Agentic AI

ai 개인 의료데이터 맞춤 플랫폼

서비스모델 소개

LLM 모델

1) RAG (Retrieval-augmented Generation) : ‘검색증강생성’ 모델은 대규모 언어 모델 출력을 최적화하여 응답 생성 전 학습 데이터 소스 외부의 신뢰할 수 있는 지식 베이스를 참조하도록 하는 프로세스

구성 : 사용자 → 프롬프트 입력
LLM이 응답하기 전에 검색(Search) 수행 → 관련 문맥(Context) 확보
LLM이 이 문맥을 기반으로 답변 생성
특징 : 최신 자료나 외부 데이터베이스 활용 가능
예 : Perplexity, GPT-4o, Gemini 2.5 Copilot 등
장점 : LLM의 한계를 보완해 더 정확하고 최신 응답 가능
한계 : 검색 품질에 따라 결과가 달라짐

① 프롬프트(Prompt) : 사용자의 초기 지시 또는 질의

② 메모리(Memory) : 상호작용 통한 정보 기억 및 지식 검색 기능으로 단기 ( 현재 세션용 ) 또는 장기 (세션 간 지속) 형태로 작동

③ 검색 및 컨텍스트(Search & Context) : RAG와 유사하게, 검색된 정보는 LLM에 정보 제공하는 컨텍스트 형성
( Hallucination 방지 및 정확도 향상 기여 )

④ LLMs : Agentic AI의 브레인 역할. 프롬프트, 메모리 및 컨텍스트 처리해 추론, 응답 및 계획 생성. 전문 LLM 또는 정교한 아키텍처 포함

⑤ 추론 및 계획(Reasoning & Planning) : 결과 도출 위해 단순 텍스트 생성이 아닌, 오더 이해/하위 목표로 분해함, 결과 도출 전 내부 사고 프로세스 선행

⑥ 서브 에이전트(Sub-Agents) : 효과적인 답변 출력을 위해 활용 가능한 외부 기능 혹은 타 AI 에이전트

※ 의료 부문 예시

⑦ Action(Actuators) : 결과에 따른 행동 수행 위해 AI가 외부와 상호작용하는 메커니즘 ( 이메일∙메시지 보 내기/ 로 봇 시스 템 제어 / DB 업데이트/ S/W와 상호작용 등 )

⑧ 다중모드 응답(Multi-Modal Answers) : 사용자 요구에 따라 이미지, 오디오, 비디오 등 구조화된 데이터로 정보 생성 및 제시

의료 마이데이터 연계 *CRO 디지털 시스템 구축 및 전장유전체(WGS) 데이터 기반 Agentic AI 분석·활용으로 제약사向 R&D 디지털 인프라 혁신

(*Contract research organization 임상시험수탁기관)

데이터 출처
- Clinical Data (임상 데이터)
- Medical Data (의료 데이터)
- WGS (Whole Genome Sequencing): 전장유전체 분석
- mRNA 데이터
RWD·RWE: 실제 임상 현장에서 발생하는 Real World Data / Real World Evidence
신약개발 데이터: 바이오마커, 환자군, 연구용 데이터
Patient Journey: 환자의 진단·치료·관찰 과정을 시간축으로 추적
특징 요소
- 규제 리스크 관리
- 데이터 Pool 확보
- Asian Cohort (아시아 표준 데이터셋) 구축 → 인종 특성 반영
- 의료 AI 분석: 임상·유전체·바이오마커 등 통합 분석

Agentic AI는 단순 분석이 아닌 다단계 추론·계획·실행이 가능한 AI로, 다음과 같이 활용됨:
- Clinical Trials AI: 임상시험 설계·분석 지원
- Real World Evidence AI: 실제 임상 데이터 기반 근거 도출
- Biomarker AI: 유전자·단백질 바이오마커 분석
- Drug Development AI: 신약 후보물질 발굴 및 개발 가속화