AI 에이전트 활용 사례
모든 태그 보기
안녕하세요, UMOS ONE Data & AI 팀에서 데이터 파이프라인과 AI Agent의 데이터 레이어를 만들고 있는 데이터 엔지니어 이승범입니다.
이 글은 MongoDB.local Seoul 2026에서 발표한 「쏟아지는 차량 IoT 데이터를 AI-ready로 만들기까지」의 두 번째 파트를 글로 옮긴 것입니다. 첫 번째 파트에서 김명국 님이 차량의 순간 스냅샷을 MongoDB Time Series로 쌓아 신뢰할 수 있는 정보로 만든 이야기를 했다면, 이 글은 그 정보를 AI Agent가 읽고 추론할 수 있는 형태로 바꾼 이야기입니다.
도시의 이동과 물류는 정적인 노선표나 하루 한 번의 배차만으로 운영하기 어렵습니다. 호출 수요가 바뀌고, 주문과 재고가 변하고, 차량과 시설의 상태도 계속 달라집니다. 그때마다 서로 다른 시스템을 열어 보고 판단한 뒤 현장에 전달하는 방식은 속도와 신뢰성 모두에서 한계가 있습니다.
잇은 UMOS ONE이 새롭게 공개한 통합 브랜드입니다. 모빌리티와 물류 곳곳에 흩어진 데이터와 흐름을 연결해, 서비스별 최적화를 넘어 하나의 운영 흐름으로 만든다는 방향을 담고 있습니다. 브랜드 소개에서 확인할 수 있듯, 잇은 각 서비스의 핵심을 연결해 더 직관적인 고객 가치를 만드는 이름이기도 합니다.
잇 AI(Connect AI)는 이 브랜드가 지향하는 연결을 AI 운영 기술로 구현하는 Smart City AI Package입니다. 수요, 경로, 시뮬레이션 결과, 기업 지식과 현장 실행을 하나의 운영 맥락으로 연결합니다.
잇 AI(Connect AI)는 이 문제를 수요 맞춤형 정류장, 물류 배차, 이산 사건 시뮬레이션, 온톨로지 기반 Agentic AI라는 네 가지 엔진으로 나누고, Fleet OS 위에서 다시 하나의 운영 closed loop로 연결합니다. 목적은 AI 기능을 추가하는 것이 아니라, 상황을 이해하고, 결과를 검증하고, 실행한 뒤 다시 운영 데이터로 학습하는 구조를 만드는 것입니다.
첫 커밋부터 한 달, 개발자가 아닌 QA가 개발 조직의 도움 없이 테스트케이스 관리 시스템(QMS)을 만들어 팀에 배포하기까지의 기록입니다.
AI와 함께 개발하며 발견한 시행착오는 대화가 끝나면 사라지기 쉽습니다. WMS 개발팀은 이를 후보로 모으고 사람이 검토해 다음 작업에서 다시 쓰는 규칙으로 남기고 있습니다. 공용 Drawer에서 발견한 문제 하나가 실제 팀 규칙으로 이어진 과정도 함께 소개합니다.
모든 팀원이 같은 기준으로 업무를 시작하고, 질문하고, 완료한다면 어떨까요? 요구사항 정리부터 구현, 테스트, MR, JIRA 정리까지 말이죠. 저희가 AI 하네스를 만들며 바란 건 이것이었습니다.
안녕하세요, UMOS Data/AI 팀에서 지식그래프를 개발하고 있는 데이터 분석가 이민식입니다.