콘텐츠로 이동

D-SKET Neuron

데이터가 쌓이면 다음에 뭘 해야 할지가 보이기 시작합니다. D-SKET Neuron은 여기서 한 발 나아가, 쌓인 맥락을 스스로 학습해 다음 행동을 제안하는 자율 에이전트를 목표로 합니다. 아직은 계획 단계의 제품, 로드맵에 있는 이야기예요.

축적된 맥락을 학습해 다음 행동을 제안 — 데이터스케쳐스의 자율 에이전트, 아직 로드맵 단계.

제품 개요

Webbuilder·Canvas·Events가 만든 콘텐츠와 데이터는 시간이 지나면 방대해집니다. Neuron은 그 맥락을 스스로 학습해서, "이번엔 이렇게 해보면 좋겠다" 하는 다음 행동을 사람 대신 제안하려는 엔진입니다.

이름은 생물학의 신경계에서 따왔어요. 신경계가 자극을 받고 판단을 내리는 방식을 소프트웨어에 매핑해서, 사용자 피드백을 받아 무제한 학습하고 판단 에이전트가 결정을 내리는 구조를 그립니다. 로드맵 단계라서 일부는 설계·프로토타입 수준입니다.

핵심 스택

  • 운영 런타임: 운영 핵심은 Rust, 보조·연구 기능은 Python으로 작성합니다. ComputeBackend 위에서 NPU/GPU/CPU를 아우르는 하드웨어 추상화를 둡니다.
  • AI 실행: 여러 LLM 벤더를 함께 쓰는 LLM 멀티벤더(VLSD) 구조를 염두에 두고, 로컬 LLM과 오픈소스 모델 서빙으로 에이전트를 돌립니다. 기관(器官) 역할 컴포넌트는 자동으로 등록해 런타임에 기능을 갈아 끼웁니다.
  • 메모리 구조: 4-Layer Memory 계층으로 맥락을 나눠 저장하고, Spine(비동기 통신 버스)이 층 사이와 에이전트 사이 데이터를 흘려보냅니다. 두뇌 역할은 Brain이 맡아요.

기술 하이라이트

  • 자율 에이전트 엔진 (🟡 로드맵) — 사용자 피드백을 학습에 되먹이고, 판단 에이전트가 상황에 맞는 다음 행동을 정합니다.
  • LLM 멀티벤더(VLSD) (🟡 로드맵) — 한 벤더에 기대지 않고 여러 LLM을 조합해 쓰는 벤더 다변화(Vendor-Led, Service-Diverse) 방향을 봅니다.
  • Tool Calling (🟡 로드맵) — 에이전트가 정해진 도구를 스스로 호출해, 맥락만으로 대답하는 대신 실제 액션까지 이어지게 하는 설계입니다.
  • RAG (🟡 로드맵) — 축적된 문서·데이터 맥락을 검색해 답변에 끼워 넣는 검색 증강 생성을 계획합니다.
  • 생물학적 신경계 매핑 (🟡 로드맵) — 신경계의 구조(Brain·Spine·기관)를 소프트웨어 아키텍처로 옮깁니다.
  • 런타임 자기 수정 (🟡 로드맵) — 기관 자동 등록으로, 실행 중에도 기능을 추가·교체할 수 있는 설계입니다.
  • 하드웨어 추상화 (🟡 로드맵) — ComputeBackend가 NPU/GPU/CPU에서 공통 실행되도록 감싸, 장비에 따라 실행 경로를 바꿉니다.
  • 로컬 LLM · 오픈소스 서빙 (🟡 로드맵) — 외부 API에 의존하지 않게 로컬 모델 중심으로 갑니다.
  • 언어·이해 모델 (🟡 로드맵) — 문장 관계 판정·정보 추출·음성 인식·발화 구간 검출·분류 모델을 조합해 입력을 이해합니다.
  • 스키마·품질 관리 (🟡 로드맵) — 스키마 버전 관리를 하고, AI 성능을 자동 평가로 지속 확인합니다.
  • Jipsa 오픈소스 프레임워크 (🟡 로드맵) — 로드맵 항목으로, 오픈소스 기반으로 에이전트를 구성하는 방향을 봅니다.
  • 제조 AX · Edge AI (🟡 로드맵) — 제조 현장(AX)이나 엣지 환경처럼 네트워크가 약한 곳에서도 동작하는 시나리오를 염두에 둡니다.

아키텍처 한눈에

Neuron의 구조는 신경계 이름을 그대로 따왔기 때문에, 이름만 알면 역할이 대충 읽혀요.

  • Brain — 전체 판단을 내리는 두뇌 역할입니다. 판단 에이전트가 여기서 다음 행동을 결정해요.
  • Spine — 비동기 통신 버스로, Brain과 기관 사이 데이터와 신호를 흘려보내는 척추 역할을 합니다.
  • 기관(器官) — 언어 이해·음성 인식·분류·도구 호출 같은 개별 기능입니다. 기관 자동 등록으로 런타임에 추가·교체할 수 있어요.
  • 4-Layer Memory — 맥락을 수명과 중요도에 따라 네 계층으로 나눠 저장하고, 학습은 여기서 일어납니다. RAG가 이 층의 맥락을 꺼내 질문에 연결해요.
  • ComputeBackend — NPU/GPU/CPU를 추상화해, 어떤 장비 위에서든 같은 에이전트 로직이 공통 실행되게 합니다.
  • LLM 멀티벤더(VLSD) — 여러 LLM 벤더를 두고, 작업에 맞는 모델을 골라 쓰는 실행 계층입니다.

역할이 구조적으로 나뉘어 있으니, 기능 하나를 바꾸고 싶을 때 다른 부분을 건드리지 않아도 됩니다. 예를 들어 음성 인식 모델을 교체하면 그 기관만 갈아 끼우면 돼요.

사용 사례 / 실제 적용

로드맵 단계라 실제 운영 사례는 아직 없습니다. 다만 목표 시나리오는 이렇습니다.

  • 다음 행동 제안: Events가 모은 리드 데이터를 학습해 "이번 주에 접촉할 MQL 5명"을 제안합니다.
  • 자동 정리·요약: 쌓인 회의·문서 맥락을 스스로 요약해 다음 주제를 짚어줍니다.
  • 현장 자동 판단: 제조·엣지 환경에서 센서 맥락을 읽고 이상을 판단하는 방향입니다.

더 알아보기

이 제품은 🟡 로드맵 상태입니다. 구체적인 동작 원리와 일정은 확정되면 이 페이지를 갱신할게요.