개인 기기 기반 리드 및 노트 분류 에이전트

문제점

비정형화된 상담 노트와 유입되는 고객 리드를 관리하는 것은 종종 수 시간의 수동 검토를 필요로 합니다. 민감한 노트를 파싱하기 위해 공개 클라우드 AI API에 의존하는 것은 데이터 프라이버시 위험, 잠재적인 데이터 유출, 그리고 반복적인 API 비용을 초래합니다.

해결책

저는 원본 회의 노트나 오디오 스크립트를 자동으로 수집하고(ingests), 주요 메타데이터(클라이언트 이름, 핵심 요구사항, 예산, 우선순위 레벨)를 파싱하며, 민감한 데이터를 안전하게 유지하는 동시에 즉시 로깅할 준비가 된 형식화된 JSON을 출력하는 개인적이고 로컬 우선의 분류 에이전트를 구축했습니다.

아키텍처 및 스키마

• 수집(Ingestion): 원본 텍스트 프롬프트 또는 상담 스크립트.
• 처리 엔진(Processing Engine): 스키마 기반 추출을 위해 구성된 Relevance AI 노드 파이프라인.
• 출력(Output): 우선순위가 지정된 실행 항목과 클라이언트 세부 정보를 포함하는 구조화된 JSON.

시연 및 작업 증명

분류 워크플로우의 실제 작동 모습을 라이브 데모를 통해 확인하세요:
[

]

온디바이스 AI 워크플로우가 중요한 이유

로컬 우선의 AI 파이프라인을 구축하는 것은 데이터 프라이버시에 대한 완전한 소유권을 보장하며, 기밀 고객 정보를 보호하는 동시에 지속적인 클라우드 인프라 비용을 제거합니다.