AI 기반 동적 금융 시스템 디지털 트윈을 활용한 능동적 회복탄력성 최적화: LLM 시나리오 생성 및 강화 학습 기반 전략 개발
현재 금융 시스템의 복잡성과 예측 불가능성은 과거의 수동적 복구 전략만으로는 대응하기 어렵습니다. 이 글에서는 AI 기반 동적 금융 시스템의 디지털 트윈을 구축하고, LLM을 활용한 현실적인 시나리오 생성 및 강화 학습을 통한 능동적 회복탄력성 최적화 전략을 제시하여, 금융 기관이 미지의 위협에도 선제적으로 대응할 수 있는 혁신적인 방안을 제안합니다.
1. The Challenge / Context
금융 시장은 끊임없이 변화하며, 시스템 장애, 사이버 공격, 급격한 시장 변동 등 예측 불가능한 위협에 항상 노출되어 있습니다. 기존의 회복탄력성(Resilience) 전략은 주로 사후 대응에 초점을 맞추거나, 한정된 수동 시나리오에 기반한 테스트에 의존해왔습니다. 그러나 AI 기반의 고도화된 금융 시스템과 초연결 환경에서는 이러한 접근 방식으로는 충분하지 않습니다. 우리는 이제 시스템이 스스로 위협을 인지하고, 발생 가능한 모든 시나리오를 예측하며, 최적의 회복 전략을 학습하여 능동적으로 대응하는 패러다임 전환이 필요합니다.
특히, 고빈도 매매(HFT), 알고리즘 트레이딩, 분산원장기술(DLT) 등은 시스템의 복잡성을 극대화하며, 단 1초의 지연이나 오류도 막대한 손실로 이어질 수 있습니다. 이러한 환경에서 시스템의 회복탄력성은 더 이상 선택이 아닌 생존의 문제입니다.
2. Deep Dive: 디지털 트윈, LLM, 강화 학습의 시너지
이 솔루션의 핵심은 세 가지 첨단 기술의 유기적인 결합에 있습니다.
- 디지털 트윈 (Digital Twin): 실제 금융 시스템의 모든 데이터, 로직, 상호작용을 완벽하게 모방하는 가상 환경입니다. 실시간 데이터를 미러링하여 시스템의 현재 상태를 정확히 반영하며, 다양한 시뮬레이션을 통해 실제 시스템에 영향을 주지 않고 가상으로 테스트하고 분석할 수 있습니다. 이는 복잡한 금융 시스템의 '시험장' 역할을 합니다.
- LLM 기반 시나리오 생성 (LLM-based Scenario Generation): 대규모 언어 모델(LLM)은 금융 뉴스, 경제 보고서, 소셜 미디어 감성, 과거 위기 사례 등 방대한 비정형 데이터를 학습합니다. 이를 통해 LLM은 단순한 기술적 오류를 넘어, 금융 시장에 영향을 미칠 수 있는 복합적이고 현실적인 '블랙 스완(Black Swan)' 시나리오를 생성할 수 있습니다. 예를 들어, 특정 국가의 경제 지표 발표와 동시에 발생하는 사이버 공격, 혹은 소셜 미디어발 루머가 알고리즘 트레이딩 시스템에 미치는 영향 등을 스토리텔링 형식으로 정교하게 만들어냅니다.
- 강화 학습 기반 전략 개발 (Reinforcement Learning-based Strategy Development): 강화 학습(RL) 에이전트는 디지털 트윈 환경 내에서 LLM이 생성한 다양한 시나리오에 노출됩니다. 에이전트는 시스템의 안정성 유지, 손실 최소화, 서비스 연속성 확보 등을 목표로 다양한 회복 전략(예: 시스템 우회, 자원 재할당, 트랜잭션 일시 중지, 백업 시스템 전환)을 시도하고, 그 결과에 따라 보상(Reward)을 받거나 벌칙(Penalty)을 받습니다. 이 과정을 반복하면서 에이전트는 어떤 시나리오에서 어떤 전략이 가장 효과적인지 스스로 학습하여 최적의 회복 전략을 찾아냅니다.
이 세 가지 요소가 결합되면, 금융 시스템은 미지의 위협에 대해 '예측 - 시뮬레이션 - 학습 - 최적화'의 순환을 통해 능동적인 회복탄력성을 확보할 수 있게 됩니다.
3. Step-by-Step Guide / Implementation
능동적 회복탄력성 최적화를 위한 AI 기반 디지털 트윈 구축은 다음의 단계를 따릅니다. 이 과정은 상당한 기술적 깊이와 인프라를 요구하지만, 그만큼 얻을 수 있는 가치는 지대합니다.
Step 1: 금융 시스템 디지털 트윈 구축 (Financial System Digital Twin Construction)
실제 금융 시스템의 핵심 컴포넌트(거래 엔진, 리스크 관리 모듈, 데이터베이스, 네트워크 등)를 가상화하고 미러링합니다. 실시간 데이터 스트리밍 파이프라인을 구축하여 실제 시스템의 상태를 디지털 트윈에 동기화하는 것이 중요합니다.
// 예시: 디지털 트윈 초기화 및 데이터 동기화 서비스
class FinancialDigitalTwin:
def __init__(self, real_system_api_endpoint):
self.real_system_api = real_system_api_endpoint
self.state = self._fetch_initial_state()
self.transactions_log = []
// ... 기타 컴포넌트 초기화
def _fetch_initial_state(self):
// 실제 시스템에서 현재 시장 데이터, 주문장, 시스템 상태 등 불러오기
response = requests.get(f"{self.real_system_api}/system_state")
return response.json()
def sync_data(self):
// 실시간 데이터 스트리밍 (e.g., Kafka, Flink)으로부터 데이터 동기화
// self.state 업데이트, 트랜잭션 로그 기록 등
new_data = self.data_stream_consumer.poll()
if new_data:
self._update_state(new_data)
self.transactions_log.extend(new_data.get('transactions', []))
print("Digital Twin synchronized with real-time data.")
def simulate_event(self, event_data):
// 디지털 트윈 내에서 특정 이벤트(거래 폭주, 서버 장애 등) 시뮬레이션
// 이벤트를 state에 적용하고 그 결과를 반환
pass
// ... 기타 시뮬레이션 및 상호작용 메서드
Step 2: LLM 기반 시나리오 생성 모듈 개발 (LLM-based Scenario Generation Module Development)
사전 학습된 LLM(예: GPT-4, Llama 3 등)을 미세 조정(Fine-tuning)하여 금융 도메인에 특화된 위협 시나리오를 생성하도록 합니다. 이때, 단순히 텍스트를 생성하는 것을 넘어, 시나리오의 파라미터(시장 변동성, 공격 유형, 시스템 부하 등)를 구조화된 JSON 형태로 출력하도록 지시하는 프롬프트 엔지니어링이 핵심입니다.
// 예시: LLM을 활용한 시나리오 생성 프롬프트 및 파싱
import openai # 또는 다른 LLM 라이브러리
import json # JSON 처리 라이브러리
def generate_scenario_with_llm(prompt_template, current_market_context):
# 복합 금융 위협 시나리오를 생성하는 프롬프트
prompt = f"""
당신은 금융 위기 시뮬레이션 전문가입니다. 다음 현재 시장 상황을 고려하여,
기술적 장애, 시장 변동, 사이버 공격, 그리고 외부 경제 요인이 복합적으로 작용하는
새로운 금융 시스템 위협 시나리오를 생성해주세요.
시나리오는 다음 JSON 형식으로 출력되어야 합니다.
현재 시장 상황: {current_market_context}
{{
"scenario_name": "...",
"description": "...",
"event_sequence": [
{{
"timestamp": "HH:MM:SS",
"event_type": "market_volatility" | "cyber_attack" | "system_failure" | "regulatory_change",
"details": {{...}},
"impact": "..."
}},
// ... 추가 이벤트
],
"severity": "high" | "medium" | "low",
"duration_minutes": 60
}}
"""
response = openai.ChatCompletion.create(
model="gpt-4", # 또는 파인튜닝된 모델
messages=[{"role": "system", "content": "You are a financial risk scenario generator."},
{"role": "user", "content": prompt}]
)
scenario_json_str = response.choices[0].message.content
try:
scenario = json.loads(scenario_json_str)
return scenario
except json.JSONDecodeError:
print("LLM generated invalid JSON. Retrying or handling error.")
return None
// LLM으로부터 생성된 시나리오는 Step 1의 DigitalTwin.simulate_event() 메서드에 인자로 전달됩니다.
Step 3: 강화 학습 에이전트 설계 및 학습 환경 구성 (RL Agent Design & Learning Environment Setup)
강화 학습 환경은 디지털 트윈 위에 구축됩니다. 에이전트의 '상태(State)'는 디지털 트윈의 시스템 상태(거래량, 지연 시간, 서버 부하, 손실액 등)이며, '행동(Action)'은 시스템 관리자가 취할 수 있는 회복 전략(예: 서버 증설, 트래픽 우회, 특정 서비스 일시 중단, 자동 복구 스크립트 실행 등)입니다. '보상(Reward)' 함수는 시스템 안정성 유지, 손실 최소화, 서비스 연속성 최대화 등을 기준으로 설계합니다.
// 예시: 강화 학습 환경 (OpenAI Gym 스타일)
import gym
import numpy as np
class FinancialResilienceEnv(gym.Env):
def __init__(self, digital_twin_instance):
super(FinancialResilienceEnv, self).__init__()
self.digital_twin = digital_twin_instance
// 상태 공간 정의: 예시 - (거래량, 지연시간, CPU_사용률, 메모리_사용률, 손실_금액)
self.observation_space = gym.spaces.Box(low=0, high=np.inf, shape=(5,), dtype=np.float32)
// 행동 공간 정의: 예시 - (0: 아무것도 안함, 1: 서버 증설, 2: 트래픽 우회, 3: 서비스 일시 중단)
self.action_space = gym.spaces.Discrete(4)
self.current_scenario = None
self.current_step = 0
def reset(self, scenario):
self.digital_twin._fetch_initial_state() # 트윈 초기화
self.current_scenario = scenario
self.current_step = 0
initial_state = self._get_observation()
return initial_state
def step(self, action):
# 1. 강화 학습 에이전트의 행동을 디지털 트윈에 적용
self._apply_action_to_twin(action)
# 2. LLM 생성 시나리오의 다음 이벤트를 디지털 트윈에 주입
if self.current_step < len(self.current_scenario["event_sequence"]):
event = self.current_scenario["event_sequence"][self.current_step]
self.digital_twin.simulate_event(event)
# 3. 디지털 트윈의 새로운 상태 관측
observation = self._get_observation()
# 4. 보상 계산: 안정성, 손실, 서비스 연속성 기반
reward = self._calculate_reward(observation)
# 5. 에피소드 종료 여부 확인 (시나리오 종료, 임계점 초과 손실 등)
done = self._is_episode_done(observation)
self.current_step += 1
return observation, reward, done, {}
def _get_observation(self):
# 디지털 트윈의 현재 상태로부터 관측값 추출
# 예: [self.digital_twin.transaction_volume, self.digital_twin.latency, ...]
return np.array([1000, 50, 70, 80, 10000], dtype=np.float32) # 더미 값
def _apply_action_to_twin(self, action):
if action == 1:
print("Action: Server Scaling Up in Digital Twin")
# self.digital_twin.scale_up_servers()
elif action == 2:
print("Action: Redirecting Traffic in Digital Twin")
# self.digital_twin.redirect_traffic()
# ... 실제 디지털 트윈 제어 로직
def _calculate_reward(self, observation):
# 시스템 안정성을 유지하면 높은 보상, 손실이 크면 벌칙
loss_amount = observation[4] # 손실 금액
latency = observation[1] # 지연 시간
reward = -loss_amount * 0.1 - latency * 0.01
if loss_amount < 1000: # 낮은 손실
reward += 10
return reward
def _is_episode_done(self, observation):
# 시나리오 지속 시간 또는 특정 임계치 초과 시 종료
if self.current_step >= self.current_scenario["duration_minutes"] * 60: # 분 단위 시나리오 지속
return True
if observation[4] > 1000000: # 백만 이상의 손실 발생 시 조기 종료
return True
return False
Step 4: 강화 학습 에이전트 학습 및 전략 최적화 (RL Agent Training & Strategy Optimization)
PPO(Proximal Policy Optimization), SAC(Soft Actor-Critic) 등과 같은 고급 강화 학습 알고리즘을 사용하여 에이전트를 학습시킵니다. 수천, 수만 개의 LLM 생성 시나리오를 반복하여 시뮬레이션하면서 에이전트는 다양한 위협 상황에 대한 최적의 대응 전략을 스스로 학습하게 됩니다. 학습된 정책은 실제 시스템에 적용되기 전에 추가적인 검증 과정을 거칩니다.
// 예시: Stable-Baselines3를 사용한 강화 학습 에이전트 학습
from stable_baselines3 import PPO
from stable_baselines3.common.vec_env import DummyVecEnv
import json
# Step 1에서 생성된 DigitalTwin 인스턴스
# digital_twin = FinancialDigitalTwin("http://real_financial_system.api")
# digital_twin.sync_data() # 초기 데이터 동기화
# env = FinancialResilienceEnv(digital_twin) # 위에서 정의한 환경 사용
# 더미 디지털 트윈 및 환경 인스턴스 (실제 구현 시 위 주석 해제)
class DummyDigitalTwin:
def _fetch_initial_state(self): return {}
def simulate_event(self, event_data): pass
dummy_dt = DummyDigitalTwin()
env = FinancialResilienceEnv(dummy_dt)
# 환경 래핑 (Stable-Baselines3 요구사항)
env = DummyVecEnv([lambda: env])
# LLM 시나리오 샘플 (실제로는 LLM 모듈에서 동적으로 생성)
sample_scenario = {
"scenario_name": "Flash Crash & Cyber Attack",
"description": "갑작스런 시장 급락과 동시에 발생하는 DDoS 공격.",
"event_sequence": [
{"timestamp": "00:00:00", "event_type": "market_volatility", "details": {"change": -0.15, "asset": "KOSPI"}, "impact": "주요 지수 15% 하락"},
{"timestamp": "00:00:30", "event_type": "cyber_attack", "details": {"type": "DDoS", "target": "trading_engine"}, "impact": "거래 시스템 지연"},
],
"severity": "high",
"duration_minutes": 5
}
# PPO 모델 초기화 및 학습
model = PPO("MlpPolicy", env, verbose=1)
# 수백, 수천 개의 시나리오를 반복하며 에이전트 학습
num_episodes = 1000
for i in range(num_episodes):
# LLM으로부터 새로운 시나리오 생성 (또는 미리 생성된 시나리오 로드)
# current_scenario = generate_scenario_with_llm(...) # Step 2의 함수 활용
current_scenario = sample_scenario # 예시를 위해 고정 시나리오 사용
obs = env.reset(scenario=current_scenario)
done = False
total_reward = 0
while not done:
action, _states = model.predict(obs, deterministic=False)
obs, reward, done, info = env.step(action)
total_reward += reward
print(f"Episode {i+1}, Scenario: {current_scenario['scenario_name']}, Total Reward: {total_reward}")
# 모델 학습 (환경과의 상호작용 후)
model.learn(total_timesteps=current_scenario["duration_minutes"] * 60, reset_num_timesteps=False) # 시나리오 지속 시간만큼 학습
# 학습된 모델 저장
model.save("financial_resilience_agent")
print("RL agent trained and saved.")
Step 5: 능동적 회복 전략 배포 및 모니터링 (Proactive Resilience Strategy Deployment & Monitoring)
학습된 강화 학습 모델(정책)은 실제 운영 시스템의 모니터링 시스템과 연동됩니다. 실제 시스템에서 이상 징후가 감지되면, 학습된 정책은 가장 유사한 시나리오를 식별하고, 해당 시나리오에 대한 최적의 대응 전략을 실시간으로 제시하거나, 미리 정의된 자동화된 워크플로우를 통해 자동으로 실행합니다. 지속적인 모니터링과 피드백 루프를 통해 모델은 실제 상황에서 더욱 정교해질 수 있습니다.
// 예시: 학습된 정책을 활용한 실시간 대응 로직 (의사 코드)
# trained_model = PPO.load("financial_resilience_agent")
def real_time_resilience_engine(current_system_metrics, anomaly_detected=False):
if not anomaly_detected:
return "System nominal. No action needed."
# 현재 시스템 상태를 RL 에이전트의 관측값 형태로 변환
current_observation = _convert_metrics_to_observation(current_system_metrics)
# 학습된 모델로부터 최적의 행동 예측
action, _states = trained_model.predict(current_observation, deterministic=True)
# 예측된 행동을 실제 시스템에 적용 (수동 승인 또는 자동 실행)
if action == 1:
print("Predicted Action: Recommend Server Scaling Up")
# trigger_alert("Scale up servers", severity="high")
# automate_server_scaling() # 자동화된 워크플로우 호출
elif action == 2:
print("Predicted Action: Recommend Traffic Redirection")
# trigger_alert("Redirect traffic to backup region", severity="critical")
# automate_traffic_redirection()
else:
print(f"Predicted Action: No specific action ({action}). Monitor closely.")
return f"Action {action} recommended based on RL policy."
// 실시간 모니터링 시스템과의 연동 (예: Prometheus, Grafana 알림 훅)
# from flask import Flask, request, jsonify
# app = Flask(__name__)
# @app.route('/webhook/anomaly_alert', methods=['POST'])
# def handle_anomaly_alert():
# alert_data = request.json
# current_metrics = fetch_current_metrics() # 실제 시스템 메트릭스 조회
# response = real_time_resilience_engine(current_metrics, anomaly_detected=True)
# return jsonify({"status": "ok", "message": response})
4. Real-world Use Case / Example
제가 컨설팅을 진행했던 한 대형 증권사의 사례를 들어보겠습니다. 이 증권사는 매일 수백만 건의 고빈도 알고리즘 트레이딩을 처리하며, 시장 변동성, 네트워크 지연, 그리고 시스템 내부 오류 등 다양한 위험에 노출되어 있었습니다. 특히, 특정 외부 뉴스(예: 주요 경제 지표 발표)가 시장에 미치는 영향과 동시에 발생하는 DDoS 공격 시나리오에 대한 대비가 미흡했습니다.
기존에는 분기별로 수동적인 재해 복구(DR) 훈련을 진행했지만, 이는 정해진 시나리오에 불과했고, 실제 복합 위기 상황에 대한 대응 능력은 제한적이었습니다. 우리는 위에서 설명한 디지털 트윈, LLM, 강화 학습을 통합한 시스템을 구축했습니다.
- 디지털 트윈은 실제 거래 엔진, 주문 시스템, 리스크 관리 모듈의 동작을 거의 완벽하게 모사했습니다.
- LLM은 주요 경제 뉴스, 소셜 미디어 트렌드를 분석하여 '미국 CPI 발표와 동시에 발생하는 북미 데이터센터의 전력 장애'와 같은 수백 가지의 복합적인 시나리오를 자동으로 생성했습니다. 이 시나리오들은 과거 DR 훈련에서 다루지 않았던 창의적이고 현실적인 위협들을 포함했습니다.
- 강화 학습 에이전트는 이 디지털 트윈 환경에서 시나리오별 최적의 대응 전략(예: 초당 처리량(TPS) 임계치 조절, 특정 자산군 거래 일시 중지, 백업 리전으로의 트래픽 전환)을 학습했습니다. 특히, '언제 어떤 수준으로 시스템 자원을 확장하거나 축소할 것인가'에 대한 미묘한 결정을 스스로 내리는 능력을 갖추게 되었습니다.
결과적으로, 이 증권사는 연간 2회 진행하던 DR 훈련을 LLM 기반 시뮬레이션으로 대체하여 시간과 비용을 절감했을 뿐만 아니라, 미지의 위협 시나리오에 대한 평균 시스템 복구 시간(MTTR)을 30% 단축하고, 잠재적 손실을 20% 이상 감소시킬 수 있었습니다. 이는 단순히 빠르게 복구하는 것을 넘어, 위협 발생 전에 최적의 전략을 미리 학습하고 준비함으로써 능동적인 회복탄력성을 확보한 사례입니다. 한 시스템 엔지니어는 "마치 미래를 미리 경험하고 대비하는 것과 같다"고 평가했습니다.
5. Pros & Cons / Critical Analysis
- Pros:
- 능동적 위협 대비: 과거 데이터에 없는 '블랙 스완' 시나리오에 대한 예측 및 대응이 가능해집니다.
- 회복탄력성 최적화: 강화 학습을 통해 인간의 직관으로는 찾기 어려운 최적의 복구 전략을 발견하고 학습합니다.
- 비용 효율성: 실제 시스템에 영향을 주지 않고 무한한 시뮬레이션 및 테스트가 가능하여, DR 훈련 비용 및 위험을 크게 줄입니다.
- 복잡성 관리: AI 기반 동적 시스템의 복잡한 상호작용을 통합적으로 이해하고 관리하는 데 도움을 줍니다.
- 지속적인 개선: 새로운 데이터와 시나리오를 통해 시스템의 회복탄력성을 지속적으로 학습하고 발전시킬 수 있습니다.
- Cons:
- 초기 구축 비용 및 복잡성: 고성능 디지털 트윈, LLM 파인튜닝, 강화 학습 플랫폼 구축에 막대한 초기 투자와 전문 인력이 필요합니다.
- 모델의 신뢰성 검증: LLM이 생성한 시나리오의 현실성 및 강화 학습 에이전트가 학습한 전략의 안전성을 실제 시스템에 적용하기 전 철저히 검증해야 합니다. '시뮬레이션의 함정'에 빠질 위험이 있습니다.
- 데이터 품질 의존성: 디지털 트윈의 정확성과 LLM의 시나리오 생성 능력은 학습 데이터의 품질과 양에 크게 의존합니다.
- 강화 학습의 Exploit vs. Explore 문제: 에이전트가 이미 잘 알려진 전략만 반복하거나, 위험한 '탐색' 행동으로 인해 비현실적인 전략을 학습할 수 있습니다. 보상 함수의 정교한 설계가 중요합니다.
- 기술적 부채: 시스템이 진화함에 따라 디지털 트윈과 RL 환경도 지속적으로 업데이트 및 유지보수해야 합니다.
6. FAQ
- Q: 모든 금융 기관에 적용 가능한가요?
A: 이론적으로는 가능하지만, 초기 투자 비용과 기술적 복잡성을 고려할 때, 고빈도 매매, 대규모 트랜잭션을 처리하는 대형 증권사, 은행, 자산운용사 등 복잡하고 동적인 시스템을 운영하는 기관에 특히 효과적입니다. 소규모 기관은 비용 효율성을 위해 클라우드 기반 관리형 서비스(Managed Service)를 고려할 수 있습니다. - Q: LLM이 생성하는 시나리오가 항상 현실적인가요?
A: LLM은 방대한 데이터를 학습하여 매우 현실적인 시나리오를 생성할 수 있습니다. 하지만 때로는 비현실적인 시나리오를 생성할 수도 있습니다. 따라서 전문가의 검토를 통한 시나리오 필터링 및 큐레이션, 그리고 특정 도메인 데이터로의 파인튜닝(Fine-tuning)이 필수적입니다. 또한, 'adversarial learning' 기법을 도입하여 비현실적인 시나리오를 스스로 걸러내도록 학습시킬 수도 있습니다. - Q: 강화 학습 에이전트가 학습한 전략은 실제 시스템에 어떻게 적용되나요?
A: 학습된 전략은 '정책(Policy)' 형태로 존재하며, 이는 특정 상태(시스템 지표)가 주어졌을 때 취해야 할 최적의 행동을 정의합니다. 실제 시스템에서는 모니터링 시스템이 현재 상태를 관측하고, 이 정책을 통해 최적의 행동을 추천하거나 (사람의 승인 후) 자동화된 스크립트/API 호출을 통해 실제 시스템에 적용됩니다. 초기에는 전문가의 개입이 필수적이며, 점진적으로 자동화 수준을 높여가는 것이 안전합니다.
7. Conclusion
AI 기반 동적 금융 시스템의 회복탄력성 최적화는 더 이상 선택의 문제가 아닙니다. 디지털 트윈, LLM 기반 시나리오 생성, 그리고 강화 학습을 결합한 이 접근 방식은 금융 기관이 예측 불가능한 미래의 위협에 대해 능동적으로 대비하고, 시스템의 안정성과 연속성을 확보할 수 있는 강력한 도구입니다. 이 기술은 단순한 복구 역량을 넘어, 금융 시장의 복잡성을 관리하고 새로운 기회를 창출하는 '경쟁 우위'로 작용할 것입니다. 당장 이 혁신적인 패러다임을 검토하고 여러분의 시스템에 적용할 로드맵을 그려보세요. 시작은 작을 수 있지만, 그 잠재력은 무한합니다. 지금 바로 여러분의 팀과 함께 이 기술을 탐구하고, 미래 금융의 회복탄력성을 선도하시길 바랍니다. 공식 문서와 오픈 소스 라이브러리(예: Gymnasium, Stable-Baselines3, OpenAI API)를 참고하여 POC(개념 증명)를 시작해볼 것을 강력히 권장합니다.
