Software Engineering (SELab)

기존 LLM 기반 소프트웨어 유지보수 멀티에이전트 프레임워크를 확장하여, 카메라, 센서, 로봇 등의 물리 장비를 제어하는 Physical AI 시스템에 적용합니다. 각 장비 제어 기능을 담당하는 에이전트를 LLM이 오케스트레이션하여, 고수준 명령 분해, 멀티모달 상황 인식, 행동 계획 수립 및 설명까지 수행하는 지능형 제어 프레임워크를 연구합니다.

• Natural Language Task Decomposition

  고수준 사용자 명령을 의미 단위 작업으로 분해

• Multimodal Perception Agents

  영상, 음성, 센서 데이터를 통합 분석하여 상황 인지

• LLM-Driven Planning and Control

  목표 달성을 위한 행동 계획 및 실행 명령 생성

• Edge-Level Actuation Agents

  로봇 팔, 카메라, IoT 장비 등을 위한 저수준 제어 신호 출력

• Explainable Physical AI

  판단 및 행동 근거를 자연어로 설명하여 신뢰성 확보

• Simulation-to-Real Transfer

  시뮬레이터에서 학습한 제어 전략을 실제 환경에 적용

LLM 기반 멀티에이전트 프레임워크를 CPS(Cyber-Physical Systems)의 지능형 유지보수 및 제어에 적용합니다. 센서, 엑추에이터, 제어 소프트웨어로 구성된 CPS 환경에서, 시스템 이상을 자율적으로 감지·진단·복구하고, 제어 흐름을 LLM이 동적으로 조정하는 오케스트레이션 기반 프레임워크를 연구합니다.

• Event Monitoring and Log Analysis

  센서 입력 및 시스템 로그를 분석하여 이상 탐지

• LLM-Based Fault Diagnosis

  시스템 오류 발생 시 원인 추론 및 영향 분석

• Dynamic Control Flow Adjustment

  상황 변화에 따른 제어 경로 동적 재구성

• Autonomous Recovery Planning

  Fail-safe 전략 수립 및 복구 시나리오 실행

• Secure CPS Operation

  보안 위협 탐지 및 자연어 기반 정책 적용

• Simulation-Based Pre-Validation

  ROS2, Gazebo 등 시뮬레이터에서 정책 사전 검증

소프트웨어 유지보수 전 주기를 지능적으로 자동화하기 위해, 단계별 전문 sLLM 기반 에이전트와 전체 프로세스를 통합·조율하는 오케스트레이터를 포함한 차세대 프레임워크를 연구합니다. 각 에이전트는 버그 탐지부터 수정, 검증, 배포에 이르는 모든 과정을 정밀하게 수행하도록 설계됩니다.

• 버그 리포트 생성 에이전트

  로그, 스택 트레이스, 사용자 피드백을 기반으로 구조화된 버그 리포트를 자동 작성하며, 의미 기반 검색으로 유사 사례를 탐색하고 관련 지식을 보강하여 리포트 품질을 고도화합니다.

• 버그 분석 에이전트

  결함 유형 분류, 심각도 산정, 영향 범위 분석을 수행하며, 과거 이력 및 실행 로그를 기반으로 원인 가설을 도출하여 후속 디버깅 및 수정 작업의 효율성을 극대화합니다.

• 버그 위치 추정 에이전트

  정적 분석과 동적 실행 추적을 결합하여 코드 수준에서 결함의 정확한 위치를 추론하고, 우선순위가 높은 수정 대상 영역을 식별합니다.

• 패치 생성 에이전트

  Zero-shot, Few-shot, Fine-tuning 기법을 활용하여 고품질 코드 패치를 자동 생성하며, 다중 후보안을 제시하여 테스트를 통한 최적안 선정을 지원합니다.

• 테스트 생성 에이전트

  요구사항 및 코드 변경 내역을 기반으로 테스트 케이스를 자동 생성하며, 커버리지 확장과 리그레션 방지를 목표로 테스트 집합을 최적화합니다.

• 테스트 오라클 생성/검증 에이전트

  생성된 테스트 케이스의 기대 결과를 자동 도출하고, 실행 결과와 비교하여 정확성을 판정하며, 불확정성 처리 및 경계값 분석을 통해 테스트 신뢰성을 향상시킵니다.

• 디버깅 대화 에이전트

  실행 환경과 상호작용하며 가설 수립-검증 루프를 반복하고, 코드 컨텍스트 기반 원인 분석과 수정 방향 제시를 실시간으로 지원합니다.

• 커밋 메시지/체인지로그 생성 에이전트

  코드 변경 사항과 그 의도를 분석하여 표준화된 커밋 메시지와 체인지로그를 자동 생성하며, 다국어 지원과 스타일 가이드 준수를 보장합니다.

• 모델 최적화 모듈

  Zero-shot, Few-shot, Fine-tuning 접근 방식을 통합하여 각 에이전트의 성능을 극대화하며, 데이터 수집·평가·프롬프트 엔지니어링을 통한 지속적인 품질 개선을 수행합니다.

오픈 소스 sLLM 기반 시스템의 실험 재현성과 운영 효율을 극대화하기 위해 프롬프트 버전 관리부터 비용 모니터링까지 통합 자동화하는 MLOps 플랫폼을 개발합니다.

• 프롬프트 버전 관리

  프롬프트 변경 이력 추적 및 체계적 관리

• 실험 재현성/추적

  모델·데이터·코드·결과를 자동으로 기록 및 관리

• 자원 오토스케일링

  워크로드에 맞춰 GPU 등 자원을 동적으로 할당

• 성능/비용 모니터링

  LLM 운영 비용과 성능을 실시간으로 추적 및 분석

오픈 소스 sLLM과 SAST/DAST 분석 도구를 연계하여 코드 취약점을 실시간으로 탐지하고, 자동 패치 제안 및 CI/CD 파이프라인 보안까지 자동화하는 지능형 보안 시스템을 구현합니다.

• 실시간 취약점 탐지

  코드 작성 단계에서 잠재적 보안 위협 즉시 식별

• SAST/DAST 연계 분석

  정적·동적 분석 결과를 LLM이 종합하여 오탐 감소

• CI/CD 보안 자동화

  배포 파이프라인 내에서 보안 검증을 자동 수행

• 자동 패치 제안

  탐지된 취약점에 대한 보안 패치를 LLM이 자동 생성

오픈 소스 sLLM으로 EMR, 임상 노트 등 비정형 데이터와 진단 코드, 의료 영상 등 정형 데이터를 종합적으로 분석하여, 의학적 문맥에 맞는 키워드와 프롬프트를 자동 생성하는 의료 AI를 연구합니다.

• 비정형 텍스트 분석

  EMR, 임상 노트 등에서 핵심 정보 추출 및 분석

• 정형 데이터 분석

  진단 코드, 검사 수치 등 구조화된 데이터 분석

• 의료 영상/이미지 분석

  의료 이미지 데이터를 해석하여 텍스트 정보와 연계

• 의학적 문맥 생성

  분석된 멀티모달 데이터를 기반으로 자동 리포팅

오픈 소스 sLLM 기반 고객 금융 데이터 분석을 통한 상품 추천, 이상거래 탐지뿐만 아니라, 오픈 소스 sLLM이 내린 판단의 근거를 자연어로 설명하고 문서화까지 자동 수행하는 투명한 금융 AI 시스템을 연구합니다.

• 초개인화 상품 추천

  고객 데이터 분석 기반 맞춤형 금융 상품 제안

• 지능형 이상거래 탐지

  평소 거래 패턴을 학습하여 사기 거래 실시간 탐지

• 자연어 기반 설명 (XAI)

  AI의 판단 근거를 사람이 이해하기 쉽게 설명

• 내부 문서화 자동화

  판단 과정과 결과를 리포트 형식으로 자동 생성