교보생명 LLM 도입 전략: 5대 유즈케이스 및 데이터 매핑

1. 요약

• 이 리포트는 교보생명의 LLM(대규모 언어 모델) 도입 전략에 관한 것입니다. 핵심 질문은 내부 직원과 고객을 위한 최적의 LLM 유즈케이스를 선정하고, 각 유즈케이스를 구현하는 데 필요한 내부 데이터를 정의하는 것입니다. 주요 발견사항으로는 고객 상담 자동화 챗봇, 보험 언더라이팅 지원 분석, 내부 보고서 자동 생성 및 요약, 고객 맞춤형 재무설계 제안, 내부 업무 자동화(RPA 연계) 등 5개 유즈케이스가 있습니다. LLM 도입에 따른 기대 효과는 고객 만족도 향상과 업무 효율성 개선입니다.

• 이 보고서는 각 유즈케이스에 필요한 내부 데이터 요구사항 매핑, 체계적인 실행 로드맵 수립, 보안 및 컴플라이언스 리스크 점검을 통해 성공적인 LLM 도입을 위한 기초를 마련하고 있습니다. 향후 기술적 특성과 운영적 요구를 통합하여 교보생명의 경쟁력을 강화하는 방향으로 나아가야 할 것입니다.

2. 서론

• 보험업계는 디지털 혁명에 직면해 있으며, 그 중심에는 인공지능(AI)과 대규모 언어 모델(LLM)의 활용이 자리잡고 있습니다. 현재 고객의 기대는 높은 서비스 품질과 신속한 대응을 요구하고 있으며, 이러한 요구를 충족시키기 위해 LLM의 도입이 필수적입니다. 특히 교보생명은 LLM을 통해 고객 경험을 혁신하고 내부 업무 효율성을 극대화할 수 있는 기회를 보유하고 있습니다.

• 이 리포트는 교보생명이 LLM을 도입하기 위해 고려해야 할 유즈케이스와 내부 데이터 요구사항을 체계적으로 제시합니다. 주요 목적은 각 유즈케이스의 효과성을 극대화하고, AI 기반 서비스 제공의 성공 가능성을 높이는 것입니다. 리포트는 유즈케이스 정의, 데이터 매핑, 실행 로드맵 수립, 그리고 리스크 및 보안 대응 단계로 구분되며, 이는 통합적이고 실질적인 접근법을 제공합니다.

• 이 보고서를 통해 교보생명은 LLM 도입의 실질적인 이점과 그에 따른 실행 방안을 명확히 이해하고, 미래 경쟁력을 강화하는 데 필요한 기초 자료를 확보할 수 있을 것입니다.

3. LLM 유즈케이스 정의

• 오늘날 정보 기술의 발전에 따라 인공지능(AI) 특히 대규모 언어 모델(LLM)의 활용은 이미 대부분의 산업에서 혁신적인 변화를 이끌고 있습니다. 보험업계 또한 이 흐름에 발맞추어 인공지능을 통한 고객 경험 개선, 업무 효율화, 리스크 관리 등을 위해 LLM 기반의 유즈케이스를 탐색하는 데 주력하고 있습니다. 이러한 변화는 단순히 기술 도입을 넘어, 보험사의 운영 방식과 고객 서비스의 패러다임을 재정의하는 중요한 계기가 되고 있습니다.

• 3-1. 고객 상담 자동화 챗봇

• 고객 상담 자동화 챗봇은 LLM의 고유한 강점을 활용하여 24시간 고객에게 신속하고 정확한 상담 서비스를 제공합니다. AI 기반 챗봇은 고객의 다양한 질문에 실시간으로 응답할 수 있으며, 복잡한 보험 용어도 쉽게 설명할 수 있는 기능을 갖추고 있습니다. 이러한 챗봇은 고객 경험을 향상시킬 뿐만 아니라, 보험 상담원에게 발생할 수 있는 업무 부담을 줄여주는 효과가 있습니다.

• 최근 조사에 따르면 대다수의 보험사 CEO들은 AI 챗봇을 소비자 상담 분야에서 가장 중점적으로 활용하고자 하는 의지를 보였습니다. 이러한 움직임은 고객의 문의사항을 신속하게 해결하고, 고객 만족도를 높이는 데 기여할 것으로 기대됩니다.

• 3-2. 보험 언더라이팅 지원 분석

• 보험 언더라이팅 과정은 복잡한 데이터 분석과 위험 평가가 요구됩니다. LLM은 대량의 데이터를 신속하게 분석할 수 있는 능력을 갖추고 있어 이 분야에서도 효과적으로 활용될 수 있습니다. 보험사의 언더라이팅 팀은 LLM을 사용하여 고객의 정보를 분석하고, 관련 시장 데이터를 기반으로 위험을 평가함으로써 보다 정교하고 신뢰성 높은 결정-making을 지원받을 수 있습니다.

• 예를 들어, LLM은 과거의 보험 청구 기록, 고객의 건강 데이터를 기반으로 의사결정을 도와줄 수 있으며, 이는 보험사의 리스크를 최소화하고 수익성을 극대화하는 데 중요한 역할을 합니다.

• 3-3. 내부 보고서 자동 생성 및 요약

• 보험사 내부에서는 매일 수많은 보고서와 데이터 분석 결과가 생성됩니다. 이러한 문서들은 종종 방대하므로, LLM을 활용한 자동 보고서 생성은 업무 효율성을 크게 개선할 수 있습니다. LLM은 데이터를 기반으로 자동으로 문서를 생성하고 요약할 수 있는 기능을 갖추고 있습니다.

• 이러한 과정을 통해 직원들은 보다 창의적인 업무에 집중할 수 있으며, 실수를 줄이고, 시간을 절약하는 효과를 기대할 수 있습니다.

• 3-4. 고객 맞춤형 재무설계 제안

• LLM의 맞춤형 추천 시스템 기능은 고객 맞춤형 재무설계에 큰 기여를 할 수 있습니다. 고객의 재무 상황과 필요를 분석하여 최적의 보험 상품과 재무 계획을 제안함으로써 보다 개인화된 서비스 경험을 제공합니다.

• 고객 맞춤형 재무설계는 보험사와 고객 간의 유대감을 강화시키고, 고객의 만족도와 신뢰도를 증대시키는 기회가 될 것입니다. AI를 활용하여 고객의 상황에 맞는 혜택을 강조하는 방향으로 나아가면, 고객 유지율 높이기에도 긍정적인 영향을 미칠 것입니다.

• 3-5. 내부 업무 자동화(RPA 연계)

• 업무 자동화는 LLM과 로봇 프로세스 자동화(RPA)를 결합하여 효율성을 극대화할 수 있습니다. 보험사의 여러 내부 프로세스는 반복적이고 규칙 기반의 업무가 많기 때문에, 이러한 업무에 LLM과 RPA를 통한 자동화를 적용하면 많은 시간과 인력을 절약할 수 있습니다.

• 예를 들어, 고객의 문의사항을 접수하고 기록하는 과정에서 LLM이 고객의 요청을 이해하고 RPA가 이를 기록하는 형식으로 연계하여, 전체 프로세스를 단축시킬 수 있습니다. 그러한 시스템은 궁극적으로 보험사의 운영 비용을 절감하고, 직원들에게 보다 가치 있는 업무에 집중할 수 있는 기회를 제공할 것입니다.

4. 내부데이터 요구사항 매핑

• 교보생명은 LLM(대규모 언어 모델) 도입을 통해 고객 및 내부 직원에게 맞춤형 AI 서비스를 제공하기 위한 기반을 마련하고 있습니다. 이를 위해 가장 먼저 해결해야 할 과제가 각 유즈케이스별로 필요한 내부 데이터를 정의하고 매핑하는 것입니다. 내부 데이터 요구사항의 체계적인 정리는 프로젝트의 성공 가능성을 높이고, 데이터 확보 및 정제 과정을 간소화하는 데 기여합니다.

• 4-1. 고객 프로파일·계약 이력·청구 이력

• 고객의 프로파일, 계약 이력 및 청구 이력은 고객 맞춤형 AI 서비스의 기초가 되는 데이터입니다. 고객 프로파일 데이터에는 개인의 기본 정보, 보험 상품 선택 이력 및 라이프사이클에 따른 변화가 포함됩니다. 이 정보를 통해 AI는 고객의 특성과 요구를 보다 정확히 이해하고 예측할 수 있습니다.

• 계약 이력은 고객이 체결한 보험 상품의 세부 사항을 포함하며, 이는 고객의 보장 필요를 맞춤형으로 설계하는 데 필수적입니다. 청구 이력 데이터는 고객의 청구 기록을 기반으로 특정 상품이나 서비스에 대한 고객의 만족도와 그 필요성을 분석할 수 있게 도와줍니다.

• 4-2. 콜센터 대화 로그·FAQ 문서

• 콜센터 대화 로그는 고객의 질문과 요구 사항을 직접적으로 반영하는 데이터 소스로서, AI가 고객 응대의 패턴을 학습하는 데 다소 중요한 역할을 합니다. 이러한 대화 로그를 분석함으로써, 주요 이슈 및 고객의 반응 패턴을 식별할 수 있어, 나아가 상담 서비스를 개선하는 데 큰 도움이 됩니다.

• FAQ 문서는 자주 묻는 질문들을 정리한 자료로, 고객이 흔히 요청하는 정보와 문제 해결 방법을 포함하고 있습니다. AI는 이를 통해 고객이 필요로 하는 정보를 신속하게 제공할 수 있으며, 고객이 자주 실수하는 문의사항을 미리 파악하여 사전 대응할 수 있는 기회를 제공합니다.

• 4-3. 언더라이팅 심사 결과·리스크 지표

• 언더라이팅 심사 결과 데이터는 가입자의 위험도 평가 결과를 기록한 것으로, 보험사의 수익성과 마진을 결정하는 데 중요한 기초 데이터입니다. 이러한 정보를 통해 AI는 고객의 구체적인 위험 프로파일을 예측하고, 보다 맞춤형의 재무 설계를 제공할 수 있습니다.

• 리스크 지표 역시 언더라이팅 과정에서 생성되는 데이터로, 특정 대출 상품이나 보험 상품에 대한 리스크를 정량적으로 제시합니다. 이 지표들은 향후 계약 체결 시 고객의 리스크를 정확히 분석하고, 최적의 상품을 추천하는 데 필수적으로 활용됩니다.

• 4-4. 재무정보·보장 설계 템플릿

• 재무정보는 고객의 재정 상태를 파악하는 데 중요한 역할을 합니다. 소득, 자산, 부채 및 투자 포트폴리오 등의 데이터를 통해 고객의 재정적 목표를 정의하고, 맞춤형 재무 설계를 위한 기초 정보를 제공합니다.

• 보장 설계 템플릿은 고객의 필요와 요구에 기반하여 보험 상품을 설계할 수 있도록 도와주는 중요 자료입니다. 이 템플릿을 통해 LLM은 고객별로 가장 적합한 보장 내용을 제안할 수 있으며, 이는 고객의 관심을 끌고 지속적인 관계를 형성하는 데 기여합니다.

• 4-5. RPA 트리거 이벤트·업무흐름 매뉴얼

• RPA(로봇 프로세스 자동화) 트리거 이벤트 데이터는 고객 서비스나 과정에서 발생하는 각종 자동화 작동 신호를 기록합니다. 이 데이터는 AI가 처리할 수 있는 업무의 범위를 확장하고, 소비자 서비스를 향상시키는 데 중요한 역할을 합니다.

• 업무흐름 매뉴얼은 AI의 자동화 시스템이 효과적으로 운영될 수 있도록 돕는 구조적 자료입니다. 이 매뉴얼을 통해 교보생명은 LLM을 지원하여 고객 서비스의 속도와 품질을 높일 수 있으며, 보다 효율적인 업무처리를 가능하게 합니다.

5. 실행 로드맵 및 우선순위

• 최근 인공지능 기술, 특히 대규모 언어 모델(LLM)의 발전은 보험 산업에 큰 변화를 가져오고 있습니다. 이러한 변화는 교보생명과 같은 보험사에서 내부 직원과 고객을 위한 맞춤형 AI 서비스의 필요성을 더욱 강조하고 있습니다. LLM을 활용한 서비스 도입은 단지 기술적 혁신을 넘어 기업의 경쟁력 강화와 고객 만족도를 높이는 데 기여할 수 있습니다.

• 그러나 이러한 변화가 성공적으로 이루어지기 위해서는 체계적이고 단계적인 실행 로드맵이 필수적입니다. 이를 통해 각 유즈케이스에 적합한 내부 데이터 정의, 보안 및 승인 프로세스의 설정, 그리고 필요한 전체적인 리소스 산정이 이루어져야 한다는 점은 매우 중요합니다.

• 5-1. PoC 단계별 목표 및 평가 지표 설정

• PoC(Proof of Concept)는 LLM을 기반으로 하는 서비스를 실제 환경에 적용하기 전에 그 가능성을 검증하는 중요한 단계입니다. 이 단계에서는 각 유즈케이스에 대해 구체적인 목표를 설정하고, 이를 평가하기 위한 지표를 정립해야 합니다. 예를 들어, 고객 상담 자동화 챗봇의 경우 응답 정확도, 처리 속도, 고객 만족도 등을 주요 지표로 삼을 수 있습니다.

• 이러한 평가 지표는 각 단계에서의 성공 여부를 판단하는 기준이 되며, PoC가 성공적으로 완료된 경우 다음 단계로의 진행 여부에 대한 중요한 판단 자료가 됩니다. 따라서, 초기 단계에서 접근성과 관련된 실질적인 피드백을 받아 이 루틴을 지속적으로 개선해야 합니다.

• 5-2. 내부 검증(보안·성능·사용성) 일정

• 내부 검증 단계에서는 LLM 도입으로 인한 보안, 성능, 그리고 사용성에 대한 철저한 점검이 필요합니다. 특히 보험사와 같은 금융기관에서는 고객 정보와 민감한 데이터를 다루기 때문에 보안 문제가 가장 큰 우선 사항으로 다뤄져야 합니다.

• 성능에 대한 검증은 모델이 요청에 따라 얼마나 빠르고 정확하게 응답할 수 있는지를 측정하는 과정입니다. 따라서, 각 유즈케이스의 요구사항에 맞는 테스트를 설계하고 실행하여, 실질적인 사용 환경에서의 성능 저하가 발생하지 않도록 해야 합니다. 사용성의 경우, 최종 사용자, 즉 내부 직원과 고객들이 AI 시스템을 이용하는 과정에서의 편리함과 접근성을 평가하는 것이 중요합니다.

• 5-3. 파일럿→전사 확장 스케줄과 필요한 리소스 산정

• 파일럿 단계에서 성공적으로 검증이 이루어진 후, 전사로의 확장을 계획해야 합니다. 이 과정에서 고려해야 할 주요 요소는 시간적 스케줄과 필요한 인력, 예산, IT 인프라 등의 리소스입니다. 확장 일정은 각 유즈케이스별 특성과 검증 결과를 바탕으로 유연하게 설정되어야 합니다.

• 예를 들어, 고객 상담 자동화에 대한 파일럿이 성공적으로 진행되었다면, 이를 여러 부서와 팀으로 확대하는 과정을 체계적으로 설계할 수 있습니다. 이 과정에서 각 팀의 교육과 시스템 연동이 원활하게 이루어지도록 지원해야 하는 점도 중요하며, SAP와 같은 기존 시스템과의 통합 문제 등도 미리 점검하고 해결 방안을 마련해야 합니다.

6. 리스크 및 보안·컴플라이언스 대응

• 디지털 혁명이 가속화됨에 따라 기업과 조직은 대규모 언어 모델(LLM)을 활용한 다양한 서비스 구현에 나설 수밖에 없습니다. 그러나 LLM의 도입은 많은 기회를 제공하는 동시에 심각한 리스크와 보안 문제를 동반하기에, 특히 보험업계와 같이 민감한 데이터가 다뤄지는 분야에서는 철저한 대응이 필수적입니다.

• 대규모 언어 모델의 발전은 기업의 운영 방식과 고객 서비스 패러다임을 근본적으로 변화시키고 있습니다. 하지만 보안 위협이 증가함에 따라 LLM을 효과적으로 활용하기 위해서는 명확한 리스크 관리 및 보안 프레임워크 구축이 필수적입니다. 이 섹션에서는 프라이버시 리스크 관리 모델 제안, 프롬프트 인젝션 및 민감 정보 유출 대응 방안, 그리고 개인정보 보호법과 금융규제 준수를 위한 체크리스트를 제시합니다.

• 6-1. 프라이버시 리스크 관리 모델 제안

• 대규모 언어 모델(LLM)의 환경은 개인정보가 정보주체의 인식 없이 수집되고 처리되는 문제로 고민하고 있습니다. 이를 해결하기 위해, 완전한 프라이버시 리스크 관리 모델이 필요합니다. 제안된 모델은 LLM의 개인정보 처리 생명주기를 고려하여 정보주체 관점에서 리스크를 체계적으로 관리할 수 있습니다.

• 우선, 개인정보 보호법 제4조에서 명시된 정보주체의 권리를 반영하는 것이 중요합니다. 이 모델은 정보주체의 권리를 명확히 하여, 정보주체가 자신의 개인정보를 직접적으로 제어할 수 있도록 설계되었습니다. 리스크 관리 모델은 단계별로 리스크를 식별하고 평가하며, 주변의 보안 환경을 주기적으로 모니터링합니다. 이는 개인정보의 처리와 관련된 모든 단계에서 발생할 수 있는 리스크를 최소화하기 위한 것입니다.

• 또한, 이 모델은 LLM이 자동으로 데이터를 수집하고 학습하는 과정에서 발생할 수 있는 문제를 사전에 인식하고, 관련 정책 및 기술적 수단을 마련하여 리스크를 사전에 차단하도록 돕습니다. 이를 통해 정보주체는 자신의 권리가 보장된다는 신뢰를 가질 수 있게 됩니다.

• 6-2. 프롬프트 인젝션·민감 정보 유출 대응 방안

• 프롬프트 인젝션은 LLM의 보안 위협 중 하나로, 사용자가 의도적으로 악의적인 명령을 입력하여 시스템의 출력을 조작하는 공격 방식입니다. 예를 들어, 관리 비밀번호를 포함한 악성 프롬프트를 삽입함으로써 시스템의 의도를 왜곡할 수 있습니다. 이러한 공격은 LLM의 설계 구조적 결함을 이용한 것이며, 이로 인해 민감한 정보가 유출될 수 있습니다.

• 이에 대응하기 위해서는 다층 방어 체계를 구축하는 것이 중요합니다. 입력 필터링, 출력 모니터링, 권한 통제 등의 여러 계층에서 방어 수단을 마련해야 합니다. 예를 들어, 입력 단계에서 프롬프트 인젝션을 탐지하는 알고리즘을 적용하고, 출력 단계에서는 민감 정보를 마스킹하는 필터를 사용해야 합니다.

• 또한, LLM의 출력을 분석하여 비 정상적인 응답을 차단할 수 있는 기능도 필요합니다. 이를 위해서는 보안 특화 LLM을 개발하여 민감 정보에 대한 토큰 확률을 낮추고, 시스템의 정상적인 응답 패턴과 비교함으로써 잠재적인 위협을 사전에 식별할 수 있습니다.

• 6-3. 개인정보보호법·금융규제 준수 체크리스트

• 보험업계에서 LLM을 도입하기 위해서는 개인정보 보호법과 다양한 금융규제를 철저히 준수해야 합니다. 이를 위해 고려해야 할 체크리스트는 다음과 같습니다.

• 첫째, LLM이 수집하는 데이터의 종류를 명확히 하여, 필요 최소한의 데이터만 수집하는 것이 중요합니다. 둘째, 사용자에게 데이터 이용 목적을 명확히 고지하고 동의를 받아야 합니다. 셋째, 개인정보 본인의 동의를 받은 후에만 데이터를 처리해야 하며, 처리된 데이터는 주기적으로 검토하여 정기적으로 삭제해야 합니다.

• 넷째, 개인정보의 안전한 관리를 위한 기술적 수단을 마련하고, 사고 발생 시 위기 대응 절차를 수립해야 합니다. 또한, 내부 관리 체계를 구축하여 개인정보 보호 교육을 실시하여 모든 구성원이 의식을 가질 수 있도록 하여야 합니다. 마지막으로, 금융 규제 관련 사항을 충분히 이해하고 준수하며, 필요한 경우 외부 감사를 통해 내부 시스템을 점검하는 것이 필요합니다.

• 이러한 체크리스트를 통해 기업은 리스크를 최소화하고, 법적 규정을 준수하며 안전한 LLM 서비스를 제공할 수 있습니다.

7. 결론

• 본 리포트는 교보생명이 LLM을 효과적으로 도입하기 위해 필요한 5대 유즈케이스와 각 유즈케이스별 내부 데이터 요구사항을 상세히 분석하였습니다. 고객 상담 자동화부터 재무설계 제안까지 다양한 활용 방안을 통해 교보생명은 고객의 기대에 부응하며, 내부 업무의 효율성 또한 극대화할 수 있습니다.

• LLM의 성공적인 도입을 위해서는 체계적인 실행 로드맵과 철저한 리스크 관리가 필요합니다. 이와 함께 보안 및 컴플라이언스 방안도 마련함으로써, 교보생명은 안전하면서도 혁신적인 서비스를 제공하는데 기여하게 될 것입니다. 기술적 변화가 빠른 이 시점에서, 적극적인 대응과 지속적인 개선이 기업 경쟁력을 높이는 지름길이 될 것입니다.

• 리포트에서 제시된 실행 방안과 데이터 매핑은 교보생명이 향후 더 나은 AI 기반 서비스를 구축하기 위한 중요한 기반이 될 것입니다. 데이타 확보와 처리 과정의 최적화를 통해 고객의 요구에 부응하는 맞춤형 서비스 제공이 이루어질 것으로 기대합니다.

용어집

• LLM: 대규모 언어 모델(Large Language Model)은 방대한 양의 데이터를 학습하여 자연어 처리 작업을 수행하는 인공지능 모델로, 고객 상담 자동화와 같은 분야에서 활용됩니다.

• 유즈케이스: 특정 비즈니스 문제를 해결하기 위해 설계된 LLM의 활용 사례를 의미하며, 고객 상담 챗봇, 보고서 자동 작성 등 다양한 형태가 있습니다.

• 언더라이팅: 보험 가입자의 위험을 평가하고 결정하는 과정으로, 대규모 데이터 분석을 통해 고객 정보를 평가하고 보험 상품을 제안합니다.

• RPA: 로봇 프로세스 자동화(Robotic Process Automation)는 반복적인 업무를 자동으로 처리하여 업무 효율성을 높이는 기술입니다.

• 프롬프트 인젝션: 사용자가 인공지능 모델에 악성 명령을 입력하여 시스템의 출력을 조작하는 공격 방식으로, 보안 위협의 일종입니다.

• 데이터 매핑: 각 유즈케이스에서 필요한 내부 데이터를 정의하고 분류하는 과정으로, AI의 효과적인 도입에 필수적입니다.

• 고객 프로파일: 고객의 기본정보와 보험상품 선호도를 포함한 데이터로, 맞춤형 서비스 제공의 기초가 됩니다.

• FAQ 문서: 자주 묻는 질문을 정리한 자료로, 고객 문의에 대한 신속한 대응을 가능하게 하는 데이터입니다.

• 정보주체: 개인정보가 수집, 처리되는 기본적인 권리의 주체로, 개인정보 보호 정책에서 중요한 개념입니다.

• 리스크 관리 모델: 위험 요소를 식별하고 평가하여 최소화하기 위한 체계적인 접근 방식을 설명하는 모델로, 개인정보와 관련된 리스크를 관리하는 데 필요합니다.

출처 문서

• 연구행정기관의 디지털 감사 도입 방안 연구https://webzine.nrf.re.kr/e-alim/alim_369/file/[NRF%20ISSUE%20REPORT%202025-3%ED%98%B8]%20%EC%97%B0%EA%B5%AC%ED%96%89%EC%A0%95%EA%B8%B0%EA%B4%80%EC%9D%98%20%EB%94%94%EC%A7%80%ED%84%B8%20%EA%B0%90%EC%82%AC%20%EB%8F%84%EC%9E%85%20%EB%B0%A9%EC%95%88%20%EC%97%B0%EA%B5%AC.pdf
• 17개 보험사 CEO “챗봇·고객 보장 분석에 AI 적극 도입”http://old.fntimes.com/pdf/2024/02/202402260613.pdf
• 대규모 언어 모델(LLM) 환경의 프라이버시 리스크 대응을 위한 ...https://koreascience.kr/article/JAKO202519561207837.pdf
• 전력산업에서 대규모언어모델(LLM) 활용 방향에 관한 연구https://conf.kics.or.kr/2024s/media?key=site/2024s/abs/0683-VNIOI.pdf
• 작지만 강력한 SLM…기업들이 LLM 대신 선택하는 4가지 이유 < AI·엔터프라이즈 < 기사본문 - 디지털투데이 (DigitalToday)https://www.digitaltoday.co.kr/news/articleView.html?idxno=577304
• 거대언어모델(LLM)의 보안 위협과 대응 전략https://www.dailysecu.com/news/articleView.html?idxno=167552