회계감사 사례문제 풀이 AI 어시스턴트 (Audit Case Solver AI Assistant)

공인회계사 2차 시험의 회계감사 사례형 문제를 입력하면, RAG(Retrieval-Augmented Generation) 아키텍처 기반의 LLM이 벡터 검색을 통해 관련 기준서 내용을 로드하고, 정답 및 판단 근거를 생성해 출력하는 Streamlit 기반의 질의응답 시스템입니다.

---

프로젝트 개요

이 프로젝트는 회계감사 2차시험 대비 교재 및 목차 파일을 학습 데이터로 활용해,
문서 검색 + LLM 응답 생성을 결합한 RAG 파이프라인을 구축하는 것을 목표로 합니다.

사용자는 복잡한 회계감사 문제의 상황과 물음을 입력하고,
시스템은 FAISS 벡터스토어에서 의미 기반으로 관련 chunk를 검색한 뒤,
GPT-4o 모델을 통해 정답과 그에 대한 판단 근거를 구조화된 형태로 반환합니다.

---

회계감사 AI 어시스턴트 UI 미리보기

아래는 실제 웹 앱에서 문제와 물음을 입력하고, 정답 및 판단 근거를 생성한 화면 예시입니다:

---

주요 기능

• RAG 기반 질의응답
  LangChain과 GPT-4o를 활용해, 문서의 내용을 기반으로 정답과 그 근거를 생성합니다.

• 문맥 유사도 검색
  FAISS Vector Store를 활용해 사용자의 질문과 가장 관련 있는 chunk를 검색합니다.

• 프롬프트 최적화
  '정답'과 '판단 근거'를 분리 생성하도록 명확하게 설계된 Prompt Template을 사용합니다.

• 분리 입력 UI
  Streamlit 웹 인터페이스에서 ‘문제’와 ‘물음’을 개별 입력창에 입력받고, 하나의 쿼리로 조합합니다.

• 대화 기록 관리 기능

  • 기록 보기/숨기기
  • 전체 대화 HTML로 저장 (시간 및 스타일 포함)
  • 현재 세션 기록 초기화

---

🛠️ 기술 스택

영역	기술
AI / RAG	LangChain, GPT-4o, FAISS, PromptTemplate
전처리	PyMuPDF, Camelot, Tesseract OCR, Pandas
프론트엔드	Streamlit, Colab, Ngrok
저장 구조	.txt 저장 + 벡터 DB (03_vector_store/)

---

시스템 아키텍처

1. 데이터 전처리 파이프라인 (1_data_processing.ipynb)

1. 01_source_pdfs/ 폴더의 PDF 문서에서 텍스트와 표를 추출

   • PyMuPDF: 일반 텍스트 추출
   • Camelot: 표 데이터 추출 (OpenCV 기반)
   • Tesseract OCR: 텍스트가 거의 없는 페이지에서 이미지 기반 추출

2. 정제 후 결과물을 02_cleaned_text/에 저장

3. LangChain의 RecursiveCharacterTextSplitter로 문서를 의미 단위로 분할 (chunking)

4. OpenAIEmbeddings를 통해 각 chunk를 벡터화하고 FAISS DB로 저장 (03_vector_store/)

---

2. Streamlit RAG 애플리케이션 (2_app_runner.ipynb)

• Colab 환경에서 API 키 관리: userdata.get()으로 키를 불러와 .streamlit/secrets.toml 생성
• app.py에 다음 요소 포함:

1. 벡터 DB 로딩 및 RAG 체인 구성

   • GPT-4o + FAISS
   • RetrievalQA 체인에 prompt template 주입

2. 프롬프트 템플릿

   • '정답:', '판단 근거:' 양식으로 답변 생성 강제
   • 기준 문구를 그대로 인용하며, 절차 적정성·위반 여부 등을 논리적으로 판단

3. Streamlit UI 구성

   • 문제 / 물음 입력창 분리
   • 답변 생성 버튼 → GPT 호출
   • 결과: 정답, 판단 근거, 관련 문서 chunk 출력
   • 대화 기록 저장 기능 (HTML with CSS)