Case Study #4
명지대 AI 기반 차세대 LMS

2025년 · 2단계 가격입찰 · 88쪽 과업지시서 · 92 요구사항

AI 시대 TA — 과업지시서 한 권을 받았다고 가정하고, GPU·RAG·STT·ISO27001을 끝까지 설계한다

강사 박수현 · 🚀 젠아이랩스(GenAI Labs)

🎨 이미지 프롬프트: "Editorial wide shot — a Korean Technical Architect (around 40, busines6-casual, glasses) seated at a project war-room desk piled with a printed binder labeled '명지대학교 AI 기반 차세대 LMS 과업지시서 88p · 92 요구사항 · 2단계 가격입찰', open at a tabbed page; next to him three displays show (1) a campus map of Myongji University with classroom icons, (2) an isometric server rack rendering with NVIDIA GPU cards labeled 'A100 LLM' 'L40S STT/MT' 'T4 Embed' and a 3-node Milvus Vector DB panel, (3) a live lecture screen with real-time bilingual Korean/English subtitles overlaying a professor's slide and a Whisper-style waveform on the bottom; the room has a wall poster of an LMS architecture with sticky notes in Korean reading 'STT 30 ch' 'RAG 20M vectors' 'ISO 27001' 'GPU 미보유'; cinematic editorial lighting, dark navy with teal/purple accents, 16:9"

2025년 · 2단계 가격입찰 · 88쪽 과업지시서 · 92 요구사항

명지대 AI LMS — 사업 메타와 환경 변수

TA 첫 번째 점검: GPU 미보유 + AI 6개월 무상 + 2단계 가격입찰 — 세 가지가 본 사업의 인프라 전략(CAPEX vs OPEX, 하이브리드)을 좌우합니다.

As-Is 추정 — 기존 LMS와 통증점

🎨 이미지 프롬프트: "Editorial cutaway diagram of an aging university LMS server room — a small campus server room with three half-empty 42U racks holding outdated 2U rack servers labeled 'LMS App (legacy)' 'DB Server' 'Storage 50TB', no GPU cards anywhere, tangled UTP cables in beige, one operator in glasses pointing at a monitor that shows a student dashboard cluttered with separate icons labeled 'Zoom' 'CMS' '설문' 'Moodle' '자막 외주', red callouts annotate '⚠ GPU 0장' '⚠ 자막 수작업' '⚠ 다국어 미지원' '⚠ 분산 SaaS'; below, a thin teal timeline strip shows '강의 → 녹화 → 외주 자막(3일) → 업로드 → 학생 (언어 장벽)'. 16:9 wide editorial illustration, muted color palette with red callouts"

As-Is 추정 — 기존 LMS와 통증점

구축 대상 (To-Be) — LMS 본체 + AI 컴포넌트

AI 컴포넌트 4종(Chat·Tutor·STT/번역·요약) = TA 책임 ⭐⭐⭐⭐ 이상. GPU·벡터DB·실시간 STT 3종이 전체 TA 공수의 60% 이상.

5대 아키텍트 분담 — AI 시대 책임 매트릭스

🤝 DA·TA 협업 포인트 (AI 특화)

• GPU·모델 운영: TA가 GPU 종류(A100/H100/L40S/T4) · 동시추론 산정 ↔ DA가 학습/임베딩/RAG 인덱스 크기 산정 → 스토리지 IOPS·VRAM 요구치 전달
• 모델 서빙 파이프라인: TA가 vLLM/Triton + Blue/Green 배포 설계 ↔ DA가 모델 메타데이터·평가셋·버전 관리 정의
• 실시간 STT: TA가 WebRTC + GPU 추론 지연 < 1초 NFR 보장 ↔ DA가 다국어 음성·스크립트 수명주기·코퍼스 보관 정책 정의

비기능 요구사항(NFR) — 과업지시서 추출·가정한 정량값

가정값(TA 추정)은 제안서 부속서에 명시해 발주처와 합의한다. 과업지시서 미명시 값을 사후 분쟁의 씨앗으로 두지 않는다.

92 요구사항 고유번호 — 과업지시서 → 산출물 추적 매트릭스

REQ-ID → 책임 아키텍트 → 산출물 → 시험 → 검수
─────────────────────────────────────────────
ECR-001 GPU → TA → GPU BOM → 부하시험 → 인수
SFR-049 STT → SA → 통번역 SW → E2E → 인수
SFR-050 RAG → DA → 벡터DB+모델 → 정확도 → 인수
PER-003 응답 → TA → JMeter 보고 → 부하시험 → 인수
DAR-006 RTO → TA → DR 시나리오 → 페일오버 시험 → 인수
SER-006 ISO → TA → 통제 매트릭스 → 외부 감사 → 인증서
...

92개 요구사항 추적 매트릭스는 착수 1주차 산출물. Excel + Jira/Confluence 연계로 TA가 직접 정렬·갱신을 책임진다.

To-Be — LMS 본체 + AI 통합 전체 시스템 아키텍처

🎨 이미지 프롬프트: "Editorial wide architecture diagram on a dark navy background — labeled in Korean, five horizontal bands stacked vertically: top '프리젠테이션' showing student/professor mobile devices and a laptop with a live bilingual subtitle overlay; second '게이트웨이 (L4 + WAF + SSO)' showing two redundant L4 load balancers feeding into two web servers labeled 'WEB-1 / WEB-2'; third '애플리케이션' showing 6 WAS instances in a row labeled 'LMS Core' plus an 'AI Gateway' box that branches to icons of multi-agents 'Chat' 'Tutor' '요약'; fourth and most prominent 'AI / GPU' band drawn slightly larger with four GPU server icons labeled 'A100 ×2 (LLM)' 'L40S ×4 (STT/MT)' 'T4 ×1 (Embed)' and a separate cluster of three nodes labeled 'Milvus 벡터DB'; fifth '데이터' showing DB Master/Standby pair, Redis cache pair, a 50TB storage array, and a SIEM box. Vertical arrows connect the bands with teal data-flow labels '요청' 'AI 호출' 'RAG 검색' '실시간 STT' '백업'. Clean isometric editorial illustration, teal #00b894 and purple #6c5ce7 accents, 16:9"

To-Be — LMS 본체 + AI 통합 전체 시스템 아키텍처

TA 산출 ① — GPU 산정 워크시트 (RAG·STT·LLM 추론 분리)

온프레 CAPEX = ₩2~3억 (서버+GPU+냉각)
   + 연 운영비 ₩3~4천만 (전기·유지보수)
   = 3년 TCO ≈ ₩3~4억

클라우드 OPEX = 월 ₩1,500~2,500만
   = 3년 TCO ≈ ₩6~9억

→ 운영 1년차 손익분기 ≈ 14개월
→ 6개월 PoC 클라우드 + 정식 온프레
   = 하이브리드가 모범답안

🎨 이미지 프롬프트: "Editorial GPU sizing worksheet illustration on dark background — a large central spreadsheet-like worksheet titled 'GPU 산정 워크시트 — 명지대 AI LMS' with rows labeled in Korean 'LLM Chat (Llama3-70B INT8)' 'STT 실시간 (Whisper-large-v3)' '임베딩 (BGE-M3 1024차원)' '번역 (NLLB-200 3.3B)' and columns 'VRAM' '동시요구' '필요 GPU'; on the right a vertical stack of three GPU server appliances rendered in isometric, each labeled with vendor model 'NVIDIA HGX A100 80GB ×2' 'NVIDIA L40S 48GB ×4' 'NVIDIA T4 16GB ×1', glowing teal heat-sink fans on top, dual power supplies labeled '6kW each'; on the lower left a CAPEX/OPEX decision chart drawn as two crossing lines on a small graph labeled '온프레 vs AWS p5/p4 GPU TCO' with the crossover point annotated '14개월 손익분기'; small Korean callouts annotate 'PoC 6개월 = 클라우드 (AI 우대조건 활용)' '정식 = 온프레 전환'. Clean editorial technical illustration, 16:9, teal/purple accents on dark navy"

🎨 이미지 프롬프트: "Photorealistic product shot collage of NVIDIA AI infrastructure on a dark studio backdrop, product-catalog style — left third: NVIDIA HGX H100 8-GPU baseboard (8 SXM5 GPU modules glowing teal on a black baseboard, NVLink Switch chips visible) labeled 'NVIDIA HGX H100 (8× SXM5 80GB)'; middle third: NVIDIA DGX H100 1U/2U server appliance (black rack-mount chassis with green NVIDIA logo and front bezel) labeled 'NVIDIA DGX H100 / DGX BasePOD'; right third: a single PCIe NVIDIA L40S card (full-height, dual-slot, teal heat sink, NVIDIA L40S sticker) labeled 'NVIDIA L40S 48GB (PCIe 추론 GPU)'. Soft front lighting, sharp product photography. 16:9"

TA 산출 ① — GPU 산정 워크시트 (RAG·STT·LLM 추론 분리)

TA 산출 ② — RAG 파이프라인 + 벡터DB 인프라

벡터DB RAM = 20M × 1024 × 4byte (FP32)
           = 약 80 GB (raw)
           × 1.5 (HNSW 인덱스 오버헤드)
           = 약 120 GB RAM

→ Milvus 클러스터 3노드 (각 64GB RAM + NVMe 2TB)
   = 192 GB 총 RAM (마진 60%)
→ 또는 pgvector (PostgreSQL 확장)
   = 1억 벡터 미만 충분 / 운영 단순

임베딩 워커 = T4 GPU × 1
   = 신규 100K 청크 / 일 = 17ms/청크
   = 28분 (야간 배치)

검색 지연 = HNSW top-10 ≈ 50ms
         + Reranker (Cros6-encoder) ≈ 30ms
         = 총 80ms (목표 100ms 충족)

🎨 이미지 프롬프트: "Editorial RAG pipeline diagram on dark background — left side shows a document icon labeled '강의자료 1,000과목 (100GB)' flowing through a 'Chunking 512 tokens / 50 overlap' box, then through an 'Embedding BGE-M3 1024d (NVIDIA T4 GPU)' box rendered as a small GPU card, then arrows into the center showing a three-node Milvus 2.x vector database cluster rendered as three connected hexagons labeled 'Milvus-1 / Milvus-2 / Milvus-3' each annotated '64GB RAM / 2TB NVMe / HNSW Index'; on the right side a student avatar asks a question '질문', the question flows through 'Query Embedding' then into the Milvus cluster (showing teal search beam), top-10 results flow out into a 'Cros6-Encoder Reranker (bge-reranker)' box, then into an 'vLLM 70B (NVIDIA A100 ×2)' box, finally output to the student as '답변 + citation (강의/주차/슬라이드 번호)'. Below a small timing strip annotates 'HNSW 50ms + Rerank 30ms = 80ms (target <100ms)'. Clean editorial AI architecture illustration, 16:9, teal/purple accents on dark navy"

🎨 이미지 프롬프트: "Photorealistic Milvus Attu / pgvector pgAdmin split-screen UI screenshot — left half: Attu (Milvus 공식 GUI) on dark theme showing a collection 'mju_lecture_corpus_2025' with stats '20,124,376 entities / dim=1024 / index_type=HNSW' and a search panel with vector query input and top-K results; right half: pgAdmin 4 connected to PostgreSQL+pgvector showing a SELECT query 'SELECT id, chunk_text, 1 - (embedding <=> $1) AS similarity FROM lecture_chunks ORDER BY embedding <=> $1 LIMIT 10', result grid with similarity scores 0.92~0.78. Korean labels readable. Sharp UI typography, photorealistic admin-console render, 16:9"

TA 산출 ② — RAG 파이프라인 + 벡터DB 인프라

TA 산출 ③ — 실시간 STT 스트리밍 + AI TransLive

[STT 산정]
GPU L40S 48GB 1장 = 8 ch 동시 추론
30 ch ÷ 8 = 3.75 → L40S × 4장
청크 단위: 1초 슬라이딩 + 0.5초 hop

[번역 산정]
NLLB-3.3B = L40S 1장당 50 req/s
30 ch × 평균 1 req/s = 30 req/s
→ L40S 공유 가능 (STT 잔여 슬롯)

[네트워크 산정]
오디오 업: 30 × 200kbps = 6 Mbps
텍스트 다운: 30 × 50명 × 5kbps = 7.5 Mbps
합계 약 14 Mbps (코어 NW 여유)

[지연 예산]
WebRTC 입력 100ms + STT 300ms
+ 번역 200ms + WebSocket 100ms
= 700ms (목표 1초 충족)

실시간 통번역은 GPU 메모리·지연·동시 채널 수가 핵심이다. 일반 챗봇과 인프라 요구가 근본적으로 다르다. 지연 예산(latency budget)을 구간별로 분배해 SLA를 보장한다.

🎨 이미지 프롬프트: "Editorial real-time STT pipeline diagram on dark navy — left side a professor avatar speaks into a microphone, audio waveform (Opus 200kbps) flows into a 'WebRTC SFU (Janus / MediaSoup)' box, then to a 'Whisper-large-v3 (NVIDIA L40S ×4)' box rendered as 4 GPU cards in parallel showing '8 ch each / 30 ch total', text output flows to 'NLLB-200 3.3B (L40S 공유 슬롯)' for translation into 7 languages 'KR/EN/CN/JP/VN/MN/RU', then through 'WebSocket fanout' to 1,500 student device icons (laptop, smartphone) on the right displaying live bilingual subtitles overlay. A timing budget bar below the pipeline shows segmented colored bars: 'WebRTC 100ms (orange) + STT 300ms (teal) + Translate 200ms (purple) + WebSocket 100ms (cyan) = 700ms (under 1s target)'. Korean labels readable. Clean editorial AI architecture illustration, 16:9"

TA 산출 ③ — 실시간 STT 스트리밍 + AI TransLive

TA 산출 ④ — LMS 본체 서버·가상화 설계

동접 300은 평시 부하다. 마이그레이션 윈도우 10,000 동접은 단발성이므로 별도 풀로 분리하거나 클라우드 일시 차용한다. 평시 부하만으로 영구 BOM 산정 시 마이그레이션이 실패한다.

TA 산출 ⑤ — 네트워크 토폴로지 (LMS + GPU 분리망)

🎨 이미지 프롬프트: "Editorial network topology diagram on dark background — three clearly separated horizontal lanes color-coded: top lane '운영망 (LMS VLAN 10-20)' in teal showing redundant L4 'L4-1 / L4-2 (HA)' feeding redundant firewalls 'FW-1 / FW-2 (ISO 27001)', then to WEB-1/WEB-2 then 6 WAS servers and a DB master/standby pair; middle lane 'AI 망 (VLAN 30-35, 100G)' in purple showing a fat 100G switch labeled '100G AI SW' connecting to four GPU server icons labeled 'A100 ×2' 'L40S ×4' 'T4 ×1' and a Milvus 3-node cluster; bottom lane 'DMZ + 관리망 + 마이그레이션' in orange showing a DMZ firewall pair feeding to API Gateway 'Myiweb / Zoom', and a separate dotted 10G migration link going off to a legacy 'Old LMS' cloud icon. All connections show redundant pairs. Clean editorial network diagram, 16:9, teal/purple/orange color coding"

TA 산출 ⑤ — 네트워크 토폴로지 (LMS + GPU 분리망)

TA 산출 ⑥ — HA 이중화 패턴 (LMS · AI 분리 정책)

목표 RTO 4h / RPO 1h / 가용성 99.9% — LMS 본체와 AI를 별도 SLA 등급으로 분리해 BOM을 절감한다.

TA 산출 ⑦ — ISO 27001 통제 매트릭스 (14 영역)

ISO 27001 통제 매트릭스는 인증 심사관이 직접 확인하는 표다. TA 산출물 14종이 모두 매트릭스에 매핑되어야 인증 통과한다.

🎨 이미지 프롬프트: "Photorealistic mockup of an ISO/IEC 27001:2022 certificate document — A4 portrait certificate paper on a wooden desk, top header has BSI (British Standards Institution) logo and 'KAB 한국인정지원센터 (KAS) 인정' badges in the corner; title 'CERTIFICATE OF REGISTRATION — Information Security Management System' below, then in Korean '정보보호경영시스템 인증서'; body text reads 'This is to certify that 명지대학교 AI 차세대 LMS Operations / has been audited and registered against the requirements of ISO/IEC 27001:2022 / Scope: AI-based Learning Management System operations covering 14 control domains (A.5–A.18)'; certificate number '27001-2025-MJU-0042', issue date '2026-02-15', expiry '2029-02-14'; bottom has signature lines '인증기관: BSI Korea / 인정기관: KAB' with stamped seals. Photorealistic document texture, official document style, 16:9"

TA 산출 ⑦ — ISO 27001 통제 매트릭스 (14 영역)

TA 산출 ⑧ — 보안 아키텍처 (ISO 27001 준수)

┌─ 외부 (Internet) ─────────┐
│  Anti-DDoS (방어 2Gbps+)  │
│  Firewall (HA)            │
│  IPS (시그니처+이상행위)   │
│  WAF (OWASP Top 10)       │
└────────┬──────────────────┘
         │ DMZ
   ┌─────▼──────┐
   │  API GW    │   Myiweb·Zoom
   └─────┬──────┘
         │ 운영망
   ┌─────▼─────────────┐
   │ NAC (단말 검역)    │
   │ SAC (계정·세션)    │
   │ MFA (2단계 인증)   │
   │ TLS 1.3            │
   └─────┬─────────────┘
         │ AI 망 (별도 VLAN)
   ┌─────▼─────────────┐
   │ 모델 접근 토큰     │
   │ 입력 PII 필터링    │
   │ 출력 환각 검증     │
   └─────┬─────────────┘
         │ 데이터
   ┌─────▼─────────────┐
   │ AES-256 저장 암호화│
   │ DB DAC + 감사 로그 │
   │ SIEM 통합          │
   └───────────────────┘

🎨 이미지 프롬프트: "Editorial security architecture diagram with concentric defense layers on dark navy background — at the outermost ring 'Internet' with a red wave icon labeled 'DDoS', inner layer 'Anti-DDoS' as a teal shield, then 'Firewall HA' as a purple wall, then 'IPS + WAF' as a magnifying-glass shield, then 'DMZ + API GW' as a smaller bounded box labeled 'Myiweb / Zoom', then 'Operations Network' showing NAC, SAC, MFA, TLS 1.3 labels, then a separate 'AI 망' inner ring with smaller labels '모델 토큰' 'PII 필터' '환각 검증', finally at the center a glowing teal vault labeled 'Data: AES-256 / DAC / SIEM'. Below, a vertical lane shows 'ISO 27001 — 14 controls A.5~A.18' connected to an external auditor icon labeled '인증 심사'. Korean labels readable. Clean editorial cyber-security illustration, 16:9, teal and purple, red for threats"

TA 산출 ⑧ — 보안 아키텍처 (ISO 27001 준수)

TA 산출 ⑨ — 동접 부하 산정 (시험 기간 피크)

평시 (300 동접):
  WAS 1대 = 100 RPS
  피크 450 RPS → ⌈450/100⌉ + 1 = 6 WAS

시험 피크 (800 동접):
  피크 1,200 RPS → 12 WAS 필요
  → 평시 6 + 시험 6 = 시험기간 별도 풀

수강신청 (2,000 동접):
  피크 3,000 RPS → 30 WAS 필요
  → 수강신청 일자 한정 클라우드 차용 (Burst)

마이그레이션 (10,000 동접, 1회):
  피크 15,000 RPS → 150 WAS 환산
  → 영구 BOM에 묶지 말고
    1) 시간 분산 (밤·새벽 batch)
    2) 일시 클라우드 차용
    3) 큐 기반 처리 (재시도 OK)

동접 300은 평시 부하다. 시험 기간·수강신청·마이그레이션 3대 피크는 별도 사이징한다. 평시 BOM만으로 산정 시 시험기간 시스템 다운 → 학사 마비.

TA 산출 ⑩ — 데이터 마이그레이션 + AI 학습 데이터

필요 대역폭 = (50TB × 8bit) / (14일 × 24h × 3600s × 0.5 활용)
            = 약 660 Mbps
→ 전용 10G 회선 권장 (마진 15×)

검증 시간 = 샘플링 1TB / 100 MB/s = 3h
         + 전수 SHA-256 ≈ 5h
         + 메타 row count 비교 ≈ 1h
         = 약 9h

100% 일치 검증은 row count 비교가 아닌 SHA-256 콘텐츠 무결성이다. 동영상 1개당 평균 30분 기준 50TB ÷ 1GB ≈ 50,000개 파일 해시 비교 — 자동화 필수.

TA 산출 ⑪ — 2~3개월 이행 일정 (단기 압박)

임계 경로 = GPU 서버 납기 6~8주 + ISO 27001 인증 심사 6~9개월. GPU 지연 시 PoC 클라우드로 우회한다. ISO 인증은 사업 종료 후일 수 있어 중간 단계 인증서를 활용한다.

TA 산출 ⑫ — 위험 등록부 (AI 시대 특화)

AI 시대 위험 등록부에는 R2~R6(환각·편향·저작권·개인정보·정확도)이 새로 들어간다. 전통 SI 위험 등록부에 없던 항목.

TA 산출 ⑬ — SLA · 운영 체계 (AI 정확도 KPI 포함)

AI 시대 SLA는 가용성 + 정확도 두 축이다. WER·BLEU·Recall·환각 신고율을 계약서에 정량 명시해 분쟁을 방지한다.

TA 산출 ⑭ — 최종 산출물 패키지 + ISO 27001 인증 산출물

TA 산출 ⑭ — ISO 27001 + 시험·인증 산출물

🔐 ISO 27001 인증 산출물 (별도 패키지)

인증 기관: BSI·KAB 인정 외부 인증기관 공통

🧪 시험·인증 산출물

ISO 27001 인증 자료는 별도 패키지로 관리 — 일반 산출물과 섞으면 인증 심사 시 추출 어려움. AI 정확도 시험은 분기별 갱신.

Case Study #4 — AI 시대 TA의 종합 학습 포인트

PART 8

📊 결과 보고서 — 제안서 형태 (TA 정답 산출물)

3 슬라이드 · 약 15분 — Executive Summary · 제안 AI 인프라 아키텍처 · TCO + 결론

본 PART는 본 케이스에 대한 TA 정답 제안서 압축본. AI 인프라 6종 + ISO 27001 통제 + 디지털 전환을 한 패키지로.

결과 보고서 ① — Executive Summary

🎨 이미지 프롬프트: "Editorial executive summary dashboard mockup on dark navy background — top banner 'Myongji University AI LMS Digital Transformation — TA Proposal Summary' in large white English, subtitle 'Total 142억 / 5 Years / RAG Accuracy 85% / STT Latency < 5s / 100 QPS Inference'; 4 KPI tiles in 2×2 grid: ① teal gauge showing '85%' RAG answer accuracy with 'Lecture Corpus 20M chunks · 1024-dim HNSW' caption, ② purple bar showing '100 QPS Inference · Triton 24.10 + NVIDIA L40S × 4', ③ green tile 'Real-time STT < 5s end-to-end · Whisper Large-v3', ④ orange tile 'ISO/IEC 27001:2022 — 14 Control Domains'; horizontal timeline 'M+0 Kickoff → M+45 GPU/Milvus Build → M+90 STT/RAG Train → M+120 Pilot 10% → M+150 Full Rollout → M+180 Acceptance + ISO 27001 audit'; small footer 'Proposed TA · 2026-05-31', teal #00b894 and purple #6c5ce7 accents, executive editorial style, 16:9 — CRITICAL: All visible text MUST be in English only."

결과 보고서 ① — Executive Summary

결과 보고서 ② — 제안 AI 인프라 아키텍처 (6종 + ISO 27001)

🎨 이미지 프롬프트: "Editorial AI infrastructure architecture diagram on dark navy background — title 'Myongji University AI LMS — Reference Architecture' in white English at top, horizontal swimlanes: (1) 'User Layer' showing 1,500 student/faculty icons connecting via Web/Mobile, (2) 'Application Layer' showing 'New LMS (Tomcat 10) + AI Chatbot (FastAPI) + Lecture Recording + STT Service', (3) 'AI Inference Layer (GPU)' showing 'NVIDIA Triton Inference Server 24.10 with model ensemble — Whisper Large-v3 (STT) + BGE-M3 (Embedding) + Llama-3.1-8B (RAG Answer) + NLLB-200 (Translation) — on NVIDIA L40S × 4 (each 48GB)', (4) 'Vector DB Layer' showing 'Milvus 2.4 cluster (3 query-nodes + 3 data-nodes + 1 root + etcd HA) with HNSW index on 20M 1024-dim vectors of lecture corpus 2025', (5) 'Data Layer' showing 'PostgreSQL 16 (metadata) + MinIO S3 (audio/video 80TB) + Redis 7 (session)', (6) 'Security Layer' on the right side showing 'ISO/IEC 27001:2022 — 14 Domains: A.5 Policy / A.6 Roles / A.7 HR / A.8 Assets / A.9 Access Control / A.10 Crypto / A.11 Physical / A.12 Ops / A.13 Comms / A.14 SDLC / A.15 Suppliers / A.16 Incident / A.17 BCM / A.18 Compliance' as 14 shield tiles; arrows between layers labeled 'Tokenize → Embed → Search → Retrieve → Generate → Translate'; bottom strip 'KPI — 100 QPS · STT < 5s · RAG 85% · Availability 99.9%', teal #00b894 and purple #6c5ce7 accents, technical AI architecture diagram, 16:9 — CRITICAL: All visible text MUST be in English only."

ensemble:
  step:
    - model: whisper-large-v3
      input: audio
      output: text_kor
    - model: bge-m3
      input: text_kor
      output: vector_1024
    - model: milvus-search
      input: vector_1024
      output: top_k_chunks
    - model: llama-3.1-8b
      input: query + chunks
      output: answer

결과 보고서 ② — 제안 AI 인프라 아키텍처 (6종 + ISO 27001)

결과 보고서 ③ — 5년 TCO + 결론

🎨 이미지 프롬프트: "Editorial financial dashboard mockup on dark navy background — title 'Myongji AI LMS 5-Year TCO + Conclusion' in white English, large stacked bar chart showing 5 years with five color bands per year — teal 'NOC Operations (5.5억/year)', purple 'GPU Power & Cooling (3.2억/year)', orange 'Model Re-training + MLOps (3.0억/year)', green 'License & SW Maintenance (2.8억/year)', red 'Reserve (1.5억/year)' = 16억/year × 5 = 80억; ADD bottom block 'Initial Build (Y0) = 62억'; right callout 'Total 142억 / 5 Years · 50억 savings vs OpenAI/Claude API + Pinecone vendor model'; three boxed conclusions: ① teal 'L40S × 4 + Milvus self-hosted + Whisper self-trained = 50억 saved', ② purple 'KPI — RAG 85% / STT 92%-5s / 100 QPS / P95 < 2s / 99.9%', ③ orange 'Acceptance — ISO 27001 14 domains + 88p TOR compliance'; teal #00b894 and purple #6c5ce7 accents, financial editorial style, 16:9 — CRITICAL: All visible text MUST be in English only."

결과 보고서 ③ — 5년 TCO + 결론