[KT_Aivle] 3차 미니프로젝트 후기 - 개인 비서 챗봇 구축

안녕하세요! 에이블 스쿨 기자단입니다! 

지난 3차 미프 시간에는 김대리를 위한 개인 비서 챗봇을 구축하는 시간을 가졌는데요, 보안 상 작성할 수 없는 부분들은 제외하고 한번 블로그에 회고하는 시간을 가졌습니다. 

1. 프로젝트 개요

이번 미니프로젝트 3차에서는 회의 내용을 분석하고, 업무 지시사항을 정리해주는 AI 개인비서 서비스를 구현했다.
서비스 이름은 ‘에이블(AIBLE)’로, 회의록을 단순히 요약하는 수준을 넘어 사용자의 업무 흐름을 도와주는 회의 분석 어시스턴트를 목표로 했다. 프로젝트 주제는 자세히는 말하지 못하지만 간단하게는 다음과 같다.

회의록과 회의 내용을 분석하고, 최소 요구 기능+팀이 원하는 기능을 지원하는 AI 개인비서 구축

 

실제 업무 환경에서는 회의 내용이 길어질수록 중요한 결정 사항이나 담당 업무를 놓치기 쉽다. 특히 회의에 참석하지 못한 사람이 나중에 내용을 확인해야 하는 경우, 전체 회의록을 읽고 핵심 업무를 파악하는 데 많은 시간이 필요하다.

이번 프로젝트에서는 이러한 문제를 해결하기 위해 회의록 분석, 업무 지시사항 추출, 민감정보 감지, 회의 기반 질의응답, 이메일 발송, 결과 다운로드 기능을 하나의 Streamlit 서비스로 구현했다.

---

2. 문제 인식

회의 업무에서 가장 큰 문제는 정보가 많다는 점이다.
회의록에는 여러 사람의 발언, 결정 사항, 논의 배경, 일정, 담당 업무가 섞여 있다. 이 중 실제로 사용자가 확인해야 하는 정보는 다음과 같다.

첫째, 회의에서 무엇이 결정되었는지
둘째, 누가 어떤 업무를 맡았는지
셋째, 업무 기한과 우선순위는 무엇인지
넷째, 공유 전에 민감정보가 포함되어 있지는 않은지
다섯째, 회의에 참석하지 못한 사람이 빠르게 내용을 이해할 수 있는지

따라서 이번 프로젝트에서는 단순 요약이 아니라 업무 실행으로 이어질 수 있는 회의 분석 서비스를 만드는 것을 목표로 했다.

---

3. 서비스 목표

이번 프로젝트의 핵심 목표는 AI가 회의 내용을 이해하고, 사용자가 바로 업무에 활용할 수 있는 형태로 정리해주는 것이었다.

구현 목표는 크게 네 가지였다.

1. 회의록 분석 및 요약
   회의 제목, 목적, 주요 안건, 결정 사항, 전체 요약을 자동으로 정리한다.
2. 담당 업무 및 우선순위 추출
   회의 내용에서 담당자별 업무를 추출하고, 업무의 우선순위를 높음·보통·낮음으로 분류한다.
3. 민감정보 감지 및 보안 경고
   개인정보, 전화번호, 주민번호, 급여·인사 정보, 대외비 표현 등이 포함되어 있는지 확인한다.
4. 업무 후속 처리 지원
   회의 결과를 바탕으로 리마인드 메일을 작성하고, 회의 요약 결과를 TXT 파일로 다운로드할 수 있도록 한다.

---

4. 구현한 서비스: Meeting AI 회의 분석 어시스턴트

최종 서비스는 Streamlit 기반 웹 인터페이스로 구현했다.
사용자는 회의록 텍스트 파일을 업로드하거나, 음성 파일을 업로드하거나, 직접 텍스트를 입력할 수 있다.

서비스 화면은 KT Enterprise의 업무용 서비스 느낌을 살리기 위해 KT 로고 컬러와 비즈니스용 UI 스타일을 적용했다.
또한 사용자가 기능을 쉽게 사용할 수 있도록 결과 화면을 탭 구조로 나누었다.

최종적으로 구성한 탭은 다음과 같다.

탭기능

회의 요약	회의 제목, 목적, 결정 사항, 주요 안건, 전체 요약 출력
할 일 & 우선순위	담당자별 업무, 기한, 우선순위 정리
원문 보기	핵심 키워드와 회의 원문 확인
메일 발송	회의 결과 기반 리마인드 메일 초안 생성 및 발송
질의응답	회의 원문을 바탕으로 GPT와 멀티턴 대화
다운로드	회의 요약, 할 일, 원문을 TXT 파일로 저장

---

5. 주요 기능 정리

5-1. 회의 내용 분석

회의록을 입력하면 GPT 모델이 회의 내용을 JSON 형식으로 분석한다.
분석 결과에는 회의 제목, 목적, 결정 사항, 담당 업무, 주요 안건, 전체 요약, 키워드가 포함된다.

코드에서는 analyze_meeting() 함수를 통해 회의 내용을 분석했다.

 

def analyze_meeting(text):
    today = datetime.now().strftime("%Y년 %m월 %d일")

    prompt = f"""
다음은 오늘({today}) 진행된 회의 내용입니다. 아래 JSON 형식으로 분석하세요. 반드시 JSON만 출력하세요.

회의 내용:
{text}

{{
  "meeting_title": "회의 제목",
  "purpose": "회의 목적",
  "decisions": ["결정 사항 리스트"],
  "tasks": [
    {{"person":"담당자","task":"업무 내용","deadline":"기한","priority":"high|medium|low"}}
  ],
  "agenda_items": ["안건 리스트"],
  "summary": "전체 요약",
  "keywords": ["키워드1", "키워드2"]
}}
"""

 

이 부분에서 중요한 점은 모델이 자유롭게 문장을 생성하는 것이 아니라, 서비스에서 바로 활용할 수 있도록 정해진 JSON 구조로 결과를 반환하도록 설계했다는 점이다.

이를 통해 분석 결과를 회의 요약 탭, 할 일 탭, 이메일 생성, 다운로드 기능에 재사용할 수 있었다.

---

5-2. 담당 업무 및 우선순위 추출

회의록에서 담당자별 업무를 추출하고, 업무의 중요도를 high, medium, low로 분류했다.
사용자 화면에서는 이를 각각 다음과 같이 표시했다.

 

PRIORITY_LABEL = {
    "high": "🔴 높음",
    "medium": "🟡 보통",
    "low": "🟢 낮음"
}

 

이 기능을 통해 사용자는 회의록 전체를 다시 읽지 않아도 누가 어떤 업무를 해야 하는지, 어떤 일을 먼저 처리해야 하는지 빠르게 확인할 수 있다.

특히 회의에 참석하지 못한 사람도 회의 이후 자신의 업무를 바로 파악할 수 있다는 점에서 실무 활용성이 높다고 느꼈다.

---

5-3. 회의 결과 기반 이메일 생성 및 발송

회의가 끝난 후에는 회의 내용을 참석자나 불참자에게 공유해야 한다.
이를 위해 회의 분석 결과를 바탕으로 리마인드 이메일 초안 생성 기능을 구현했다.

이메일 생성에는 gpt-4o-mini를 사용했고, 다음과 같은 규칙을 프롬프트에 포함했다.

• 정중하고 전문적인 어조로 작성
• 첫 문장은 “KT Enterprise IT기술혁신팀 DX Consulting AI 비서 AIBLE입니다.”로 시작
• 마지막 서명은 “AIBLE 드림”으로 종료
• 직원 개인 서명은 포함하지 않음

또한 SendGrid API를 활용해 실제 이메일 발송 기능도 연결했다.

 

def send_email(to, subject, body):
    api_key = os.getenv("SENDGRID_API_KEY", "")
    sender = os.getenv("EMAIL_ADDRESS", "")

    resp = requests.post(
        "https://api.sendgrid.com/v3/mail/send",
        headers={
            "Authorization": f"Bearer {api_key}",
            "Content-Type": "application/json"
        },
        json={
            "personalizations": [
                {
                    "to": [{"email": to}],
                    "subject": subject
                }
            ],
            "from": {"email": sender},
            "content": [
                {
                    "type": "text/plain",
                    "value": body
                }
            ],
        },
    )

    return resp.status_code == 202

 

이 기능을 통해 회의 분석 결과가 단순히 화면에 출력되는 것에서 끝나지 않고, 실제 업무 커뮤니케이션으로 연결될 수 있도록 했다.

---

5-4. 회의 내용 기반 질의응답

회의록을 분석한 이후에도 사용자는 추가로 궁금한 점이 생길 수 있다.
예를 들어 “김대리의 주요 업무가 뭐야?”, “가장 급한 일정이 뭐야?”, “회의에서 결정된 사항만 다시 알려줘”와 같은 질문을 할 수 있다.

이를 위해 회의 원문을 시스템 프롬프트에 포함하고, 사용자가 질문하면 회의 내용을 바탕으로 답변하는 챗봇 기능을 구현했다.

 

full_messages = [
    {
        "role": "system",
        "content": f"{sys_role_chat}\n\n[회의 원문]\n{st.session_state.transcript}"
    }
]

full_messages.extend(st.session_state.messages)

 

또한 st.session_state.messages를 활용해 대화 기록을 저장하고, 최근 10개의 대화를 기억하도록 구성했다.

이 부분을 통해 단발성 질의응답이 아니라 회의 기반 멀티턴 대화가 가능해졌다.

---

5-5. TXT 다운로드 기능

회의 분석 결과를 사용자가 다시 보관하거나 공유할 수 있도록 TXT 다운로드 기능도 추가했다.

다운로드 파일에는 다음 내용이 포함된다.

• 회의 제목
• 회의 목적
• 결정 사항
• 주요 안건
• 전체 요약
• 담당 업무 및 우선순위
• 핵심 키워드
• 회의 원문

처음에는 화면에 분석 결과를 출력하는 것만 고려했지만, 실제 업무에서는 결과를 저장하거나 전달해야 할 가능성이 높다고 판단했다.
그래서 st.download_button()을 활용해 회의 결과를 파일로 저장할 수 있도록 개선했다.

---

6. 사용한 기술 스택

이번 프로젝트에서 사용한 주요 기술은 다음과 같다.

구분사용 기술

UI 구현	Streamlit
LLM	GPT-4o, GPT-4o-mini
음성 인식	Whisper-1
이메일 발송	SendGrid API
배포	Hugging Face Spaces
스타일링	Custom CSS
상태 관리	Streamlit session_state
데이터 처리	JSON, 정규표현식, Python

이번 프로젝트에서는 단순히 LLM을 호출하는 것보다, LLM 결과를 서비스 기능과 연결하는 흐름이 중요했다.
특히 JSON 구조화, 세션 상태 관리, 탭 기반 UI 구성, 메일 발송 API 연동 등이 핵심 구현 포인트였다.

---

7. 프로젝트 시나리오

발표에서는 AB카드 DX 전략 수립 미팅을 예시 시나리오로 사용했다. (합성 시나리오 만들던 인턴 경력이 여기서....)

회의 상황은 다음과 같았다.

• 회의명: AB카드 DX 전략 수립 미팅
• 일시: 2026년 4월 30일 오전 10시
• 장소: 제2회의실
• 참석자: 팀장, 장과장, 박사원
• 김대리: WIS 현장 지원으로 회의 불참
• 에이블: 김대리를 대신해 회의 내용을 기록하고 요약

회의 주제는 AB카드의 디지털 전환 전략 수립이었다.
마케팅 데이터, 고객관리 데이터, 결제 승인 데이터가 분산되어 있는 문제를 해결하고, 데이터 레이크와 웨어하우스를 기반으로 AI 분석 환경을 고도화하는 방향을 논의했다.

이 시나리오를 통해 에이블이 단순 요약 도구가 아니라, 회의에 참석하지 못한 사람을 대신해 내용을 정리하고 후속 업무까지 도와주는 AI 개인비서라는 점을 보여주고자 했다.

---

8. 우리 조만의 차별점

분석 결과를 TXT 파일로 다운로드할 수 있다.
회의 요약, 담당 업무, 원문을 파일로 저장할 수 있어 회의 결과 관리가 편리하다. 단순히 화면에서 확인하는 것이 아니라 문서화와 공유까지 고려했다.

담당 업무와 우선순위를 자동으로 추출한다.
회의 내용을 사람이 직접 정리하지 않아도 담당자별 업무와 중요도를 자동으로 분류해준다. 이를 통해 업무 누락을 줄이고, 후속 조치의 속도를 높일 수 있다.

---

9. 구현하면서 어려웠던 점

이번 프로젝트에서 가장 신경 쓴 부분은 LLM 출력 결과를 서비스에서 안정적으로 활용하는 것이었다.

LLM은 자연어 답변에는 강하지만, 서비스 내부에서는 정해진 형식의 데이터가 필요하다.
따라서 회의 분석 결과를 반드시 JSON으로 출력하도록 프롬프트를 설계했고, 이후 json.loads()를 통해 Python 객체로 변환했다.

또 하나의 어려움은 Streamlit의 session_state 관리였다.
회의 분석 결과, 원문, 채팅 기록, 메일 초안이 각각 다른 탭에서 사용되기 때문에 상태를 잘 관리해야 했다.

예를 들어 새로운 회의록을 분석하면 이전 채팅 기록과 메일 본문이 남아 있으면 안 된다.
그래서 새로운 분석이 시작될 때 다음과 같이 상태를 초기화했다.

 

st.session_state.messages = []
st.session_state.mail_body = ""

 

이 과정을 통해 사용자가 새로운 회의록을 업로드했을 때 이전 결과와 섞이지 않도록 개선했다.

---

10. 개선하고 싶은 점

발표에서도 언급했지만 현재 서비스에도 몇 가지 한계가 있다.

첫째, 일정 정보를 텍스트로만 제공하기 때문에 실제 캘린더와 연결되지는 않는다.
향후에는 Google Calendar API를 연동해 회의록에서 추출한 일정을 자동으로 캘린더에 등록할 수 있도록 개선할 수 있다.

둘째, 현재는 한국어 중심으로 동작한다. (김대리가 한국인이긴 해서...)
글로벌 업무 환경을 고려하면 영어, 일본어, 중국어 등 다국어 회의록 분석과 이메일 작성 기능으로 확장할 수 있다.

셋째, 음성 명령은 주변 소음에 영향을 받을 수 있다.
이 부분은 팀원의 아이디어였다. 나는 전혀 고려하지 못한 부분이었는데 꽤나 좋은 아이디어라 생각해서 작성했다. 실제 회의실 환경에서는 여러 사람이 동시에 말하거나 배경 소음이 섞일 수 있으므로, 노이즈 캔슬링이나 화자 분리 기능을 추가하면 정확도를 높일 수 있다.

---

11. 3차 미프를 통해 배운 점 & 마무리 

이번 프로젝트를 통해 가장 크게 배운 점은 AI 기능을 실제 업무 흐름과 연결하는 방법이었다.

이전까지는 LLM을 활용해 답변을 생성하거나 요약하는 기능에 집중했다면, 이번 프로젝트에서는 요약 결과를 다시 이메일, 다운로드, 질의응답 기능과 연결했다. 단순히 “AI가 답변을 잘하는가”가 아니라, AI가 생성한 결과를 사용자가 실제 업무에서 어떻게 활용할 수 있는가를 고민한 프로젝트였다. 아마 DX로 일하게 되면 이런 부분을 가장 중점적으로 생각해야하지 않을까? 

 

미프에선 Streamlit을 활용해 사용자가 직접 사용할 수 있는 형태의 UI를 만들면서, AI 서비스에서 인터페이스의 간결함을 학교 다닐때보다 더 크게 느끼고 있다. 학교에서 프로젝트할 땐 컴공과다 보니까 더 완성도 있고 탄탄한 기본 웹/앱 구축하는데 시간을 많이 들렸다면 이젠 그냥 Streamlit을 조금 두드리면 바로 웹사이트가 만들어지니 신기하기도 하다.  

 

개인적으로 사이드 프로젝트를 하게 된다면 Streamlit을 적극 활용해서 테스트 구축을 위한 시간을 줄이고 문제 정의에 더 시간을 많이 들여야겠다고 생각이 들었다. 미프나 아이데이션 시간을 가질수록 중요한건 문제정의와 도메인에 대한 인식+자발적인 공부라는 생각이 든다.