| 국문요약 |
본 연구는 국가기록원의 공개재분류 및 비식별화 업무에 인공지능(AI)을 적용함
으로써, 기록관리 업무의 효율성과 신뢰성을 동시에 향상시킬 수 있음을 입증하였
다.
우선, 공개재분류 업무는 법령·정책·사회적 가치가 복합적으로 작용하는 영역으
로, 기존 AI 분류기(Classifier) 모델의 고정된 패턴 학습 방식만으로는 정확한 판단
이 어려움을 확인하였다. 이에 본 연구는 RAG(Retrieval Augmented Generation)
기반 AI 모델을 도입하여, 과거 재분류 사례 및 관련 판단기준을 지식저장소
(Knowledge Base) 에서 검색·활용하는 구조로 구축하였다. 그 결과, 모델은 근거
중심의 판단(Explainable Decision)이 가능해졌으며, 기준 변경에도 재학습 없이 즉
시 대응할 수 있는 유연성을 확보하였다.
또한, 공공기록물의 비식별화 과정에서는 정규식·규칙·문맥·LLM 검증을 결합한
하이브리드 검출 구조를 적용하였다. 숫자형 정보(주민등록번호·계좌번호 등)는 다
단계 검증 파이프라인으로, 문자형 정보(이름·주소·기관명 등)는 LLM 프롬프트 기
반 문맥 탐지 방식으로 처리하여 정확도를 향상시켰다. 이를 통해 검출된 비식별화
대상 정보는 공개재분류 과정과 연계되어, 이용자 정보는 제외하고 자동 마스킹하
는 이용자 맞춤형 비식별화 기록물 제공 기능이 구현되었다.
이를 통해 AI 모델을 활용한 공개재분류 및 비식별화 대상 정보 검출이 가능하
며, 그 결과를 열람·활용 단계에서 비식별화 처리된 기록물로 안전하게 제공할 수
있음을 확인하였다.
향후 발전 방향으로는 문서요약·판단·문맥이해·비식별화 등 업무 특성별로 최적
화된 AI 모델을 병렬로 활용하는 멀티 LLM 오케스트레이션(Multi-LLM
Orchestration) 구조를 제안하였다. 다양한 LLM의 특성을 분석·조합함으로써 공개
재분류에 특화된 AI 에이전트 구성이 가능하며, 최신 LLM의 도입을 통해 성능과
적용 범위가 한층 확대될 것으로 기대된다.
|
| 영문요약 |
This study demonstrated that applying Artificial Intelligence (AI) to the National Archives’ declassification and de-identification processes can significantly enhance both the efficiency and reliability of records management operations.
First, it was confirmed that the declassification process involves a complex interplay of legal, policy, and social value judgments, making it difficult to achieve accurate results through conventional AI classifier models based solely on fixed pattern learning. To address this limitation, the study adopted a Retrieval Augmented Generation (RAG)-based AI model, which retrieves and utilizes past reclassification cases and decision criteria from a Knowledge Base. As a result, the model was able to provide evidence-based and explainable decisions and demonstrated structural flexibility that allows it to adapt immediately to changes in classification criteria without retraining.
In addition, for the de-identification of public records, a hybrid detection
framework combining regular expressions, rule-based validation, contextual analysis, and LLM-based verification was applied. Numerical information (e.g., resident registration numbers, account numbers) was processed through a multi-stage validation pipeline, while textual information (e.g., names, addresses, organization names) was detected using LLM prompt-based contextual analysis, improving overall accuracy. The detected de-identification targets were linked with the declassification process, enabling the implementation of a
user-customized de-identified records provision function that automatically masks personal information when accessed.
Through this approach, it was verified that AI models can effectively perform both declassification and de-identification, and that the resulting records can be safely provided in a de-identified form during access and utilization stages.
For future development, the study proposes adopting a Multi-LLM Orchestration structure that applies optimized AI models in parallel according to task characteristics such as document summarization, decision-making, contextual understanding, and de-identification. By analyzing and integrating the capabilities of various LLMs, it will be possible to configure specialized AI agents for declassification tasks. Furthermore, with the continuous advancement of high-performance LLMs, the system’s performance and scope of application are expected to expand significantly.
|
