아이디어 구상 (Ideation)

해커톤 소식을 접했을 때, 저는 제가 일하고 있는 핀테크 산업의 페인 포인트(pain point)를 떠올렸고, 곧바로 컴플라이언스(compliance) 분야로 생각이 이어졌습니다. 가맹점 온보딩(Merchant onboarding)은 비즈니스 세부 정보가 수집된 후에도 검토 팀이 각 문서를 비판적으로 검토하고, 신원 또는 사업자 등록 증거를 조사하며, 리스크를 평가하고, 컴플라이언스 조치를 권고하며, 모든 결정에 대한 감사 추적(audit trail)을 유지해야 하기 때문에 속도가 느려질 수 있습니다.

이것이 바로 제가 Qwen Cloud Global AI Hackathon을 위해 핀테크 온보딩 팀을 위한 자율 가맹점 운영 플랫폼인 MerchantPilot AI를 구축하기로 결정한 이유입니다. 저는 이 아이디어를 동료인 @odunayo_dada와 공유했고, 그는 즉시 동참했습니다. 해커톤의 흥분 속에서 그는 즉시 리포지토리(repository)를 생성했고, 우리는 작업을 시작했습니다. MerchantPilot AI는 투명성을 잃지 않으면서 AI를 컴플라이언스에 민감한 워크플로(workflow)에 어떻게 통합할 수 있는지 탐구합니다. 목표는 AI가 가맹점을 맹목적으로 승인하게 하는 것이 아니라, AI가 설명 가능한 결정 패키지(explainable decision package)를 준비할 수 있도록 하여, 인간 검토자가 더 나은 컨텍스트(context)와 완전한 감사 추적(audit trail)을 바탕으로 더 빠르게 움직일 수 있도록 하는 것입니다.

MerchantPilot AI의 핵심 기능

QwenCloud를 지능 계층(intelligence layer)으로 사용하여 구축된 MerchantPilot AI는 오토파일럿 에이전트(autopilot agent)가 문서 접수부터 인간의 검토에 이르기까지 가맹점의 온보딩 워크플로를 어떻게 지원할 수 있는지 보여줍니다. 주요 기능은 다음과 같습니다:

• 주요 비즈니스 정보 수집을 위한 가맹점 온보딩 양식
• 가맹점 인증 문서를 위한 문서 업로드 지원
• 리스크 및 컴플라이언스 분석을 위한 AI 보조 검토 생성
• 불투명한 승인이 아닌 설명 가능한 권고 사항 제공
• 승인, 거절 또는 추가 정보 요청과 같은 인간 검토 작업
• 운영 추적성을 위한 감사 로깅(Audit logging)
• 진행 중인 신청서를 모니터링하기 위한 대시보드 및 검토 센터

이러한 기능들은 AI가 책임과 신뢰를 유지하면서도 팀이 더 빠르게 움직일 수 있도록 도와야 한다는 아이디어를 중심으로 설계되었습니다.

Human-in-the-loop (인간 참여형) 설계가 중요한 이유

MerchantPilot AI의 가장 강력한 측면 중 하나는 인간의 통제(human control)를 강조한다는 점입니다. 이 시스템은 AI 단독으로 최종 컴플라이언스 (compliance) 결정을 내려야 한다고 주장하지 않습니다. 대신, 검토 과정을 더 효율적이고 일관되게 만드는 의사결정 패키지 (decision package)를 준비합니다.

이러한 접근 방식은 규제 및 운영상의 민감성으로 인해 투명성과 감독이 모두 요구되는 핀테크 (fintech) 분야에서 특히 중요합니다. 각 에이전트 이벤트 (agent event)를 기록하고 구조화된 리스크/컴플라이언스 (risk/compliance) 출력값을 저장함으로써, 시스템은 검토자에게 감사 가능하고 설명 가능한 (auditable and explainable) 의사결정의 토대를 제공합니다.

기술 스택 (Technology Stack)

이 프로젝트는 AI 기반 웹 애플리케이션을 구축하는 데 적합한 현대적인 풀스택 (full-stack) 아키텍처를 사용합니다.

Merchant
    │
    ▼
...

• Next.js 프론트엔드(frontend)는 가맹점 대시보드, 신청 양식 및 검토 센터를 제공합니다. 프론트엔드는 Next.js, Tailwind CSS, TypeScript로 구축되어 세련되고 반응성이 뛰어난 사용자 경험(user experience)을 제공합니다.

• FastAPI 백엔드(backend)는 가맹점 생성, 문서 업로드, 검토 오케스트레이션(orchestration) 및 영속성(persistence)을 처리합니다. 백엔드는 FastAPI와 Python으로 구축되어 API를 노출하고 AI 서비스와 통합하기 용이합니다.

• PostgreSQL 데이터베이스(database)는 가맹점 기록, 문서, 감사 로그(audit logs), 리스크 평가 및 에이전트 활동을 저장합니다. 데이터 레이어(data layer)는 영속성과 마이그레이션(migrations)을 위해 SQLAlchemy 및 Alembic을 사용하는 PostgreSQL을 사용합니다. 또한 애플리케이션에는 스토리지 추상화 레이어(storage abstraction layer)가 포함되어 있어, 로컬 개발용 스토리지와 향후 클라우드 스토리지 통합을 모두 지원할 수 있습니다.

• Qwen 기반 서비스는 리스크, 컴플라이언스(compliance), 에이전트 이벤트 타임라인에 대한 구조화된 출력(structured outputs)을 생성함으로써 AI 검토 흐름을 구동합니다. Qwen Cloud는 백엔드 서비스 레이어를 통해 통합되어 구조화된 가맹점 검토 생성을 지원합니다.

배포 스택(deployment stack) 또한 컨테이너 친화적(container-friendly)으로 설계되었습니다:

services:
  backend:
    build: ./backend
...

이 프로젝트는 해커톤 빌드임에도 불구하고 의도적으로 프로덕션 스캐폴드(production scaffold)와 같은 구조로 설계되었습니다. 모듈형 구조 덕분에 시스템을 쉽게 이해하고 확장할 수 있습니다. 또한 UI, API, 서비스 레이어(service layer), 데이터베이스가 함께 작동하여 일관된 제품 경험을 제공하는 일반적인 현대적 아키텍처를 반영합니다.

QwenCloud

MerchantPilot AI에서 Qwen Cloud는 모든 가맹점 신청서를 실행 가능한 검토 출력물로 변환하는 역할을 담당합니다. 제가 QwenCloud를 선택한 이유는 컴플라이언스 워크플로우(compliance workflows)에 필요한 구조화된 응답을 지원하면서, 백엔드에 LLM 기능을 통합할 수 있는 직관적인 API를 제공하기 때문입니다.

프로젝트 내에서 QwenCloud는 전용 서비스 뒤로 추상화되어 있습니다:

backend/app/services/agents/qwen_service.py

백엔드는 다음과 같은 구조화된 가맹점 컨텍스트(context)를 Qwen으로 전송합니다:

• 가맹점 프로필 데이터 (Merchant profile data)
• 업로드된 문서 메타데이터 (Uploaded document metadata)
• 필수 문서 요구사항 (Required document expectations)
• 데모 모드 CAC 검증 출력값 (Demo-mode CAC verification output)
• 시스템이 반환받아야 할 검토 패키지를 기술하는 엄격한 JSON 스키마 (A strict JSON schema describing the review package the system needs back)

그 후 Qwen은 다음과 같은 내용을 포함하는 구조화된 응답을 반환합니다:

• 리스크 점수 (Risk score)
• 리스크 수준 (Risk level)
• 신뢰도 (Confidence)
• 권장 사항 (Recommendation)
• 근거 (Supporting reasons)
• 컴플라이언스 요구사항 (Compliance requirements)
• 컴플라이언스 격차 (Compliance gaps)
• 메모리 기록 (Memory records)
• 에이전트 타임라인 이벤트 (Agent timeline events)

해당 응답은 영구 저장되기 전에 Pydantic을 통해 검증됩니다. 만약 Qwen이 유효하지 않은 JSON이나 예상된 스키마와 일치하지 않는 형태를 반환하면, 백엔드는 이를 거부하고 사용자에게 검토를 재시도하도록 요청합니다.

에이전트 설계 (The Agent Design)

MerchantPilot AI는 컴플라이언스 운영의 서로 다른 부분을 담당하는 전문화된 에이전트들을 중심으로 구성됩니다:

• 인테이크 에이전트 (Intake Agent): 제출된 데이터와 문서의 완결성을 확인합니다.
• 검증 에이전트 (Verification Agent): 문서 증거와 CAC 신호를 조사합니다.
• 리스크 에이전트 (Risk Agent): 리스크 수준, 점수, 근거 및 신뢰도를 평가합니다.
• 컴플라이언스 에이전트 (Compliance Agent): 발견 사항을 컴플라이언스 요구사항 및 격차와 매핑합니다.
• 메모리 에이전트 (Memory Agent): 향후 운영을 위해 지속 가능한 검토 컨텍스트를 기록합니다.
• 휴먼 리뷰 (Human Review): 최종 결정을 위해 사람이 개입할 수 있도록 유지합니다 (Human-in-the-loop).

이러한 구조 덕분에 제품은 단순히 "AI가 예 또는 아니오를 말하는" 버튼 하나보다 훨씬 더 현실적으로 느껴졌습니다. 각 에이전트는 운영상의 그림 중 한 조각을 기여하며, 타임라인은 검토가 어떻게 진화했는지를 보여줍니다.

직면한 과제 (Challenges Faced)

이 프로젝트를 구축하면서 몇 가지 실질적인 과제에 직면했습니다. 가장 큰 과제 중 하나는 AI 출력이 애플리케이션에서 사용될 수 있을 만큼 충분히 구조화되고 일관되게 유지되도록 보장하는 것이었습니다. 시스템이 모델이 생성한 JSON에 의존하기 때문에, 잘못된 형식의 응답으로부터 백엔드를 보호하기 위한 검증 및 폴백(fallback) 처리가 필요했습니다.

문서 저장(document storage), 지속성(persistence), 그리고 프론트엔드(frontend), 백엔드(backend), AI 서비스 간의 연결을 어떻게 관리할 것인지에 대한 인프라(infrastructure) 측면의 고민도 있었습니다.

서비스 레이어(service layer) 또한 오류를 신중하게 처리합니다. 아래에서 그 예시를 볼 수 있습니다:

except QwenAuthenticationError as exc:
    raise HTTPException(status_code=401, detail=str(exc)) from exc
except QwenResponseValidationError as exc:
...

이를 통해 애플리케이션의 회복 탄력성(resilience)을 높이고, AI 서비스가 실패했을 때 사용자에게 명확한 오류 경로를 제공할 수 있습니다.

다음에 추가하고 싶은 사항

만약 이 프로젝트를 현재의 데모 버전을 넘어 확장한다면, 모의 검증(mock verification)에서 실제 규제 및 문서 검증 소스로 전환할 것입니다. 또 다른 개선 사항으로는 사기 탐지(fraud detection), 제재 심사(sanctions screening), 또는 문서 진위 분석(document authenticity analysis)을 위한 더 발전된 에이전트(agent)를 추가하는 것입니다.

시스템은 다음과 같은 기능들로 확장될 수 있습니다:

• 더욱 정교한 승인 워크플로우 (approval workflows)
• 컴플라이언스(compliance) 검토자를 위한 역할 기반 액세스 제어 (role-based access)
• 글로벌 가맹점 온보딩을 위한 다국어 지원 (multi-language support)
• 외부 KYC(Know Your Customer) 및 AML(Anti-Money Laundering) 서비스와의 통합
• 재사용 가능한 가맹점 패턴을 위한 더 발전된 메모리 레이어 (memory layer)
• 프로덕션급 관측성(observability) 및 모니터링

다시 말해, 현재 버전은 훨씬 더 풍부한 자율 운영 플랫폼을 구축하기 위한 훌륭한 토대입니다.

QwenCloud로 구축하며 배운 점

가장 큰 교훈은 에이전트 기반 제품(agentic products)에는 단순히 좋은 모델 호출(model call) 그 이상의 것이 필요하다는 점이었습니다. 모델은 강력하지만, 이를 둘러싼 시스템 또한 그만큼 중요합니다:

• 입력 컨텍스트(input context)는 구조화되어야 합니다.
• 출력(output)은 검증되어야 합니다.
• 실패 사례(failure cases)에는 명확한 로그가 필요합니다.
• 인간 검토자에게는 사용 가능한 인터페이스가 필요합니다.
• 감사 가능성(auditability)은 나중에 추가하는 것이 아니라 워크플로우에 내장되어야 합니다.

QwenCloud는 이 프로젝트에 매우 적합한 것으로 나타났습니다. OpenAI 호환 API 덕분에 통합이 간편했으며, 매우 적은 마찰로 실제 가맹점 온보딩 시나리오로부터 구조화된 검토 패키지를 생성할 수 있었습니다.

마치며

MerchantPilot AI는 가맹점 운영을 위한 현실적인 AI 오토파일럿 (autopilot)을 구축하려는 저의 시도입니다. 즉, 컴플라이언스 (compliance) 팀이 더 빠르고, 일관되며, 감사 가능하게 (auditable) 업무를 수행할 수 있도록 만드는 시스템입니다.

이 프로젝트는 AI가 가치를 창출하기 위해 반드시 전문가를 대체할 필요는 없다는 점을 상기시켜 주었습니다. 핀테크 (fintech)와 같은 규제 산업에서 가장 큰 기회는 사람들이 더 빠르고, 더 정보에 기반한 결정을 내릴 수 있도록 돕는 것입니다. MerchantPilot AI는 그러한 미래가 어떤 모습일지에 대한 저의 탐구이며, 해커톤 이후에도 이를 계속해서 개선해 나갈 생각에 매우 설렙니다.

Github Repo: https://github.com/AfubeAngel/MerchantPilotAI
Live Link: http://47.84.224.187:3000/review