LG전자 라이프로그 기반 개인화 AI 어시스턴트 구축

TL;DR

일상 활동 데이터를 기반으로 사용자의 맥락을 이해하고 자연어 질문에 답변하는 개인화 AI Agent PoC를 구축했습니다. 단순 키워드 검색이 아니라, 시간·장소·활동·개체 사이의 관계를 함께 활용하는 그래프 기반 하이브리드 검색 구조를 설계해 라이프로그 데이터 탐색 경험을 고도화했습니다.

프로젝트 개요

라이프로그 데이터는 단순한 문서 검색과 다릅니다. 사용자의 하루, 장소, 활동, 소비, 대화, 기록이 시간 순서대로 쌓이고, 질문은 대부분 그중 일부 관계를 추론해야 답할 수 있는 형태로 들어옵니다.

예를 들어 사용자는 특정 날짜나 활동명을 정확히 기억하지 못한 채 “지난번 외출했을 때 들렀던 곳”, “캠핑 때 사용한 물건”, “최근 반복된 생활 패턴”처럼 맥락 중심으로 질문할 수 있습니다. 이런 질문에 대응하려면 개별 이벤트의 유사도만 보는 검색으로는 한계가 있습니다.

Braincrew는 이 문제를 해결하기 위해 라이프로그 데이터를 Agent가 탐색 가능한 구조로 재구성하고, 자연어 질문을 기반으로 관련 맥락을 찾아 답변하는 AI Agent PoC를 개발했습니다.

주요 수행 내용

1. 라이프로그 데이터 구조화

라이프로그 원천 데이터는 시간, 장소, 활동, 개체, 상황 정보가 복합적으로 섞여 있습니다. 이를 Agent가 활용할 수 있도록 검색 가능한 단위로 정리하고, 각 정보 간의 관계를 표현할 수 있는 구조를 설계했습니다.

중점은 원본 데이터를 그대로 나열하는 것이 아니라, 질문에 필요한 맥락을 빠르게 찾을 수 있도록 의미 단위와 연결 관계를 함께 보존하는 것이었습니다.

2. 그래프 기반 하이브리드 검색 설계

라이프로그 질의는 대체로 “무엇과 무엇이 연결되어 있었는가”를 묻습니다. 따라서 벡터 검색만으로는 부족하고, 이벤트 사이의 관계를 함께 탐색할 수 있어야 합니다.

이를 위해 다음 요소를 결합했습니다.

• 자연어 질의 기반 후보 검색
• 시간·장소·활동 등 메타데이터 필터링
• 이벤트 간 관계를 활용한 그래프 탐색
• 검색 결과를 Agent 응답에 적합한 컨텍스트로 정리하는 후처리

이 구조를 통해 단순히 비슷한 문장을 찾는 수준을 넘어, 사용자의 질문 의도에 맞는 관련 활동과 주변 맥락을 함께 찾을 수 있게 했습니다.

3. 개인화 응답을 위한 Agent 파이프라인 구현

사용자 질문은 정형화되어 있지 않습니다. “지난주”, “저녁에”, “그때”, “자주 갔던 곳”처럼 상대적이고 모호한 표현이 자주 등장합니다.

Agent 파이프라인은 이런 자연어 표현을 해석하고, 필요한 검색 조건을 구성한 뒤, 검색 결과를 종합해 답변하도록 설계했습니다.

핵심 흐름은 다음과 같습니다.

사용자 질문
  → 질문 의도와 조건 추출
  → 라이프로그 검색 / 관계 탐색
  → 관련 맥락 정리
  → 최종 답변 생성

4. 검색·응답 품질 최적화

라이프로그 데이터에서는 “많이 찾는 것”보다 “질문에 필요한 맥락만 정확히 찾는 것”이 중요합니다. 불필요한 기록이 많이 들어가면 답변이 길어지고, 오히려 사용자가 기대한 맥락에서 벗어날 수 있습니다.

따라서 검색 결과를 그대로 LLM에 전달하지 않고, 질문과의 관련도, 시간 범위, 연결 관계를 기준으로 컨텍스트를 압축·정리하는 과정을 두었습니다. 이를 통해 응답의 일관성과 사용자 경험을 개선했습니다.

기술 스택

• AI Agent / LangGraph
• Hybrid Search
• Graph 기반 맥락 탐색
• Python / FastAPI
• LLM API

보안 및 공개 범위

본 글은 공개 가능한 수준의 아키텍처와 접근 방식만 정리했습니다. 실제 프로젝트의 원천 데이터 구조, 평가셋, 상세 성능 수치, 내부 화면, 운영 환경 세부 정보는 포함하지 않았습니다.

배운 점

라이프로그 기반 AI Agent에서 중요한 것은 모델 성능만이 아닙니다. 사용자의 활동 기록을 어떤 단위로 나누고, 어떤 관계로 연결하며, 질문에 필요한 맥락만 어떻게 선별할지가 전체 경험을 좌우합니다.

특히 개인화 AI에서는 검색 결과의 양보다 맥락의 정확도가 더 중요합니다. Agent가 잘 답하게 하려면, Agent에게 필요한 작업 공간과 검색 구조를 먼저 잘 만들어야 합니다.