적응형 학습 AI · 컴플라이언스 교육

LMS는 이수를 추적합니다. Attest는 역량을 추적합니다.

두 직원이 동일한 AML 재인증 모듈을 마치면 LMS에는 똑같은 초록 체크마크 두 개가 표시됩니다. Attest는 실제 지식 추적 모델로 각 학습자의 원시 상호작용 스트림을 읽고, 입증할 수 있는 개념만 인증하며, 체크마크 대신 서명된 Competence Certificate를 건넵니다.

51.9%

코호트 좌석 시간 단축

시뮬레이션된 500명 학습자 코호트, 실시간 계산

0.83 AUC

홀드아웃 SAKT 모델 품질

시드가 고정된 당사 합성 KT 벤치마크

0 of 18

AI로 편법을 쓴 학습자에 대한 인증

역량 게이트, 라이브 앱 출력

배포가 아닌 실행 가능한 데모입니다. 코호트와 상호작용 로그는 합성이며, 이 페이지의 모든 수치는 실행 중인 앱이 계산합니다.

이수는 역량이 아닙니다

초록 체크마크는 직원이 영상을 봤다는 뜻이지, 배웠다는 뜻이 아닙니다.

SCORM은 "Completed."를 보고합니다. 감사인은 숙달 증거를 원합니다. 이미 내용을 아는 시니어 BSA 애널리스트와 실제 공백이 있는 6개월 차 지점장이 동일한 4시간 AML 과정을 듣고 똑같은 체크마크를 받습니다. 기록은 둘을 구별하지 못합니다. 애초에 둘 중 누가 무엇을 아는지를 측정하지 않았기 때문입니다.

스스로를 "적응형"이라고 내세우는 기존 제품은 대부분 협업 필터링("당신과 비슷한 사람들이 다음에 과정 X를 들었습니다")을 돌리지, 개념 수준 지식 추적("개념 Y를 아직 숙달하지 않았습니다")을 하지 않습니다. 그리고 직원들은 점점 AI 도우미로 모듈을 쉽게 통과하므로, 학습이 전혀 남지 않았는데도 이수 기록은 "교육 완료"라고 말합니다.

규제 업무에서 그 간극은 감사인이 가격을 매길 수 있는 부채입니다. 미국 기업 교육비는 학습자당 약 $874, 연간 약 $102.8B이며(Training Magazine, 2025), 그 상당 부분은 역량 증명이 아니라 이수 기록을 삽니다. 교육 공백이 규제 결과를 수반하는 곳, AML 및 BSA 재인증이나 2026년 8월 2일부터 적용되는 EU AI Act 제4조 역할 기반 AI 리터러시 규칙 아래에서, 초록 체크마크는 가져갈 증거로서 정확히 잘못된 것입니다.

등록된 모든 학습자가 SCORM Completed로 표시되는 AML 재인증 코호트의 Attest 대시보드. 옆에 시니어 BSA 애널리스트에 대한 Attest의 개념 수준 숙달 맵이 16 of 18개 개념 인증과 좌석 시간 80.3% 단축을 보고합니다. — 같은 과정, 같은 SCORM 체크마크. Attest는 그 아래의 개념 수준 숙달을 읽습니다.

작동 방식: 에이전트가 조언하고, 코드가 결정합니다

네 단계가 하나의 평면 과정을 개념별 숙달과 서명된 인증서로 바꿉니다. LLM이 읽고, 중요한 결정은 모두 결정론적 코드가 내립니다.

개념 매핑 에이전트가 하나의 과정을 추적 가능한 18개 개념으로 바꿉니다

하나의 평면한 "AML Training" 과정을 18개 개념 택소노미(고객 실사, SAR 서술 품질, 구조화 거래 탐지, TBML 과대·과소 인보이싱, OFAC 제재 스크리닝 등)로 분해하고 각 수업을 해당 개념에 태깅합니다. 콘텐츠 태깅은 현장에서 적응형 학습 프로젝트가 실패하는 1순위 이유로 부르는 단계이며, 이를 자동화합니다. 에이전트는 Pydantic AI 위에 구축되어 Anthropic, OpenAI, Gemini, Ollama 간에 제공자를 바꿀 수 있고, 기본값은 claude-opus-4-8이며, API 키 없이도 데모가 돌아가도록 캐시된 택소노미 오프라인 폴백이 있습니다.

실제 SAKT 모델이 각 학습자가 실제로 아는 것을 추론합니다

핵심은 실제 셀프 어텐션 지식 추적 트랜스포머입니다: 파라미터 119,809개, PyTorch, CPU에서 약 90초 학습 후 캐시합니다. 각 학습자의 상호작용 시퀀스를 재생하고 전체 이력을 조건으로 개념별 숙달 확률을 추론합니다. LLM도 에이전트도 아닙니다. 이것이 성적부가 아니라 진정한 지식 추적이 되게 하는 지속 가능한 머신러닝 코어입니다.

결정론적 Flow-Zone 시퀀서가 경로를 결정합니다

평범한 Python이며, 루프 안에 모델이 없습니다. 개념마다 숙달 확률이 0.67 이상이면 skip and verify로, 0.38에서 0.67이면 flow로, 0.38 미만이면 scaffold로 라우팅합니다. 시퀀서는 적응형 대 평면 좌석 시간과 코호트 ROI를 계산합니다. 컷포인트는 레이블된 코호트에서 교차검증으로 적합되었고, 수동 설정 폴백을 엄격히 개선하는 5-fold A/B로 뒷받침되며, 손으로 맞춘 마법의 숫자가 아닙니다.

모델이 덮어쓸 수 없는 역량 게이트가 무엇을 인증할지 결정합니다

이것은 개인화가 아니라 거버넌스입니다. 게이트는 숙달이 최소 0.747이고, 증거가 충분하며(최소 3회 상호작용), 응답 패턴이 이상하지 않을 때만 개념을 인증합니다. 그렇지 않으면 개념을 "needs proof"로 표시하고 검증 챌린지를 발행합니다. 빈약하거나 이상 증거로는 결코 인증하지 않습니다.

산출물은 서명된 Competence Certificate(HMAC-SHA256)입니다: 개념별 숙달, 증거 추적, 모델 이름·버전·벤치마크 AUC, 적용된 Flow-Zone 임계값, 적응형 대 평면 좌석 시간, 규제 매핑, 그리고 정직한 한계 푸터. 체크마크 대신 규제 당국에 건네는 것입니다. 일관된 원칙: 입증할 수 있는 것을 인증하고, 초록 체크를 허세로 내지 않습니다.

하나의 평면 AML Training 과정에서 개념 매핑 에이전트가 만든 18개 개념 택소노미를 나열하는 Attest 과정 실라버스 모달. 각 개념은 31 CFR 1020.220 및 FATF TBML Guidance 같은 규제와 태깅되어 있습니다. — 개념 매핑 에이전트가 하나의 과정을 규제에 매핑된 18개 수업으로 분해합니다.

측정된 학습 실행을 보여주는 Attest Under the Hood 패널: 합성 PFA 생성 KT 코퍼스, 학생 2,500명, 홀드아웃 AUC 0.8315, next-step 정확도 0.771, 그리고 로드된 체크포인트에서 실시간으로 읽은 결정론적 Flow-Zone 및 역량 게이트 결정 로직. — 엔진 패널의 모든 값은 페이지에 하드코딩된 것이 아니라 로드된 체크포인트와 설정에서 실시간으로 다시 읽힙니다.

세 학습자, 각자 하나의 정직한 판정

아래 수치는 모두 합성 학습자에 대한 실행 중인 앱의 실제 출력입니다.

시니어 BSA 애널리스트 (재직 8년)은 거의 모든 곳에서 초록으로 읽히고, Trade-Based Money Laundering과 SAR 적색 경보 개념 하나에서만 약합니다. Attest는 16 of 18개 개념을 인증하고, 2개를 needs-proof로 라우팅하며, 증거를 플래그하지 않습니다. 좌석 시간은 평면 240분에서 적응형 47.3분으로 줄어 80.3%가 절감됩니다. 이것이 "이미 대부분을 알고 있으니, 입증된 것은 건너뛴다"는 사례입니다.

시니어 BSA 애널리스트의 서명된 Competence Certificate: 16 of 18개 개념 인증, 좌석 시간 80.3% 단축, 모델 홀드아웃 AUC 0.8315, 숙달 확률·증거 횟수·certified 또는 needs-proof 상태가 있는 개념별 표, HMAC-SHA256 서명. — 애널리스트의 서명된 인증서: 두 개념이 0.747 인증 임계값 아래에 있어 통과시키지 않고 needs-proof로 라우팅됩니다.

신임 지점장 (전근 후 6개월)은 SAR 서술과 TBML 전반에 실제 공백이 있습니다. 모델은 여러 개념에서 낮은 숙달을 추론하고 skip이 아니라 flow 또는 scaffold로 라우팅합니다. Attest는 10 of 18개 개념을 인증하고, 8개를 needs-proof로 라우팅하며, 좌석 시간을 240분에서 146.7분으로 줄여 38.9%를 절감합니다. 애널리스트보다 인증된 개념이 적은 것은 이 학습자가 정말로 교육이 필요하기 때문입니다. 절감은 일률 할인이 아니라 숙달을 따릅니다.

신임 지점장의 Attest 라이브 파이프라인 콘솔. SAKT 추론, skip 10·flow 5·scaffold 3의 Flow-Zone 시퀀싱, 인증 10건·증빙 필요 8건의 역량 게이트 결과, 좌석 시간 38.9% 절감, 10 of 18 인증을 보여 줍니다. — 지점장의 라이브 파이프라인: 더 붉은 숙달 맵은 건너뛰기가 적고, 더 작고 정직한 절감을 뜻합니다.

운영 어소시에이트 는 어려운 사례입니다. 이 학습자는 관련 없는 18개 개념 전반에서 빠르고 완벽하게 답했으며, 응답 시간 분포가 진정한 회상과 맞지 않습니다. 겉보기 숙달은 높아 보이지만, 역량 게이트가 증거를 플래그하고 0 of 18을 인증합니다. 18개 모두 needs-proof로 라우팅되고, 증거는 flagged로 표시되며, 좌석 시간은 검증 대기 중 보류됩니다. 우리는 이것을 "gotcha"가 아니라 가치로 프레이밍합니다: 입증할 수 있는 것만 인증합니다.

관련 없는 18개 개념 전반에서 그럴듯하지 않게 빠른 응답 시간으로 거의 완벽한 정확도를 보여 진정한 회상과 맞지 않는 운영 어소시에이트를 Attest 역량 게이트가 플래그하고, 0 of 18 인증으로 자격 증명을 보류하며 좌석 시간을 무효화하는 모습. — AI 편법 사례: 겉보기 숙달은 높지만, 게이트는 초록 체크를 허세로 내는 대신 모든 자격 증명을 보류합니다.

코호트 결과, 실시간 계산

시간당 완전 부담 임금 $75의 실제로 시뮬레이션된 연간 재인증 500명 코호트에서, Attest는 약 51.9%의 코호트 좌석 시간 단축(평면 2,000시간에서 적응형 약 962시간으로, 약 1,038시간 회수), 이 모듈에서 약 $77,872 회수, 전형적인 20시간 컴플라이언스 프로그램으로 환산하면 연간 약 $389,362를 계산합니다. 달러 수치는 모델 출력에서 계산되며, 연간환산 숫자는 화면에서 추정치로 표시됩니다.

1.28초 만에 합성 학습자 500명 모두를 채점하는 Attest 라이브 코호트 벤치마크. 평균 좌석 시간 단축 51.9%, 이 모듈에서 회수된 1,038시간, 회수 가치 $77,872, 라벨이 붙은 연간환산 추정치 $389,362를 보고합니다. — 500명의 학습자를 실시간 채점: 단축은 가정이 아니라 모든 상호작용 이력을 모델에 통과시켜 계산됩니다.

모델 벤치마크, 독립적 앵커

홀드아웃 AUC는 시드가 고정되고 재현 가능한 합성 PFA 생성 KT 코퍼스(학습 2,000명, 테스트 500명, 개념 18개, 12 에포크)에서 0.8315이며, next-step 정확도는 0.771입니다. 데이터 생성 과정(Performance Factors Analysis, 고전적 로지스틱 학습자 모델)이 우리가 학습시키는 트랜스포머와 다른 모델 계열이기 때문에, 홀드아웃 AUC는 SAKT가 자체 가정을 채점한 것이 아니라 실제 잠재 학습 구조를 회복했음을 보여 줍니다. 외부 맥락으로, 공개 ASSISTments 데이터셋에서 발표된 SAKT AUC는 약 0.80입니다(Pandey & Karypis, 2019). 지속되는 헤드라인은 모델 품질과 무관하게 성립하는 좌석 시간 절감 비율과 자동 인증 비율입니다. AUC는 모델이 진짜 지식 추적임을 증명하며, 제품의 헤드라인 숫자가 아닙니다.

Attest가 맞는 자리, 그리고 이 데모가 하지 않는 것

이수 추적과 추천 엔진은 둘 다 감사인을 빈손으로 남깁니다. 지식 추적 플러스 거버넌스는 그렇지 않습니다.

접근 방식	무엇을 측정하는가	감사인에게 무엇을 건넬 수 있는가
SCORM / LMS 이수	학습자가 콘텐츠를 열고 마쳤는지	숙달 증거 없는 초록 체크마크
협업 필터링을 통한 "적응형"	비슷한 학습자가 다음에 무엇을 듣거나 했는가	과정 추천, 여전히 개념 수준 증명은 없음
Attest (지식 추적 플러스 거버넌스)	각 학습자의 상호작용에서 추론한 개념별 숙달	전체 증거 추적이 있는 서명된 Competence Certificate

명명된 시장 사례로, Cornerstone의 2026년 3월 "Adaptive Learning Agent"는 개념 수준 지식 추적이 아니라 협업 필터링을 사용합니다(Cornerstone product announcement, March 2026). 구분이 핵심입니다: 추천은 숙달 추정치가 아니며, 둘 다 감사 산출물이 아닙니다.

이 데모가 하지 않는 것

LMS 자체와 Cornerstone-REST 및 SAP-BTP 커넥터는 픽스처 스텁이며, 라이브 연동이 아닙니다. 프로덕션 빌드는 실제 기록 시스템에 연결합니다.
500명 코호트와 상호작용 로그는 합성이며, 연구 테이블에 기반한 현실적 모델이지 실제 직원이 아닙니다. 이름이 붙은 세 학습자도 합성입니다.
인증서는 HTML 우선이며, PDF 내보내기는 최선을 다하는 수준입니다. 검증 챌린지 콘텐츠는 요청 시 LLM이 생성합니다.
숙달 확률은 증거이지 유지 보장이 아닙니다. AUC는 장기 유지가 아니라 다음 문항 예측을 측정하며, 인증서 자체의 한계 푸터가 이를 명시합니다.
이것은 메커니즘을 입증하는 데모입니다. 배포된 파이프라인이 아닙니다.

구매자가 묻는 질문

"적응형 학습"은 새 라벨을 붙인 과정 추천에 불과하지 않나요?

적응형으로 마케팅되는 도구 대부분은 협업 필터링을 돌립니다: 비슷한 학습자가 다음에 무엇을 들었는지를 추천합니다. 그것은 추천 엔진이지 지식 추적이 아닙니다. Attest는 각 학습자 본인의 상호작용 이력에서 개념별 숙달 확률을 추론하는 실제 셀프 어텐션 지식 추적 트랜스포머(SAKT)를 사용합니다. 명명된 한 사례인 Cornerstone의 2026년 3월 Adaptive Learning Agent는 개념 수준 추적이 아니라 협업 필터링을 사용합니다(Cornerstone product announcement, March 2026).

직원이 AI 도우미로 빠르게 답해 이 시스템을 속일 수 있나요?

바로 그것이 역량 게이트가 만들어진 사례입니다. 데모에서 관련 없는 18개 개념 전반에 빠르고 완벽하게 답한 학습자는 이상 규칙을 트리거하고, 게이트는 0 of 18을 인증하며 모든 개념을 needs-proof로 라우팅하고 좌석 시간을 보류합니다. 게이트는 숙달, 증거 충분성, 응답 패턴 검사가 모두 통과할 때만 인증하므로, 그럴듯하지 않게 빠른 완성은 보상되지 않고 거부됩니다.

실제로 감사인에게 무엇을 건넵니까?

체크마크가 아니라 서명된 Competence Certificate입니다. 각 개념의 숙달 확률과 certify 또는 needs-proof 상태, 각 추정치를 만든 상호작용과 타임스탬프의 증거 추적, 모델 이름·버전·벤치마크 AUC, 적용된 Flow-Zone 임계값, 적응형 대 평면 좌석 시간, 규제 매핑, 정직한 한계 푸터를 HMAC-SHA256 서명 아래 모두 나열합니다.

이것이 우리 LMS를 대체합니까?

아니요. Attest는 새 LMS가 아니라, 기존 LMS가 이미 만드는 상호작용 스트림을 읽는 인텔리전스 계층입니다. 이 데모에서 LMS와 Cornerstone-REST 및 SAP-BTP 커넥터는 시뮬레이션된 스텁이며, 프로덕션 빌드는 실제 기록 시스템에 연결합니다. LMS는 이수를 계속 기록하고, Attest는 개념 수준 숙달과 인증서를 더합니다.

51.9% 좌석 시간 단축은 어디서 나옵니까? 실제 고객 결과입니까?

실제 고객에서 측정한 것이 아니라, 합성 500명 재인증 코호트에서 실시간 계산됩니다. Attest는 각 시뮬레이션 학습자의 상호작용 이력을 SAKT 모델과 Flow-Zone 시퀀서에 통과시키고 약 51.9%의 집계 단축, 회수된 시간, 라벨이 붙은 연간환산 추정치를 보고합니다. 독립적으로 앵커된 주장은 달러 수치가 아니라 모델 품질(AUC 0.83)입니다.

0.83 AUC는 공개 데이터셋에서 측정된 것입니까?

아니요. 홀드아웃 AUC 0.8315는 공개 벤치마크가 아니라, 시드가 고정되고 재현 가능한 당사 합성 PFA 생성 KT 코퍼스에서 측정됩니다. 중요한 이유는 코퍼스가 우리가 학습시키는 트랜스포머와 다른 모델 계열(PFA 로지스틱)로 생성되므로, 높은 홀드아웃 AUC가 모델이 실제 학습 구조를 회복했음을 보여 주기 때문입니다. 공개 ASSISTments 데이터셋에서 발표된 SAKT 결과는 약 0.80이며(Pandey & Karypis, 2019), 외부 맥락으로만 인용합니다.

기술 연구

이 데모의 배경이 되는 연구 — 아키텍처, 검증 설계, 엔터프라이즈 청사진.

전체 솔루션

적응형 학습 AI 솔루션 살펴보기 →

컴플라이언스 교육에 역량 증거를 가져오십시오

의무 재인증을 운영하는 최고학습책임자, L&D 디렉터, 컴플라이언스 리더를 위한 것입니다.

규제 교육 프로그램에서 이수만이 아니라 숙달을 증명하는 방법을 팀이 저울질하고 있다면, 무엇이 필요한지 생각을 비교하고 싶습니다. 문제는 업계 전반의 것이며, 답도 그럴 것입니다.

교육 보증 평가

✓ 한 모듈에 대한 개념 수준 숙달 공백 분석
✓ 귀사 수치에 대한 좌석 시간 및 코호트 ROI 모델링
✓ 감사 산출물 및 규제 매핑 검토
✓ 지식 추적이 도움이 되는 곳과 그렇지 않은 곳에 대한 정직한 판단

맞춤 구축

✓ 귀사 코스웨어에 맞춘 개념 매핑 에이전트
✓ 귀사 상호작용 데이터에 대한 SAKT 지식 추적
✓ 결정론적 Flow-Zone 시퀀서와 역량 게이트
✓ 기록 시스템에 연결된 서명된 Competence Certificate

WhatsApp으로 연결하기 저희 팀에 이메일 보내기