LG전자
경력근거: 최신 AI 모델 및 기술(LLM, RAG 등)과 클라우드 네이티브 기술을 활용해, 고객 경험 중심의 혁신 서비스를 기획·개발
※ 실제 산출물이 아닌 AI 예측 시안입니다.
LG전자 한국영업본부 AI Transformation 조직은 영업/마케팅 전 영역에서 임직원의 AI·데이터 활용을 이끄는 역할을 맡고, LLM·RAG 로 고객 행동 분석과 개인화 추천, 영업 현장 생산성 향상을 수행합니다. ‘고객 질의 → 사내 제품·상담 이력 인용 답변 → 영업 액션 추천’ 사슬은 LG전자 영업 현장의 실제 제품군과 계정 이력이 있어야 의미가 있고, 다른 회사 데이터로는 같은 영업 맥락을 만들 수 없습니다.
한국영업본부의 AI Transformation 으로 임직원 생산성과 고객 구매 경험을 개선하는 조직입니다. 영업사원이 매일 쓰는 질의응답 어시스턴트가 그 생산성 개선의 첫 접점입니다.
‘최신 AI 모델(LLM, RAG 등)로 실시간 의사결정 지원과 영업 현장 생산성 향상’ 이 명시됩니다. RAG 로 사내 근거를 인용해 답하는 구조가 핵심 업무와 직결됩니다.
‘고객 행동 분석 및 개인화 추천’ 을 수행합니다. 담당 고객 이력을 근거로 다음 영업 액션을 추천하는 게 1주 완결 단위입니다.
영업사원이 담당 고객에 대해 자연어로 물으면, 사내 제품 카탈로그·고객 상담 이력에서 관련 근거를 찾아 인용과 함께 답하고, 다음에 할 영업 액션을 근거와 함께 추천합니다. 매일 아침 담당 계정별로 ‘오늘 챙길 액션’ 을 슬랙으로 보냅니다. 1주차만으로 완성품이고, 답변이 근거에 충실한지 검증(2주차)·추천 액션 채택 측정(3주차)으로 키웁니다.
LG전자 한국영업본부에 들어가 일하는 AI 엔지니어입니다. 영업사원이 제품 스펙·고객 이력·이전 제안을 일일이 뒤지느라 쓰던 시간을 줄이고, ‘이 고객에게 다음에 뭘 제안하지?’ 에 근거 있는 답을 바로 주고 싶은 사람입니다.
제품 카탈로그·고객 상담 이력을 한 색인으로 받고 영업사원의 자연어 질문을 입력하면, LLM 이 (a) 사내 근거를 인용한 답변과 (b) 다음 영업 액션 추천을 내고, (c) 답변 문장마다 인용한 근거가 실재하는지 검증합니다.
영업사원의 자연어 질문을 받아 사내 자료에서 근거를 인용한 답변과 다음 영업 액션을 내어 매일 슬랙으로 보내는 동작하는 도구입니다. 사내망 배포·실시간 CRM 연동은 W2·W3 로 미루고, W1 은 합성 사내 문서 색인과 메타데이터 가정으로 1주에 혼자 완성합니다.
답변 문장마다 인용한 근거가 색인에 실재하는지 자동 검사하고, 영업 검토자 2명이 답변·추천이 타당한지 라벨링해 근거 충실도와 신뢰도를 보여주는 대시보드입니다.
추천한 영업 액션이 실제로 채택됐는지 합성 피드백 로그로 이어 붙여, 어떤 유형의 추천이 채택률이 높은지 보여주는 단계입니다.
영업사원의 자연어 질문 하나를 넣으면, 사내 근거를 인용한 답변과 다음 영업 액션 추천이 몇 초 안에 나오는 걸 시연합니다
일부러 만든 악성·결측 입력 30종(근거 없는 질문·표기 흔들린 제품명·미등록 계정)을 넣어도 출력 형식(Zod 스키마)이 한 번도 안 깨지는 걸 보여줍니다
매일 아침 담당 계정별 영업 액션이 슬랙으로 자동 발송되는 걸 14일치 시연으로 보여줍니다
내가 만든 정답 30개 중 답변이 옳은 근거를 인용한 게 24개(80%)입니다. 단, 정답과 데이터를 모두 작성자가 만든 합성 기준이라 ‘성능 검증’ 이 아니라 ‘데모 조건에서의 동작’ 임을 밝힙니다
진짜 성능 검증은 여기서 멈춥니다. 위 수치는 전부 작성자가 만든 더미데이터 자가채점이며, 실제 답변 정확도·추천 채택률은 LG전자 실제 제품 카탈로그와 실 영업 검토자가 있어야 측정됩니다. 이 도구는 그 검증을 바로 돌릴 수 있는 상태까지 만듭니다
이건 고객·실데이터 없이 혼자 만든 포트폴리오입니다. 모든 수치는 합성 데이터 자가채점이라 ‘성능 증명’ 이 아닙니다. 면접에서 ‘데모 조건 동작 + 실검증 준비 상태’ 로 솔직히 설명합니다
정답을 작성자가 만들었으니 잘 맞는 것이 당연합니다. 근거 없는 질문·표기 흔들린 제품명·미등록 계정 같은 경계 케이스를 더미에 일부러 섞어, 쉬운 문제만 푸는 게 아님을 보여줍니다
LLM 이 색인에 없는 내용을 그럴듯하게 지어내는 환각 위험이 있습니다. 답변 문장마다 근거 인용을 강제하고, 인용한 근거가 색인에 실재하는지 자동 검사해 미실재면 차단합니다
제품명·계정명 표기가 제각각입니다. 이름 유사도 + 속성으로 같은 개체로 묶고, 못 묶은 건 추측하지 말고 ‘근거 없음’ 으로 알립니다
실제 도입 시 달라지는 점을 명시합니다. 실 제품 카탈로그·CRM 분포는 더미와 다르므로 색인을 다시 맞춰야 하고, 영업 검토자도 실제 인력으로 교체해야 합니다(도입 단계 과제로 분리)
① 인라인 샘플 · ② seed.json 다운로드 · ③ 증강 프롬프트. 세 층 모두 동일한 schema 에서 파생.
LG전자 영업이 다루는 제품 스펙·셀링포인트 문서입니다. RAG 가 답변 근거로 가장 먼저 검색하는 색인입니다. 운영 현실대로 표기 흔들림·결측·미등록 신제품을 일부러 섞어, 쉬운 데이터만 푸는 게 아님을 보여줍니다.
| doc_id | product_raw | product_id | section | title | body |
|---|---|---|---|---|---|
| pc_0001 | 오브제컬렉션 냉장고 | ref_objet_01 | spec | 용량·에너지 등급 | 전체용량 870L, 에너지소비효율 1등급, 도어 4개 구성입니다. |
| pc_0002 | 오브제 냉장고 | ref_objet_01 | selling_point | 별칭 표기 셀링포인트 | 맞춤 패널 색상 교체가 가능해 인테리어 리뉴얼 수요 고객에게 제안하기… |
| pc_0003 | 그램 노트북 | lap_gram_17 | spec | 무게·배터리 | 17인치 1350g, 80Wh 배터리로 종일 외근 영업 고객에게 적합… |
| pc_0004 | 그램 | lap_gram_17 | faq | 보증 문의 | 기본 보증 2년이며 사업자 대량 구매 시 연장 보증을 별도 협의합니다. |
| pc_0005 | 신제품 AI에어컨 | — | unknown | 사양 미확정 | — |
아래 Zod 스키마에 맞는 LG전자 영업 제품 문서 40건 JSON 배열로 생성. 제품군(가전·노트북·디스플레이·에어컨 등)과 section 분포 포함.
{"type":"object","properties":{"doc_id":{"type":"string"},"product_raw":{"type":"string"},"product_id":{"type":["string","null"]},"section":{"type":"string","enum":["spec","selling_point","faq","unknown"]},"title":{"type":"string"},"body":{"type":["string","null"]}},"required":["doc_id","product_raw","product_id","section","title","body"]}
쉬운 데이터만 만들지 말 것. 다음 하드 케이스를 의도적으로 섞어라(쉬운 문제만 푸는 함정 회피): (1) 같은 제품의 별칭 표기 혼입('오브제컬렉션 냉장고'/'오브제 냉장고'→ref_objet_01, '그램 노트북'/'그램'→lap_gram_17 로 정규화돼야 함), (2) product_id=null·section=unknown·body=null 인 미확정/비공개 문서 3~4건('신제품 AI에어컨'·'내부메모_미공개' 류), (3) 답변에 인용하면 안 되는 비공개 단가 문서 1건. JSON 배열만.{"type":"object","properties":{"doc_id":{"type":"string"},"product_raw":{"type":"string"},"product_id":{"type":["string","null"]},"section":{"type":"string","enum":["spec","selling_point","faq","unknown"]},"title":{"type":"string"},"body":{"type":["string","null"]}},"required":["doc_id","product_raw","product_id","section","title","body"]}영업사원 담당 계정의 상담·구매 이력입니다. 다음 영업 액션 추천의 근거가 되는 입력으로, 미등록 계정·결측·경계값을 섞어 추천이 경계 상황에서도 안 깨지는지 보여줍니다.
| event_id | account_raw | account_id | event_type | product_id | amount | event_date |
|---|---|---|---|---|---|---|
| ah_0001 | 강남법인영업1팀 | acc_0001 | inquiry | ref_objet_01 | — | 2026-05-02 |
| ah_0002 | 강남법인영업1팀 | acc_0001 | quote | ref_objet_01 | 12,400,000 | 2026-05-09 |
| ah_0003 | 부산호텔체인 | acc_0002 | purchase | tv_standbyme_01 | 8,800,000 | 2026-04-21 |
| ah_0004 | 부산 호텔 체인 | acc_0002 | churn_signal | — | — | 2026-05-15 |
| ah_0005 | 신규문의_미등록 | — | inquiry | ac_whisen_sys | — | 2026-05-18 |
아래 Zod 스키마에 맞는 영업 계정 이력 40행 JSON 배열로 생성. 계정 5~8개에 inquiry·quote·purchase·churn_signal 흐름이 누적되도록.
{"type":"object","properties":{"event_id":{"type":"string"},"account_raw":{"type":"string"},"account_id":{"type":["string","null"]},"event_type":{"type":"string","enum":["inquiry","quote","purchase","churn_signal","unknown"]},"product_id":{"type":["string","null"]},"amount":{"type":["number","null"]},"event_date":{"type":["string","null"]}},"required":["event_id","account_raw","account_id","event_type","product_id","amount","event_date"]}
쉬운 데이터만 만들지 말 것. 다음 하드 케이스를 의도적으로 섞어라: (1) 같은 계정의 별칭 표기 혼입('부산호텔체인'/'부산 호텔 체인'→acc_0002 로 정규화돼야 함), (2) account_id=null 인 미등록 신규/미상 거래처 2~3건('신규문의_미등록'·'미상거래처' 류), (3) amount=0(견적 미정)·amount=null·event_date=null 인 결측/경계 행 3~4건, (4) churn_signal 이 끼어 추천이 이탈방어로 바뀌어야 하는 계정 1~2건. JSON 배열만.{"type":"object","properties":{"event_id":{"type":"string"},"account_raw":{"type":"string"},"account_id":{"type":["string","null"]},"event_type":{"type":"string","enum":["inquiry","quote","purchase","churn_signal","unknown"]},"product_id":{"type":["string","null"]},"amount":{"type":["number","null"]},"event_date":{"type":["string","null"]}},"required":["event_id","account_raw","account_id","event_type","product_id","amount","event_date"]}| Python | ingest·검색·생성 오케스트레이션(질문 → 근거 검색 → 답변·액션 생성 → 검증) 메인 파이프라인 |
| RAG | 제품 카탈로그·상담 이력 색인에서 질문 관련 근거 청크 검색 + 답변 문장에 근거 인용 강제 |
| LLM | 검색된 근거로 답변 작성과 다음 영업 액션 추천 생성(인용 없는 문장 차단) |
| Node.js | 슬랙 봇·질의 입력 API 서버(영업사원이 채널에서 바로 질문) |
| MLOps | 색인 재빌드·프롬프트 버전·평가 스코어를 한 파이프라인으로 추적 |
| CI/CD | 프롬프트·스키마 변경 시 회귀 평가셋 자동 실행 후 배포 게이트 |
✓ pass → 그대로 멈춰도 완결입니다. 더 키우려면 2주차(답변이 근거에 충실한지 검증)로 진행합니다.
✓ pass → 여기서 멈춰도 완결입니다. 더 키우면 3주차(추천 액션 채택 측정)로 진행합니다.
1) 영업사원 질문에 대한 근거 인용 답변, 2) 다음 영업 액션 추천(유형·근거·확신도), 3) 직전 추천이 실제 채택됐는지 검증. 질의응답→액션추천→채택검증 한 주기를 한 스키마에 담습니다.
{"type":"object","properties":{"query":{"type":"string"},"answer":{"type":"object","properties":{"text":{"type":"string","minLength":15},"citations":{"type":"array","items":{"type":"object","properties":{"doc_id":{"type":"string"},"quote":{"type":"string","minLength":8}},"required":["doc_id","quote"]},"minItems":1}},"required":["text","citations"]},"actions":{"type":"array","items":{"type":"object","properties":{"account_id":{"type":["string","null"]},"action_type":{"type":"string","enum":["propose","quote_followup","revisit","churn_defense","hold"]},"basis":{"type":"string","minLength":10},"confidence":{"type":"string","enum":["low","mid","high"]},"confidence_prob":{"type":"number"},"hedge":{"type":["string","null"],"minLength":8}},"required":["account_id","action_type","basis","confidence","confidence_prob","hedge"]},"minItems":1,"maxItems":10},"verification":{"type":["object","null"],"properties":{"prior_period":{"type":"string"},"adopt_rate":{"type":"number"},"brier_score":{"type":"number"},"checks":{"type":"array","items":{"type":"object","properties":{"account_id":{"type":["string","null"]},"recommended":{"type":"string"},"adopted":{"type":"boolean"},"confidence_prob":{"type":"number"}},"required":["account_id","recommended","adopted","confidence_prob"]}}},"required":["prior_period","adopt_rate","brier_score","checks"]}},"required":["query","answer","actions","verification"]}[
{
"input_ref": "2026-05-23 · 영업사원 질문 '강남법인영업1팀에 다음에 뭘 제안하지?' (verification 은 직전 주 추천 결과)",
"output": {
"query": "강남법인영업1팀에 다음에 뭘 제안하지?",
"answer": {
"text": "오브제컬렉션 냉장고 견적(1,240만원) 이후 이탈 신호가 떠서, 패널 색상 교체 셀링포인트로 재접촉을 권합니다.",
"citations": [
{
"doc_id": "pc_0002",
"quote": "맞춤 패널 색상 교체가 가능해 인테리어 리뉴얼 수요 고객에게 제안하기 좋습니다."
}
]
},
"actions": [
{
"account_id": "acc_0001",
"action_type": "churn_defense",
"basis": "ah_0002 견적 후 ah_0011 churn_signal 발생. 색상 교체 셀링포인트로 재접촉.",
"confidence": "mid",
"confidence_prob": 0.62,
"hedge": "이탈 사유 미기재라 가격·경쟁사 요인은 미반영. 합성 기준 추정."
}
],
"verification": {
"prior_period": "2026-05-16 ~ 2026-05-22 추천",
"adopt_rate": 0.7,
"brier_score": 0.17,
"checks": [
{
"account_id": "acc_0003",
"recommended": "quote_followup",
"adopted": true,
"confidence_prob": 0.78
},
{
"account_id": "acc_0002",
"recommended": "churn_defense",
"adopted": false,
"confidence_prob": 0.55
}
]
}
}
},
{
"input_ref": "2026-05-24 · 영업사원 질문 '신규문의_미등록 계정 어떻게 응대하지?'",
"output": {
"query": "신규문의_미등록 계정 어떻게 응대하지?",
"answer": {
"text": "휘센 시스템에어컨 문의가 있으나 계정이 마스터에 미등록입니다. 사양·리드타임은 안내 가능하나 단가는 비공개라 인용하지 않습니다.",
"citations": [
{
"doc_id": "pc_0008",
"quote": "표준 설치 리드타임은 영업일 5일이며 대량 건은 별도 일정 협의입니다."
}
]
},
"actions": [
{
"account_id": null,
"action_type": "hold",
"basis": "account_id 미등록(ah_0005). 계정 등록 전까지 단가 제안 보류, 사양 안내만 진행.",
"confidence": "low",
"confidence_prob": 0.34,
"hedge": "미등록 계정이라 이력 근거가 없음. 추측 대신 등록 확인 권장."
}
],
"verification": null
}
},
{
"input_ref": "2026-05-30 · 영업사원 질문 '이 거래처는 뭘 더 붙일 수 있나?' (verification 은 직전 주 추천 결과)",
"output": {
"query": "이 거래처는 뭘 더 붙일 수 있나?",
"answer": {
"text": "거래처가 계정에 붙지 않아 이력을 불러오지 못했습니다. 거래처 표기를 계정 대장과 맞춘 뒤 다시 물어 주십시오.",
"citations": [
{
"doc_id": "pc_0005",
"quote": "제품 사양과 설치 조건은 카탈로그에 적힌 범위 안에서만 안내합니다."
}
]
},
"actions": [
{
"account_id": null,
"action_type": "hold",
"basis": "계정 식별자가 비어 있어 이력 대조가 성립하지 않습니다.",
"confidence": "low",
"confidence_prob": 0.2,
"hedge": "계정 미매핑이라 추천을 만들지 않았습니다."
}
],
"verification": {
"prior_period": "2026-05-23 ~ 2026-05-29 추천",
"adopt_rate": 0.5,
"brier_score": 0.22,
"checks": [
{
"account_id": "acc_0001",
"recommended": "churn_defense",
"adopted": true,
"confidence_prob": 0.62
},
{
"account_id": "acc_0004",
"recommended": "propose",
"adopted": false,
"confidence_prob": 0.58
}
]
}
}
}
]자동: (1) Zod parse, (2) answer.citations.doc_id 가 product_catalog 에 실재하는지 검사(환각 인용 차단) + 비공개 문서(pc_0010 류) 인용 금지 규칙, (3) 단정 표현 토큰 검출 + LLM-as-judge 근거 인용 평가, (4) Brier score 자동 계산. confidence_prob·adopt_rate 는 합성 기준 추정값이라 검증된 수치가 아님을 action hedge 에 드러냅니다. 수동: 영업 검토자 2명 비동기 라벨 → bootstrap Cohen’s κ CI 하한 ≥ 0.6, spot check 5%. verification 은 차주 채택 피드백 자동 조인.
근거: 최신 AI 모델 및 기술(LLM, RAG 등)과 클라우드 네이티브 기술을 활용해, 고객 경험 중심의 혁신 서비스를 기획·개발