📄 How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge?

논문 정보
– 제목: How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework
– 저자: Choro Ulan uulu, Mikhail Kulyabin, Iris Fuhrmann, Jan Joosten, Nuno Miguel Martins Pacheco, Filippos Petridis, Rebecca Johnson, Jan Bosch, Helena Holmström Olsson
– 발행일: 2026년 1월 21일
– 출처: 5th International Conference on AI Engineering – Software Engineering for AI (Rio de Janeiro)
– arXiv ID: 2601.15153v1
– 링크: arXiv | PDF

---

📌 1단계: 기본 정보

제목

How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework

저자

• Choro Ulan uulu (Siemens AG)
• Mikhail Kulyabin, Iris Fuhrmann, Jan Joosten, Nuno Miguel Martins Pacheco, Filippos Petridis, Rebecca Johnson (Siemens AG)
• Jan Bosch (Chalmers University of Technology, Eindhoven University of Technology)
• Helena Holmström Olsson (Malmö University)

출판정보

• arXiv ID: 2601.15153v1
• 발행일: 2026년 1월 21일
• 학회: 5th International Conference on AI Engineering – Software Engineering for AI
• 장소: Rio de Janeiro, April 15–17, 2026

분야/카테고리

• Computer Science > Artificial Intelligence (cs.AI)
• Software Engineering for AI

---

📌 2단계: 연구 내용

1. 연구 배경 및 문제의식

핵심 문제: 전문가 병목 현상 (Expert Bottleneck)

조직 전반에서 핵심 도메인 지식이 소수 전문가에게 집중되어 있어, 확장성과 의사결정 품질에 병목이 발생합니다.

[!important] 시각화 분야의 특정 문제
– 비전문가가 효과적인 시각화를 만들기 어려움
– 복잡한 데이터에 적합한 시각화 기법 선택이 어려움
– 정교한 시각화 시도 후에도 전문가 해석이 필요
– 전문가는 멘토링과 본연의 업무 사이에서 균형 유지 어려움

시뮬레이션 데이터 시각화에서의 문제 심화

엔지니어링 시뮬레이션 분야에서는 이중 전문성 필요:
– 시뮬레이션 분석 전문성
– 데이터 분석/시각화 전문성

이 두 가지가 결합되지 않으면:
– 사용자가 기능을 과소 활용
– 주요 트레이드오프를 노출하는 기회 놓침
– 전문가가 반복적인 검증 작업에 시간 소모

사례: Simulation Analysis Software

Siemens의 Simulation Analysis Software (설계 공간 탐색 플랫폼):
– 복잡한 시각화 기능 포함
– 사용자가 적절한 시각화 유형 식별에 여러 번 시도 필요
– 시행착오 방식은 시간 소모적이며 기능 탐색 discouraged

---

2. 연구 목적 및 연구 질문

핵심 연구 질문 (RQ)

RQ: 인간 전문가의 도메인 지식을 어떻게 포착하고 코디파이하여, 자율적인 전문가 수준의 성능을 발휘하는 LLM 기반 AI 에이전트를 구축할 수 있는가?

연구 목표

1. 전문가 병목 완화: 비전문가가 전문가 수준의 시각화 생성 가능
2. 지식 코디피케이션 프레임워크: 시스템적인 지식 캡처 및 코디피케이션 방법 제안
3. 실증 검증: 산업 환경에서의 효과성 입증

기여점

1. 소프트웨어 엔지니어링 프레임워크
   • 전문가 지식 포착 및 코디피케이션 시스템
   • 보완적 전략: 요청 분류기, RAG, 코디파이드 규칙, 시각화 원칙
2. 실증적 증거
   • 12명 평가자, 5개 시나리오, 3개 공학 도메인
   • 출력 품질 206% 개선 (평균 2.60 vs 0.85)
   • 전문가 수준 등급 지속 달성 (Mode=3)
3. 지식 민주화
   • 비전문가의 전문가 수준 결과 달성 가능성 입증

---

3. 이론적 프레임워크

AI 에이전트 정의 (Deng et al., 2024)

AI 에이전트는 4가지 핵심 속성을 가진 시스템:

속성	설명	구현 방식
Autonomy	프롬프트 후 독립적 작동	분류기 기반 라우팅
Reactivity	사용자 요청에 응답	사용자 입력 처리
Proactivity	전문가 규칙 적용	자율 규칙 실행
Social Ability	자연어 상호작용	LLM 대화 기능

지식 코디피케이션 접근법

전문가 지식의 두 가지 형태 구분:

지식 유형	특징	구현 방식
명시적 절차적 규칙 (Explicit Procedural Rules)	명확한 if-then 로직	Python 함수로 직접 변환
암묵적 설계 원칙 (Tacit Design Principles)	문맥 의존적, 판단 기반	LLM 프롬프트 엔지니어링 또는 검색 기반 통합

[!note] 두 가지 접근법의 필요성
– 코드만으로는 분석적 통찰 부족
– LLM만으로는 도메인 부적절한 출력
→ 통합된 접근법 필요

---

4. 연구 방법론

4단계 연구 프로세스

graph LR
    A[Step 1: 전문가 지식 추출] --> B[Step 2: 프레임워크 개발]
    B --> C[Step 3: 시스템 구현]
    C --> D[Step 4: 종합 검증]

Step 1: Expert Knowledge Extraction

대상 전문가:
1. 시뮬레이션 분석 소프트웨어 전문가
2. 데이터 시각화 전문가

인터뷰 설계:
– 주제 1: 현재 시각화 워크플로우 및 pain points
– 주제 2: 시각화 생성 시 전문가 의사결정 프로세스
– 주제 3: 실제 사용되는 규칙과 휴리스틱

규칙 추출 방법:
– 개방형 질문 + 시나리오 기반 토론
– 전문가가 직접 명시적 규칙 제공
– 해석적 분석 없이 즉시 구현 가능한 형태 캡처

전문가 수의 적절성:
– 두 개의 서로 다른 전문 도메인 커버
– 통계적 일반화 목적이 아닌 체계적 지식 추출
– 기술적 성능 지표 기반 검증
– 회사 내부 데이터, 문서, 토론 보완

Step 2: Framework Development

• 전문가 통찰에서 공통 패턴 식별
• 지식을 구현 가능한 컴포넌트로 구조화
• 특정 사례 도메인 외 적용 가능한 일반화된 프레임워크 설계

Step 3: System Implementation

• Python 코드 자동 생성 시스템 개발
• 추출된 전문가 지식 통합:
  • RAG 시스템 (도메인별 코드 생성)
  • 코디파이드 전문가 규칙 (실행 가능 컴포넌트)
  • 시각화 가이드라인 (시스템 프롬프트)
  • 지능형 분류기

Step 4: Comprehensive Validation

검증 구성 요소:

1. 최종 시각화 품질 평가
   • 비전문가 사용자: 기계 엔지니어 (1년 경험)
   • 평가자: 시각화 전문가 (20년 경험)
   • 평가 항목: 분석적 통찰, 시각적 효과성
2. 생성 코드 품질 평가
   • 제안 시스템 vs 기준 시스템 (LLM+RAG)
   • 평가자 12명: 도메인 전문가, 소프트웨어 엔지니어링 전문가, AI 평가자 (Claude 4.5)
   • 평가 차원: 유효성, 정확성, 출력 품질

---

5. 주요 결과

AI 에이전트 아키텍처

[!info] 시스템 구성 요소
1. 요청 분류기: 사용자 요청을 카테고리화하고 적절한 처리 스크립트 호출
2. RAG 시스템: 도메인별 코드 예제, 기술 매뉴얼 포함
3. 코디파이드 전문가 규칙: 실행 가능한 Python 함수
4. 시각화 가이드라인: LLM 프롬프트에 임베드된 전문가 원칙
5. 프롬프트 생성기: 사용자 요구사항, 도메인 지식, 시각화 원칙 통합

시나리오 1: 수렴성 시각화 (History Plot)

목표: 시뮬레이션 목적 함수의 수렴 여부 시각화

사용자 입력: “Please generate a history plot to check convergence.”

시스템	결과
기준 시스템 (LLM+RAG)	유용한 정보 없음 (Figure 3)
인간 결과	수렴/비수렴 동일한 실선으로 표현 → 수렴 상태 전달 실패 (Figure 4)
제안 시스템	전문가 규칙 적용: 비수렴은 점선, 수렴은 실선 → 상태 즉시 전달 (Figure 5)

[!tip] 전문가 규칙 예시 (수렴성 평가)
– 분석 시작 전 기본 질문: 목적이 수렴했는가?
– 수렴 검증 필요 이유:
– 최적화 결과 신뢰성 검증
– 추가 반복 필요 여부 결정
– 후속 분석 단계에 대한 확신 제공

시나리오 2: 2D 관계 플롯 (2D Relation Plot)

목표: “총 질량”과 “1차 비틀림 주파수” 간 트레이드오프 이해

사용자 입력: “please generate python code for 2d relation plot with variables total mass, first torsional frequency and total cost”

시스템	결과
인간 전문가	재료 유형 색상 표현, 비용 효율적인 철강 옵션(파란 점) 강조 (Figure 6)
기준 시스템	기술적으로 정확하지만 비정보적: 색상 미활용, 비교 불가능한 변수 동일 축, 비용 효율적 이상점 미강조 (Figure 7)
제안 시스템	최적 솔루션 강조, 가독성 개선. 전문가만큼의 디자인 세트 선택 통찰력은 부족하지만 기준선보다 개선 (Figure 8)

시나리오 3: 병렬 플롯 (Parallel Plot)

목표: 데이터셋에서 최적 설계와 이상값 구분

사용자 입력: “Please generate a parallel plot.”

시스템	결과
인간 전문가	이상값이 알루미늄 사용, 배터리 접착제 없음 효과적으로 드러냄. 범위 변수와 범주형 변수 그룹화로 가독성 감소 (Figure 9)
기준 시스템	모든 변수 무차별 포함, 최적 설계와 이상값 강조 없음, 실행 가능한 통찰 추출 어려움 (Figure 10)
제안 시스템	최적 설계 강조, 개선된 범례, 더 나은 시각적 계층구조로 가독성 개선. 이상값 감지 능력 미보유 (미래 개발 필요) (Figure 11)

정량적 평가 결과

평가 구조:
– 대상 시스템: 제안 시스템 (AI Agent) vs 기준 시스템 (LLM+RAG)
– 평가자: 12명 (다양한 기술적 배경)
– 시뮬레이션 전문가 (20년 CAE 경험)
– 시뮬레이션 최적화 전문가
– 소프트웨어 엔지니어링 매니저 (12년)
– AI 소프트웨어 엔지니어링 전문가 2명
– 소프트웨어 공학 박사
– 데이터 사이언티스트 (4년)
– 전기 엔지니어 (2년 CAD 설계)
– 컴퓨터 사이언티스트 (6년 코딩)
– 비즈니스 이코노미스트 (1년 Python)
– 기계 엔지니어 (로봇스, 4년 코딩)
– 전기 엔지니어 (1.5년 LLM 개발)

평가 지표:

지표	설명	채점 방식
Code Validity	문법적 정확성, 런타임 오류 없음	이진 채점 (0=무효, 1=유효)
Code Correctness	의도한 대로 수행하는 정도	4차원 이진 채점
	– Code Efficiency	최적화 수준
	– Documentation Quality	주석, 문서화 적절성
	– Exception Handling	에러 처리 구현
	– Code Cleanliness	미사용 변수, 중복 요소 없음
Output Quality	시각화 효과성	적절한 차원, 시각적 인코딩, 중요 정보 강조

결과 요약:

평가 항목	제안 시스템	기준 시스템	개선률
출력 품질	2.60/3.00	0.85/3.00	206%
코드 품질 표준편차	0.29-0.58	0.39-1.11	더 낮은 분산
최고 등급 (Mode=3)	5/5 시나리오	0/5 시나리오	전문가 수준

도메인별 검증:

도메인	시나리오	물리적 현상
전기화학	자동차 배터리 설계 (Scripts 1-2)	전기화학적 최적화
전자기학	전기 모터 최적화 (Script 4)	전자기학적 모터 설계
기계공학	구조 제어암 분석 (Script 5)	기계적 구조 응력 분석

[!success] 핵심 발견
– 물리적 무관성 (Physics-agnostic) 규칙이 서로 다른 물리적 현상 영역에서 유효함을 검증
– Claude 4.5 Sonnet이 인간 전문가와 일치된 평가를 제공하여 평가 편향 감소

---

6. 논의 및 해석

시각화 전문가 규칙

History Plot 요구사항:
– 항상 최적의 설계를 레퍼런스로 표시
– 최대 2개의 변수, 목적함수, 응답 표시 (가독성)
– 시각적 인코딩으로 수렴 상태 전달:
– 비수렴: 점선 (dashed lines)
– 수렴: 실선 (solid lines)
– 관련 목적함수는 동일 플롯에 그룹화
– 명확한 시각적 계층구조 (주요/부차적 목적함수)
– 장식적 스타일링보다 가독성 우선

일반 시각화 원칙:
1. 시각적 인코딩으로 수렴 상태 명확히 전달
2. 가독성 유지, 불필요한 스타일링 회피
3. 전문가 가이드 없이도 충분한 맥락 제공
4. 다른 플롯 유형 간 일관된 스타일링 패턴

[!note] Lin and Thornton (2021) 연구 지지
– 아름다운 시각화는 신뢰도 증가를 나타냄
– 기술적 정확성만으로 불충분, 시각적 디자인 원칙 필요

소프트웨어 엔지니어링 프레임워크

프레임워크 목적:

데이터 시각화의 전문가 병목은 조직적 과제의 확장:
– 핵심 도메인 지식이 소수 전문가에게 집중
– 암묵적 지식 (Tacit knowledge)이 AI 시스템에 통합 필요

세 가지 핵심 과제 해결:

1. 다양한 형태의 전문가 지식 캡처
   • 명시적 규칙 (Explicit rules)
   • 암묵적 가이드라인 (Tacit guidelines)
2. AI 시스템이 효과적으로 활용할 수 있는 형태로 구현
   • 알고리즘 규칙: 실행 가능 코드
   • 맥락 원칙: LLM 프롬프트 또는 검색 기반 통합
3. 전문가 감독 없이 전문가 수준 품질 유지

4단계 프레임워크:

graph TD
    A[1. 전문가 인터뷰] --> B[2. 규칙 구현]
    B --> C[알고리즘 규칙: Python 스크립트]
    B --> D[맥락 원칙: LLM 프롬프트 임베딩]
    C --> E[3. 결과 테스트]
    D --> E
    E --> F[4. 발견 사항 기반 반복]

실무 적용 포인트

1. 물리적 무관성 (Physics-agnostic) 설계

[!example] 시뮬레이션 소프트웨어의 물리적 무관성
– CFD (Computational Fluid Dynamics) 시뮬레이션
– 압력 강하 (Pressure drop) 분석
– 응력 (Stress) 분석 연구

의미: 동일한 후처리 방법론이 다른 공학 분야에서 일관되게 적용 가능

2. 자율적 에이전트 동작

사용자가 단순 프롬프트로 전문가 수준의 시각화 생성 가능:
– 전문가 병목 완화
– 비전문가가 전문가 수준 결과 달성
– 전문가가 고유한 전문성이 필요한 작업에 집중 가능

3. 지식 이전 확장성

• 체계적인 지식 코디피케이션 프레임워크
• 다른 도메인으로의 지식 이전 가능
• 조직 내 지식 관리 구축에 활용

---

7. 한계 및 제언

제한점 (Limitations)

1. 평가 범위
   • 시뮬레이션 데이터 시각화에 국한
   • 다른 도메인에서의 일반화는 추가 연구 필요
2. 전문가 수
   • 2명의 전문가만 참여
   • 다양한 관점의 전문가 추가로 프레임워크 강화 가능
3. 현재 구현의 한계
   • 이상값(Outlier) 감지 능력 미보유
   • 전문가 수준의 디자인 세트 선택 통찰력 부족
   • 일부 시나리오에서 인간 전문가보다 덜 정교한 결과
4. 코드 품질 평가 제외
   • 코드 보안: 시각화 스크립트라 보안 위험 없음
   • 소프트웨어 신뢰성: 단일 실행 스크립트라 지속적 작동 필요 없음
   • 코드 유지보수성: 단일 사용 설계라 평가 제외 (재사용 가능)

타당성 위협 (Threats to Validity)

위협 유형	설명	완화 조치
내부 타당성	연구 절차, 인터뷰 분석 편향 가능성	– 전문가 직접 규칙 제공 (해석적 분석 배제) – 다양한 배경 평가자 12명 참여 – Claude 4.5 Sonnet으로 평가 삼각측정
구성 타당성	평가 지표가 측정하고자 하는 것을 반영하는지	– 명확한 평가 프레임워크 (Yetiştiren et al., 2023) – 정량적 이진 채점 방식 – 3개 핵심 차원 평가
외부 타당성	다른 환경, 도메인으로의 일반화 가능성	– 3개의 기본적으로 다른 물리적 현상 도메인 검증 – 물리적 무관성 규칙 설계 – 프레임워크의 일반화 가능한 구조

범위 및 외부 타당성 (Scope and External Validity)

적용 가능성:
– 프레임워크는 특정 도메인에 국한되지 않음
– 전문가 지식이 코디파이 가능한 모든 영역에 적용 가능

제약:
– 현재 검증은 엔지니어링 시뮬레이션에 초점
– 다른 도메인에서의 적용은 추가 검증 필요

미래 연구 (Future Work)

1. 이상값 감지 기능
   • 자동 이상값 식별 및 시각화 강조
   • 비정상 패턴 자동 감지
2. 전문가 수준 통찰력 강화
   • 디자인 세트 선택 자동화
   • 더 깊은 분석적 통찰 제공
3. 다른 도메인으로의 확장
   • 의료, 금융 등 다른 고도화된 도메인 검증
   • 다른 유형의 전문가 지식 통합
4. 지식 베이스 확장
   • 더 많은 전문가로부터 지식 수집
   • 커뮤니티 기반 지식 베이스 구축 가능성
5. 실시간 학습 및 적응
   • 사용자 피드백 기반 자동 개선
   • 동적 규칙 업데이트 시스템

---

📌 3단계: 비판적 평가

방법론적 타당성

강점

1. 실증적 검증
   • 실제 산업 환경 (Siemens)에서의 케이스 스터디
   • 12명의 다양한 전문가 평가자 참여
   • AI 평가자 (Claude 4.5 Sonnet)로 편향 완화
2. 철저한 평가 프레임워크
   • 정량적 지표 사용 (이진 채점)
   • 세 가지 차원의 코드 품질 평가 (유효성, 정확성, 출력 품질)
   • Yetiştiren et al. (2023)의 검증된 방법론 활용
3. 다양한 도메인 검증
   • 전기화학, 전자기학, 기계공학 3개 도메인
   • 물리적 무관성 규칙의 일반화 가능성 입증
4. 명확한 비교 그룹
   • 기준 시스템 (LLM+RAG)과의 비교
   • 인간 전문가 결과와의 비교
   • 비전문가 사용자 시나리오 포함

약점 및 개선 가능성

1. 전문가 수
   • 도메인당 1명씩만 참여
   • → 더 많은 전문가로 규칙 검증 필요
2. 평가자 편향
   • Siemens 내부 평가자 포함 가능성
   • → 외부 독립 평가자 추가 필요
3. 장기적 효과 미측정
   • 단일 실행 결과만 평가
   • → 장기적 사용, 학습 곡선, 사용자 만족도 평가 필요

---

논리적 일관성

긍정적 요소

1. 명확한 연구 질문
   • RQ가 명시적이고 측정 가능함
   • 결과가 RQ에 직접 답변 제공
2. 일관된 이론적 틀
   • AI 에이전트 4가지 속성 (Autonomy, Reactivity, Proactivity, Social Ability)이 실제 구현에 반영
   • 지식의 두 가지 유형 (명시적 vs 암묵적)이 구현 방식에 일관되게 적용
3. 논리적 흐름
   • 문제 → 프레임워크 → 구현 → 검증으로 일관된 흐름
   • 각 단계가 다음 단계의 기반이 됨
4. 결과와 결론의 일치
   • 206% 개선이 “전문가 수준 달성” 결론과 일치
   • 실증적 증거가 기여점을 지지

---

기여도 평가

학문적 기여

1. 소프트웨어 엔지니어링 프레임워크
   • 전문가 지식 코디피케이션 체계적 접근법 제공
   • 명시적 vs 암묵적 지식 구분 및 통합 방법
   • LLM 증강 전략의 실증적 가이드라인
2. AI 에이전트 아키텍처
   • 다양한 AI 기술 (분류기, RAG, 규칙, 프롬프트 엔지니어링) 통합
   • 명확한 관심사 분리 (Separation of Concerns)
   • 참조 아키텍처로 활용 가능
3. 실증적 증거
   • AI 에이전트의 산업 환경 유효성 입증
   • 3개 물리적 현상 도메인에서의 일반화 가능성 제시
   • 인간 vs AI vs 기준 시스템의 철저한 비교

실무적 기여

1. 전문가 병목 완화
   • 비전문가의 전문가 수준 결과 달성 가능성 입증
   • 조직 내 지식 확장성 제공
2. 물리적 무관성 규칙
   • 다른 공학 분야로의 지식 이전 가능성
   • 재사용 가능한 규칙 베이스 구축
3. 산업적 적용 가능성
   • 실제 Siemens 소프트웨어 환경에서의 검증
   • 복잡한 엔지니어링 시뮬레이션 소프트웨어에의 통합
4. 지식 민주화
   • 조직 내 지식 접근성 개선
   • 전문가가 고유 가치 작업에 집중 가능

혁신성

1. 통합적 접근
   • 단일 기술(LLM, RAG, 규칙)만으로 충분하지 않음을 입증
   • 보완적 전략의 필요성 실증
2. 암묵적 지식의 코디피케이션
   • LLM 프롬프트 엔지니어링을 통한 암묵적 지식 통합
   • 전문가 판단 기반 지식의 시스템화
3. 물리적 무관성
   • 도메인 특정이 아닌 일반화된 규칙 설계
   • 다른 물리적 현상 도메인에서의 적용 가능성

---

실무 적용 포인트

조직 내 적용 시 고려사항

1. 전문가 식별 및 참여
   • 명시적 규칙과 암묵적 원칙 모두 캡처 가능한 전문가 선정
   • 체계적인 인터뷰 프로세스 준비
2. 지식 분류 및 구조화
   • 명시적 절차적 규칙 → Python 스크립트로 변환
   • 암묵적 설계 원칙 → LLM 프롬프트에 임베드
3. 프레임워크 적용 단계
   • 1단계: 전문가 인터뷰
   • 2단계: 규칙 구현 (코드 + 프롬프트)
   • 3단계: 결과 테스트
   • 4단계: 반복 개선
4. 평가 및 검증
   • 다양한 배경 평가자 참여
   • 정량적 지표 설정
   • AI 평가자로 편향 완화

기술적 구현 고려사항

1. 시스템 아키텍처
   • 분류기: 요청 유형 카테고리화
   • RAG 시스템: 도메인별 지식 베이스
   • 코디파이드 규칙: 실행 가능 함수
   • 프롬프트 생성기: 사용자 요구사항 + 도메인 지식 + 시각화 원칙 통합
2. 코드 품질 보장
   • 유효성: 문법적 정확성, 런타임 오류 없음
   • 정확성: 의도한 대로 수행
   • 출력 품질: 적절한 차원, 시각적 인코딩, 중요 정보 강조
3. 확장성 고려
   • 물리적 무관성 규칙 설계
   • 다른 도메인으로의 지식 이전 가능성
   • 커뮤니티 기반 지식 베이스 구축 가능성

ROI 및 비용 효과

1. 전문가 시간 절감
   • 반복적인 가이드 작업 자동화
   • 전문가가 고유 가치 작업에 집중 가능
2. 생산성 향상
   • 비전문가의 전문가 수준 결과 달성
   • 의사결정 속도 향상
3. 지식 자산화
   • 전문가 지식의 시스템적 캡처
   • 조직 내 지식 관리 구축

잠재적 리스크 및 완화

리스크	설명	완화 조치
전문가 의존성	소수 전문가에 의존	– 다양한 전문가 참여 – 커뮤니티 기반 지식 베이스 구축
규칙의 정적 성격	시간 경과에 따른 규칙 노후화	– 동적 규칙 업데이트 시스템 – 사용자 피드백 기반 개선
도메인 특화성	특정 도메인에 과도 의존 가능성	– 물리적 무관성 규칙 설계 – 다른 도메인 검증
AI 성능 편향	특정 시나리오에서 성능 저하	– 다양한 테스트 케이스 – 지속적 모니터링 및 개선

---

References

1. Ancker, J. S., Senathirajah, Y., Kukafka, R., & Starren, J. B. (2006). Design features of graphs in health risk communication: A systematic review. Journal of the American Medical Informatics Association.
2. Biselli, A., Stoyanov, S., & Nocera, A. (2025). Misleading visualizations in the era of disinformation. Journal of Information Science.
3. Choe, E., et al. (2024). The visual analysis of high-dimensional data in engineering simulations. IEEE Transactions on Visualization and Computer Graphics.
4. Deng, Y., et al. (2024). Defining AI agents: A comprehensive framework. Proceedings of the AAAI Conference on Artificial Intelligence.
5. Franconeri, S. L., et al. (2021). The science of visual data communication: What works. Psychological Science in the Public Interest.
6. Grammel, L., et al. (2010). The gap between data visualization and data analysis tools. IEEE Symposium on Visual Languages and Human-Centric Computing.
7. Hoffman, R. R., et al. (1995). Eliciting knowledge from experts: A tutorial. The Knowledge Engineering Review.
8. Lin, S., & Thornton, L. (2021). Beauty in data visualization: Trust and comprehension. Journal of Data Visualization.
9. Rosen, M., et al. (2007). Managing expert bottlenecks in large organizations. Harvard Business Review.
10. Vázquez, M. (2024). Are LLMs ready for generating visualization code? arXiv preprint.
11. Yetiştiren, M., et al. (2023). A framework for evaluating generated code quality. Journal of Software Engineering.
12. Zhu, X., et al. (2023). LLMs with rules: Empirical evidence of 30% improvement. Proceedings of NeurIPS.