대규모 언어모델을 활용한 상황 인지 기반 협업 일정 관리 에이전트 설계 및 구현
Design and Implementation of a Context-Aware Collaborative Scheduling Agent Powered by Large Language Models
- 발행기관 국립강릉원주대학교 산업대학원
- 지도교수 도움말 이은석
- 발행년도 2025
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 도움말 산업대학원 멀티미디어공학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000012297
- UCI I804:42001-000000012297
- 본문언어 한국어
초록/요약 도움말
본 연구는 대규모 언어모델(Large Language Model, LLM)을 활용하여 개인의 캘린더 스트림을 통합하고, 자연어 기반의 일정 생성·조회·조정 과정을 자동화하는 협업 일정 관리 시스템을 설계·구현하는 데 목적이 있다. 기존 일정 관리 방식은 사용자가 직접 가용 시간을 비교하거나 여러 참여자와 반복적으로 조율해야 하는 수동적 구조에 의존해 왔으며, 특히 다중 사용자 환경에서는 일정 충돌 탐지와 대체 시간 조정에 많은 시간과 인적 노력이 요구되었다. 이러한 한계를 극복하기 위해 본 연구는 대규모 언어모델의 자연어 이해 능력과 함수 호출 기반 구조화 응답을 결합하여, 사용자의 언어적 요청을 캘린더 API가 요구하는 명령 데이터(JSON)로 자동 변환하는 중간 계층을 설계하였다. 또한 Google Calendar API 및 Microsoft Graph Calendar API와의 연동을 위해 OAuth 2.0 인증 구조를 적용하여 사용자 일정 데이터 접근 과정의 보안성과 신뢰성을 확보하였다. 제안된 시스템은 대규모 언어모델 오케스트레이터, 함수 어댑터, OAuth 인증 모듈, 캘린더 연동 모듈, Free/Busy 기반 가용성 계산 엔진, 로그·감사 저장소 등으로 구성되며, 자연어 입력부터 일정 생성·조정·저장에 이르는 전 과정을 자동화한다. Free/Busy 데이터 분석을 통해 다중 사용자 일정 스트림에서 공통 가용 시간대를 계산하고, 일정 충돌 발생 시 대체 가능한 후보 시간대를 자동 제안하는 기능을 포함하여 협업 일정 조정의 복잡성을 최소화하였다. 실험에서는 실제 팀 단위 협업 환경을 모사하여 대규모 언어모델 기반 시스템과 기존 수동 방식의 일정 관리 성능을 비교하였다. 그 결과 대규모 언어모델 기반 방식은 일정 생성 성공률, 최초 시도 성공률, 응답 시간, 다중 사용자 확장성, 사용자 만족도 등 주요 지표에서 우수한 성능을 보였으며, 특히 일정 조율 과정에서의 반복 작업 감소와 자연어 인터페이스의 편의성이 사용자 경험 향상에 기여함을 확인하였다. 본 연구는 자연어 기반 협업 일정 자동화의 실질적 가능성을 실증적으로 검증했으며, 대규모 언어모델과 개인 일정 스트림의 통합이 조직 내 일정 조정 부담을 완화하고 협업 생산성을 향상할 수 있음을 제시한다. 제안된 시스템은 향후 기업 환경에서의 자동 일정 조율, 개인화된 일정 추천, 멀티에이전트 기반 일정 관리 등 다양한 응용 연구의 기반으로 활용될 수 있을 것으로 기대된다.
more목차 도움말
제 1 장. 서론 1
1.1 연구 배경 및 필요성 1
1.2 연구의 목적 2
1.3 연구의 내용 및 방법 3
1.4 논문의 구성 5
제 2 장. 관련 연구 6
2.1 대규모 언어모델의 발전 6
2.2 함수 호출 기반 구조화 응답과 시스템 통합 기술 7
2.3 OAuth 2.0 인증 기반 캘린더 데이터 통합 구조 8
2.4 캘린더 API 및 협업 일정 관리 연구 동향 10
2.5 선행 연구 비교 및 본 연구의 차별성 12
제 3 장. 이론적 배경 14
3.1 대규모 언어모델의 구조와 작동 원리 14
3.2 함수 호출 메커니즘 15
3.3 프롬프트 엔지니어링 이론 18
3.4 캘린더 API 및 OAuth 2.0 인증 구조 20
제 4 장. 시스템 설계 및 구현 22
4.1 시스템 설계 개요 22
4.2 시스템 구성 및 데이터 흐름 23
4.3 모듈별 세부 설계 25
4.4 데이터 흐름 다이어그램 27
4.5 주요 구현 기술 28
4.6 보안 및 예외 처리 설계 30
제 5 장. 실험 환경 및 평가 32
5.1 실험 목적 32
5.2 실험 환경 구성 32
5.3 실험 참가자 및 시나리오 구성 32
5.4 평가 지표 및 측정 방법 33
5.5 실험 결과 및 분석 34
5.6 실험 결과의 시사점 36
제 6 장. 논의 38
6.1 연구 결과의 종합적 해석 38
6.2 프롬프트 품질과 모델 성능의 상관관계 38
6.3 데이터 완전성과 현실적 제약 요인 39
6.4 인간–대규모 언어모델 협력의 시사점 39
6.5 요약 40
제 7 장. 결론 41
7.1 연구 요약 41
7.2 연구의 주요 기여 41
7.3 학문적 및 실무적 의의 42
7.4 연구 한계 42
7.5 맺음말 43
참고문헌 44
