TwinBI는 LLM 에이전트 시스템과 실행 가능한 BI 대시보드 상태를 결합한 에이전트형 디지털 트윈 프레임워크다. 사용자가 대시보드 직접 조작과 자연어 질의를 오갈 때 필터·계층·지표·차트 맥락의 분석 상태가 어긋나는 문제를, 통합 상호작용 로그로 재구성한 공유 분석 상태를 통해 대화·조작·의미 정합·출처 추적을 일원화해 해결한다. 동일 백본 에이전트를 쓴 A/B 벤치마크에서 정확 일치 정확도를 43.3%→63.3%, 부분 점수 정확도를 48.3%→70.8%로 높이고 타임아웃율은 40.0%→10.0%로 크게 낮췄다. 사용성 연구에서도 높은 과제 정확도와 양호한 평가를 얻어, 가시적 대시보드 상태를 풍부한 행동 가능 맥락으로 전환함으로써 분석 신뢰성과 사용자 지원을 모두 향상함을 보였다.
- •LLM 에이전트와 실행 가능한 BI 대시보드 상태를 결합한 디지털 트윈 프레임워크
- •통합 상호작용 로그로 공유 분석 상태를 재구성해 대화·조작·의미정합·출처추적 일원화
- •A/B 벤치마크에서 정확 일치 정확도 43.3%→63.3%, 부분 점수 48.3%→70.8%로 향상
- •타임아웃율을 40.0%에서 10.0%로 대폭 감소
- •사용성 연구에서 대시보드-채팅 통합 워크플로우가 높은 정확도와 상태 인식 상호작용에 호의적 평가 획득
TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards
본문 미리보기
arXiv:2606.13731v1 Announce Type: new Abstract: Business intelligence (BI) increasingly combines dashboard interaction with LLM-based assistance, but these two modes often fall out of sync during multi-step analysis. As users switch between direct dashboard manipulation and natural-language queries, it becomes difficult to preserve a consistent analytical state across filters, hierarchies, metrics, and chart context. We present TwinBI, an agentic digital-twin framework that couples an LLM-based
전체 내용이 궁금하다면?
원문을 직접 읽어보세요