모두 합쳐 7만~57만9000문장 수준이다. 이번 실증의 기반 모델인 메타 라마(Llama) 3.1의 사전학습 데이터가 다국어 혼합 약 15조 토큰인 것과 비교하면 100만분의 1에도 못 미친다.
에이아이웍스는 캄보디아의 국가 단위 공공기관 민원 서비스를 대상으로 크메르어 민원 AI 챗봇을 구축·검증하는 PoC(기술실증)를 수행했다. 기반 모델의 크메르어 인식 성능과 RAG 활용 가능성을 확인하는 것이 목적으로, 실제 서비스 구축은 올해부터 단계적으로 추진한다.
연구진은 모델과 검색, 데이터 세 층위를 크메르어 환경에 맞춰 구축했다. △크메르어 데이터에 대한 LLM 추가 학습과 지시문 튜닝 △다국어 임베딩 모델 비교·선정 △공공문서 기반 RAG 구축 △민원 시나리오 평가를 각각 수행했다.
라마 3.1 8B 오픈 웨이트 모델에는 한국지능정보사회진흥원(NIA)의 크메르어 말뭉치 약 20만문장을 추가 학습시켰다. 국제 학계에 보고된 크메르어 생성형 언어모델 학습 데이터 전체 범위에 해당하는 규모다.
독자들의 PICK!
검색 단계에서는 9종의 다국어 임베딩 모델을 벤치마크해 정확도가 가장 높은 모델을 골랐다. 데이터 층위에서는 현지 공공문서를 수집·정제·표준화해 지식베이스를 만들고, 실제 민원과 유사한 수백개 질문으로 답변 품질을 평가했다.
시스템 설계의 핵심은 답변 근거를 확인할 수 있게 한 추적 가능성과 책임성이다. 답변마다 △원문 출처 표기 △참조 링크 제공 △역할 기반 접근제어(RBAC) △감사 로그 △근거가 불충분하면 단정하지 않는 보수적 답변 △지식 색인 버전 관리를 적용했다.
사실과 다른 답변이나 근거 없는 추정을 줄여 공공서비스에 요구되는 신뢰성과 설명 가능성을 확보하기 위한 장치라는 설명이다. 예비 평가에서는 크메르어 MMLU 형식 벤치마크에서 추가 학습 모델의 성능 향상을 확인했다.
LLM 평가자(LLM-as-a-Judge)를 활용한 민원 시나리오 답변 품질 평가에서도 제안 시스템이 비교 대상 가운데 가장 우수한 성능을 보였다. 에이아이웍스는 다음달 28일부터 10월1일까지 사우디아라비아 리야드에서 열리는 학술대회에서 이번 연구 성과를 발표할 예정이다.
윤석원 에이아이웍스 대표는 "LRL은 학습 데이터가 적어 AI가 틀린 답을 지어낼 위험이 큰 만큼 근거를 밝히는 '책임 있는 AI' 설계가 디지털 포용의 전제 조건"이라며 "데이터가 부족한 언어를 쓰는 사람들까지 디지털 공공서비스 안으로 들어올 수 있도록 할 것"이라고 했다.
[머니투데이 스타트업 미디어 플랫폼 '유니콘팩토리']
