라비 보마칸티, 앱 오케스트라 CTO – 인터뷰 시리즈

Ravi Bommakanti는 App Orchid의 최고기술책임자(CTO)로, 기업이 애플리케이션과 의사결정 프로세스 전반에 AI를 실제로 적용하도록 돕는 회사의 사명을 이끌고 있습니다. App Orchid의 대표 제품인 Easy Answers™는 사용자가 자연어로 데이터와 상호작용해 AI 기반 대시보드, 통찰, 권장 조치를 생성하도록 지원합니다.

이 플랫폼은 실시간 입력과 직원 지식을 포함한 정형·비정형 데이터를 전략적·운영적 의사결정을 지원하는 예측형 데이터 패브릭으로 통합합니다. App Orchid는 인메모리 빅데이터 기술과 사용자 친화적 인터페이스를 바탕으로 빠른 배포, 저비용 구현, 기존 시스템의 중단 최소화를 통해 AI 도입을 간소화합니다.

먼저 큰 그림부터 살펴보겠습니다. ‘에이전틱 AI’란 무엇이며, 기존 AI 시스템과 어떻게 다릅니까?

에이전틱 AI는 기존 AI 시스템의 전형적인 정적 실행에서 동적 오케스트레이션으로 전환하는 근본적인 변화를 뜻합니다. 사전에 엄격하게 프로그래밍된 시스템에서 벗어나, 추론하고 계획하며 협업할 수 있는 자율적이고 적응력 있는 문제 해결자로 이동하는 것입니다.

에이전틱 AI의 진정한 차별점은 분산된 지식과 전문성을 활용하는 능력입니다. 기존 AI는 미리 정해진 경로를 따라 고정된 경계 안에서 작동하는 경우가 많습니다. 반면 에이전틱 시스템은 복잡한 과제를 세부 작업으로 나누고, 각 작업에 적합한 전문 에이전트를 식별하며, 에이전트 레지스트리를 통해 이를 발견·활용하고, 에이전트 간 상호작용을 조율해 하나의 해결책을 만들 수 있습니다. 에이전트 레지스트리라는 개념을 활용하면 조직은 모든 AI 기능을 내부에서 직접 구축하거나 소유하지 않고도, 필요할 때 전문 역량을 사실상 ‘임대’할 수 있습니다. 이는 인간 전문가 팀을 구성하는 방식과 비슷합니다.

따라서 미래는 하나의 거대한 시스템보다, 숙련된 프로젝트 관리자가 팀을 이끌듯 전문 에이전트를 동적으로 구성하고 조율할 수 있는 생태계를 만드는 데 있습니다. 이를 통해 복잡하고 계속 진화하는 비즈니스 문제에 효과적으로 대응할 수 있습니다.

Google (GOOGL ) Agentspace는 기업의 에이전틱 AI 도입을 어떻게 가속하고 있으며, 이 생태계에서 App Orchid는 어떤 역할을 합니까?

Google Agentspace는 기업의 AI 도입을 크게 앞당기는 플랫폼입니다. 다양한 업무 애플리케이션과 연결된 지능형 에이전트를 배포·관리하는 통합 기반을 제공하고, Google의 강력한 검색 기능과 Gemini 같은 모델을 활용합니다. 이를 통해 기업은 하나의 공통 인터페이스에서 사일로화된 정보를 실행 가능한 인텔리전스로 전환할 수 있습니다.

App Orchid는 이 생태계에서 핵심적인 시맨틱 지원 계층 역할을 합니다. Agentspace가 에이전트 인프라와 오케스트레이션 프레임워크를 제공한다면, Easy Answers 플랫폼은 복잡한 기업 데이터를 에이전트가 이해하고 접근할 수 있게 만드는 중요한 과제를 해결합니다. 우리는 온톨로지 중심 접근법으로 기업 데이터에서 풍부한 지식 그래프를 만들고, 비즈니스 맥락과 관계를 온전히 담습니다. 이것이 바로 에이전트가 정확히 이해하는 데 필요한 요소입니다.

이 둘은 강력한 시너지를 냅니다. Agentspace는 견고한 에이전트 인프라와 오케스트레이션 기능을 제공하고, App Orchid는 에이전트가 효과적으로 작동하며 의미 있는 비즈니스 통찰을 제공하는 데 필요한 복잡한 기업 데이터의 깊은 의미적 이해를 제공합니다. Google Cloud Cortex Framework와의 협업이 대표적인 사례입니다. 고객은 데이터 준비 시간을 최대 85%까지 줄이는 동시에, 자연어 질의에서 업계 최고 수준인 99.8%의 텍스트-SQL 정확도를 활용할 수 있습니다. 두 회사는 조직이 비즈니스 언어와 데이터의 복잡성을 제대로 이해하는 에이전틱 AI 솔루션을 배포하도록 지원해 가치 실현 시간을 단축합니다.

기업이 에이전틱 AI를 도입할 때 마주하는 현실적인 장벽은 무엇이며, App Orchid는 이를 어떻게 해결합니까?

주요 장벽은 데이터 품질, 계속 진화하는 보안 표준—특히 에이전트 간 신뢰 보장—그리고 분산된 기업 지식과 에이전트 역량을 관리하는 문제입니다.

데이터 품질은 여전히 가장 기초적인 문제입니다. 다른 AI와 마찬가지로 에이전틱 AI도 품질이 낮은 데이터를 받으면 신뢰할 수 없는 결과를 냅니다. App Orchid는 서로 다른 데이터 원본에 맥락을 부여하는 시맨틱 계층을 구축해 이 문제를 근본적으로 해결합니다. 여기에 Easy Answers의 고유한 크라우드소싱 기능을 더해, 데이터의 의미를 가장 잘 아는 조직 내 비즈니스 사용자가 협업하며 데이터의 공백과 불일치를 찾아 해결하도록 함으로써 신뢰성을 크게 높입니다.

보안도 중요한 장벽입니다. 에이전트 간 통신이 보편화되면 내부와 외부 시스템을 넘나들 수 있기 때문입니다. 필요한 상호작용을 가로막지 않으면서도 에이전트 간 신뢰를 위한 강력한 메커니즘을 구축하고 거버넌스를 유지해야 합니다. 우리 플랫폼은 이러한 동적 상호작용을 위해 설계된 보안 프레임워크 구현에 중점을 둡니다.

마지막으로, 분산된 지식과 역량을 효과적으로 활용하려면 고급 오케스트레이션이 필요합니다. App Orchid는 갈수록 중요해지는 모델 컨텍스트 프로토콜(MCP) 같은 개념을 활용합니다. 맥락적 요구에 따라 저장소에서 전문 에이전트를 동적으로 가져올 수 있어, 경직되고 사전 정의된 프로세스 대신 유연하고 적응력 있는 워크플로를 지원합니다. 이 접근법은 멀티 에이전트 시스템의 통신을 표준화하도록 설계된 Google의 Agent2Agent 프로토콜 같은 새로운 표준과도 일치합니다. 이러한 장벽을 해결함으로써 조직이 신뢰할 수 있고 효과적인 에이전틱 AI 솔루션을 구축하도록 돕습니다.

자연어 질의부터 통찰 생성까지 Easy Answers™가 작동하는 과정을 설명해 주시겠습니까?

Easy Answers는 사용자가 기업 데이터와 상호작용하는 방식을 바꿔, 자연어만으로 정교한 분석에 접근하게 합니다. 작동 과정은 다음과 같습니다.

• 연결: 먼저 기업의 데이터 원본에 연결합니다. 200개가 넘는 일반적인 데이터베이스와 시스템을 지원합니다. 중요한 점은 데이터 이동이나 복제가 필요 없는 경우가 많으며, 데이터가 존재하는 위치에 안전하게 연결한다는 것입니다.
• 온톨로지 생성: 플랫폼이 연결된 데이터를 자동으로 분석해 포괄적인 지식 그래프를 구축합니다. 데이터를 관리형 시맨틱 객체(Managed Semantic Objects, MSO)라는 비즈니스 중심 엔티티로 구조화하고, 엔티티 간 관계를 포착합니다.
• 메타데이터 강화: 이 온톨로지에 메타데이터를 더합니다. 사용자가 상위 수준의 설명을 제공하면 AI가 각 MSO와 그 속성(필드)에 대한 상세 설명을 생성합니다. 결합된 메타데이터는 데이터의 의미와 구조에 관한 깊은 맥락을 제공합니다.
• 자연어 질의: 사용자가 “서부 지역의 제품 X 판매 추세를 지난 분기와 비교해 보여줘”처럼 일상적인 비즈니스 언어로 질문합니다.
• 해석 및 SQL 생성: 자연어 처리 엔진이 지식 그래프의 풍부한 메타데이터를 활용해 사용자의 의도를 파악하고, 관련 MSO와 관계를 식별하며, 질문을 SQL 같은 정확한 데이터 질의로 변환합니다. 이 과정에서 업계 최고 수준인 99.8%의 텍스트-SQL 정확도를 달성합니다.
• 통찰 생성(큐레이션): 시스템이 데이터를 가져와 답을 시각적으로 제시할 가장 효과적인 방식을 결정합니다. 플랫폼에서는 이러한 대화형 시각화를 ‘큐레이션’이라고 합니다. 사용자는 특정 요구나 표준에 맞춰 자동 생성하거나 미리 구성할 수 있습니다.
• 심층 분석(Quick Insights): 더 복잡한 질문이나 선제적인 탐색에는 Quick Insights를 활용할 수 있습니다. 데이터 과학 전문지식 없이도 플랫폼에 포함된 머신러닝 알고리즘을 지정 데이터 필드에 적용해 패턴을 자동으로 탐지하고, 이상을 식별하거나, 가설을 검증할 수 있습니다.

대개 몇 초 만에 완료되는 이 전체 과정은 데이터 접근과 분석을 대중화하고, 복잡한 데이터 탐색을 간단한 대화로 바꿉니다.

Easy Answers는 대기업의 사일로화된 데이터를 어떻게 연결하며, 통찰의 설명 가능성과 추적 가능성을 어떻게 보장합니까?

데이터 사일로는 대기업의 큰 걸림돌입니다. Easy Answers는 고유한 시맨틱 계층 접근법으로 이 근본적인 문제를 해결합니다.

비용이 많이 들고 복잡한 물리적 데이터 통합 대신 가상 시맨틱 계층을 만듭니다. 플랫폼은 서로 다른 데이터 원본이 있는 곳에 연결해 통합된 논리적 뷰를 구축합니다. 이 계층은 지식 그래프 기술을 기반으로 데이터를 관리형 시맨틱 객체(MSO)에 매핑하고, 관계를 정의하며, 맥락 메타데이터를 더합니다. 그 결과 인간과 AI 모두 이해할 수 있는 공통 비즈니스 언어가 생깁니다. 데이터가 실제로 어디에 있든 기술적 데이터 구조(테이블·열)와 비즈니스 의미(고객·제품·매출)를 효과적으로 연결합니다.

통찰을 신뢰하려면 추적 가능성과 설명 가능성이 모두 필요합니다.

• 추적 가능성: 포괄적인 데이터 계보 추적을 제공합니다. 사용자는 어떤 큐레이션이나 통찰에서도 원본 데이터까지 내려가 적용된 모든 변환, 필터, 계산을 확인할 수 있습니다. 검증과 규정 준수에 필수적인 완전한 투명성과 감사 가능성을 제공합니다.
• 설명 가능성: 각 통찰에는 자연어 설명이 함께 제공됩니다. 이 요약은 데이터가 무엇을 보여주고 비즈니스 측면에서 왜 중요한지 명확히 설명해, 복잡한 결과를 폭넓은 사용자가 실행 가능한 방식으로 이해하도록 바꿉니다.

이 두 기능은 통합된 시맨틱 뷰로 사일로를 연결하고, 명확한 추적 가능성과 설명 가능성으로 신뢰를 구축합니다.

특히 데이터 계보가 중요한 규제 산업에서 시스템은 통찰의 투명성을 어떻게 보장합니까?

AI 기반 통찰에서 투명성은 절대 타협할 수 없는 요소이며, 감사 가능성과 근거 제시가 중요한 규제 산업에서는 더욱 그렇습니다. 우리는 다음 세 가지 핵심 차원에서 투명성을 보장합니다.

• 데이터 계보: 가장 기초적인 요소입니다. 앞서 설명했듯 Easy Answers는 엔드투엔드 데이터 계보 추적을 제공합니다. 모든 통찰, 시각화, 수치를 최초 데이터 원본에서 시작해 적용된 조인, 변환, 집계, 필터까지 전체 수명 주기에 걸쳐 세밀하게 추적할 수 있습니다. 규제기관이 요구하는 검증 가능한 데이터 출처를 제공하는 것입니다.
• 방법론 가시성: ‘블랙박스’ 문제를 피합니다. 분석 또는 머신러닝 모델을 사용할 때(예: Quick Insights) 플랫폼은 사용한 방법론과 매개변수, 관련 평가 지표를 명확히 기록합니다. 통찰의 ‘무엇’뿐 아니라 ‘어떻게’도 투명하게 만듭니다.
• 자연어 설명: 기술적 결과를 이해 가능한 비즈니스 맥락으로 바꾸는 일은 투명성에 필수적입니다. 모든 통찰에는 발견 내용과 중요성, 잠재적 한계를 설명하는 쉬운 언어의 해설이 함께 제공돼, 규정 준수 담당자와 감사인을 포함한 모든 이해관계자가 명확히 이해할 수 있습니다.

또한 역할 기반 접근 제어, 특정 작업이나 보고서의 승인 워크플로, 사용자 활동과 시스템 운영을 기록하는 포괄적인 감사 로그 등 규정 준수 요건이 있는 산업을 위한 추가 거버넌스 기능도 제공합니다. 이 다층적 접근법은 통찰이 정확하고 완전히 투명하며 설명 가능하고 근거를 제시할 수 있도록 보장합니다.

App Orchid는 Generative Actions 같은 기능을 통해 AI가 생성한 통찰을 어떻게 실제 조치로 전환합니까?

통찰을 만드는 것도 가치 있지만 진정한 목표는 비즈니스 성과를 이끄는 것입니다. 올바른 데이터와 맥락이 있다면 에이전틱 생태계가 통찰 발견과 실제 조치 사이의 중요한 간극을 메울 수 있습니다. 분석을 수동적인 보고 기능에서 능동적인 개선 동력으로 바꾸는 것입니다.

Easy Answers 플랫폼이 분석을 통해 중요한 패턴, 추세, 이상 징후 또는 기회를 식별하면 AI를 활용해 이에 대응할 구체적이고 맥락에 맞는 조치를 제안합니다.

막연한 제안이 아니라 구체적인 권고입니다. 예를 들어 이탈 위험이 큰 고객을 단순히 표시하는 대신, 세그먼트별로 맞춤화된 유지 제안을 권고하고 예상 효과나 투자수익률(ROI)을 계산하며 커뮤니케이션 템플릿 초안까지 만들 수 있습니다. 시스템은 이러한 권고를 생성할 때 비즈니스 규칙, 제약 조건, 과거 데이터, 목표를 고려합니다.

무엇보다 인간의 감독을 유지합니다. 권장 조치는 담당 사용자에게 전달돼 검토, 수정, 승인 또는 거부 과정을 거칩니다. 비즈니스 판단은 의사결정의 중심에 남고, AI는 기회를 찾아 잠재적 대응안을 만드는 어려운 작업을 담당합니다.

조치가 승인되면 운영 시스템과의 통합을 통해 에이전틱 흐름을 실행할 수 있습니다. CRM 워크플로를 시작하거나 ERP 시스템의 예측을 업데이트하고, 표적 마케팅 작업 또는 관련 비즈니스 프로세스를 개시할 수 있습니다. 이렇게 통찰에서 성과까지 이어지는 순환을 완성합니다.

지식 그래프와 시맨틱 데이터 모델은 플랫폼의 성공에서 얼마나 핵심적인 역할을 합니까?

지식 그래프와 시맨틱 데이터 모델은 Easy Answers 플랫폼의 절대적인 핵심입니다. 실제 비즈니스 맥락 없이 데이터를 서로 단절된 테이블과 열로 취급하는 기존 비즈니스 인텔리전스(BI) 도구를 넘어설 수 있게 합니다. 우리 플랫폼은 이를 이용해 기업 데이터 위에 지능형 시맨틱 계층을 구축합니다.

이러한 시맨틱 기반은 다음과 같은 핵심 이유로 플랫폼의 성공에 필수적입니다.

• 진정한 자연어 상호작용 지원: 관리형 시맨틱 객체(MSO), 속성, 정의된 관계를 지식 그래프로 구성한 시맨틱 모델이 ‘로제타석’ 역할을 합니다. 인간 언어와 비즈니스 용어의 미묘한 차이를 데이터 검색에 필요한 정확한 질의로 번역하므로, 사용자는 기본 스키마를 몰라도 자연스럽게 질문할 수 있습니다. 높은 텍스트-SQL 정확도의 핵심입니다.
• 중요한 비즈니스 맥락 보존: 단순한 관계형 조인과 달리 지식 그래프는 비즈니스 엔티티 간의 풍부하고 복잡한 관계망을 명시적으로 담습니다. 예를 들어 고객이 지원 티켓과 구매 주문을 통해 제품과 상호작용하는 방식을 표현할 수 있습니다. 따라서 실제 비즈니스 운영을 반영하는 더 깊고 맥락적인 분석이 가능합니다.
• 적응성과 확장성 제공: 시맨틱 모델은 경직된 스키마보다 유연합니다. 비즈니스 요구가 발전하거나 새 데이터 원본이 추가될 때 지식 그래프를 전면 개편하지 않고 점진적으로 확장·수정할 수 있어, 변화에 적응하면서 일관성을 유지합니다.

시맨틱 계층이 제공하는 데이터 맥락의 깊은 이해는 기본적인 질의응답부터 Quick Insights의 고급 패턴 탐지까지 Easy Answers의 모든 기능을 뒷받침합니다. 또한 에이전트가 데이터에 관해 의미 있게 추론하도록 하는 미래 에이전틱 AI 기능의 필수 기반이 됩니다.

어떤 기반 모델을 지원하며, 조직이 자체 AI/머신러닝 모델을 워크플로에 가져오도록 어떻게 지원합니까?

우리는 AI가 빠르게 진화한다는 점을 인식하고 조직의 기존 투자를 존중하기 위해 개방적이고 유연한 접근법을 추구합니다.

기반 모델은 Google의 Gemini 제품군, OpenAI의 GPT 모델, Llama 같은 대표적인 오픈소스 대안을 포함해 여러 공급자의 주요 모델과 연동합니다. 조직은 성능, 비용, 거버넌스 또는 특정 기능 요건에 가장 적합한 모델을 선택할 수 있습니다. 이러한 모델은 질의의 자연어 이해, SQL 생성, 통찰 요약, 메타데이터 생성 등 다양한 플랫폼 기능을 구동합니다.

또한 조직이 자체 맞춤형 AI/머신러닝 모델을 Easy Answers 워크플로에 가져올 수 있는 강력한 경로를 제공합니다.

• Python으로 개발한 모델은 AI Engine을 통해 직접 통합할 수 있는 경우가 많습니다.
• Google Vertex AI, Amazon SageMaker 같은 주요 클라우드 머신러닝 플랫폼과 원활하게 연동해, 해당 플랫폼에서 훈련하고 호스팅하는 모델을 호출할 수 있습니다.

특히 시맨틱 계층은 잠재적으로 복잡한 맞춤형 모델을 쉽게 활용하게 하는 데 핵심 역할을 합니다. 모델의 입력과 출력을 지식 그래프에 정의된 비즈니스 개념(MSO와 속성)에 연결함으로써, 비기술 직군의 비즈니스 사용자도 기저의 데이터 과학을 이해할 필요 없이 고급 예측·분류·인과 모델을 Quick Insights 등을 통해 활용할 수 있습니다. 사용자는 익숙한 비즈니스 용어로 상호작용하고 플랫폼이 기술적 변환을 처리합니다. 이는 정교한 AI/머신러닝 역량에 대한 접근을 진정으로 대중화합니다.

앞으로 에이전트 마켓플레이스와 노코드 에이전트 설계를 중심으로 기업 AI의 다음 물결을 형성할 추세는 무엇이라고 봅니까?

기업 AI의 다음 물결은 매우 역동적이고 조합 가능하며 협업적인 생태계로 향하고 있습니다. 몇 가지 흐름이 동시에 이를 이끌고 있습니다.

• 에이전트 마켓플레이스와 레지스트리: 내부 에이전트 레지스트리와 함께 작동하는 에이전트 마켓플레이스가 크게 성장할 것입니다. 하나의 거대한 시스템을 직접 만드는 방식에서 ‘임대하고 조합하는’ 모델로 전환하게 됩니다. 조직은 필요에 따라 특정 역량을 갖춘 내부 또는 외부 전문 에이전트를 동적으로 발견·통합해 솔루션 배포 속도를 크게 높일 수 있습니다.
• 표준화된 에이전트 통신: 이러한 생태계가 작동하려면 에이전트가 공통 언어를 사용해야 합니다. App Orchid가 활용하는 모델 컨텍스트 프로토콜(MCP)과 Google의 Agent2Agent 프로토콜 같은 표준화된 에이전트 간 통신 프로토콜은 누가 만들었고 어디서 실행되는지와 관계없이 에이전트 간 원활한 협업, 맥락 공유, 작업 위임을 지원하는 데 필수적입니다.
• 동적 오케스트레이션: 정적이고 사전 정의된 워크플로는 동적 오케스트레이션으로 대체될 것입니다. 지능형 오케스트레이션 계층이 특정 문제의 맥락에 따라 런타임에 에이전트를 선택·구성·조율해 훨씬 더 적응력 있고 회복탄력적인 시스템을 만듭니다.
• 노코드·로우코드 에이전트 설계: 대중화는 에이전트 생성으로 확장됩니다. 노코드와 로우코드 플랫폼을 통해 AI 전문가뿐 아니라 비즈니스 전문가도 특정 도메인 지식과 비즈니스 로직을 담은 에이전트를 설계·구축할 수 있어, 활용 가능한 전문 역량의 풀이 더욱 풍부해집니다.

App Orchid의 역할은 이 미래에 필요한 핵심 시맨틱 기반을 제공하는 것입니다. 동적 생태계의 에이전트가 효과적으로 협업하고 의미 있는 작업을 수행하려면 기업 데이터를 이해해야 합니다. 우리의 지식 그래프와 시맨틱 계층은 바로 그 맥락적 이해를 제공해, 에이전트가 관련 비즈니스 용어로 데이터를 추론하고 조치하도록 합니다.

에이전틱 AI를 통해 의사결정 인텔리전스가 대중화되는 미래에 CTO의 역할은 어떻게 진화할 것으로 봅니까?

에이전틱 AI를 통한 의사결정 인텔리전스의 대중화는 CTO의 역할을 근본적으로 격상시킵니다. CTO는 주로 기술 인프라를 관리하던 역할에서 조직 인텔리전스를 전략적으로 조율하는 역할로 전환합니다.

주요 변화는 다음과 같습니다.

• 시스템 관리자에서 생태계 설계자로: 사일로화된 애플리케이션 관리에서 벗어나, 상호작용하는 에이전트·데이터 원본·분석 역량으로 이뤄진 동적 생태계를 설계하고 큐레이션하며 관리하는 데 초점을 맞춥니다. 여기에는 에이전트 마켓플레이스와 레지스트리를 효과적으로 활용하는 일도 포함됩니다.
• 핵심 비즈니스 전략으로서의 데이터 전략: 데이터가 단지 존재하는 데 그치지 않고 의미적으로 풍부하며 신뢰할 수 있고 접근 가능하도록 만드는 일이 무엇보다 중요해집니다. CTO는 기업 전반의 지능형 시스템을 구동하는 지식 그래프 기반을 구축하는 핵심 역할을 맡게 됩니다.
• 진화하는 거버넌스 패러다임: 에이전트 신뢰와 보안, 윤리적 AI 사용, 자동화된 의사결정의 감사 가능성, 에이전트 협업 과정에서 나타나는 돌발 행동을 다루는 새로운 에이전틱 AI 거버넌스 모델이 필요합니다.
• 적응력 촉진: CTO는 조직의 기술·운영 구조에 적응력을 내재화하고, AI 기반 통찰이 빠른 대응과 지속적인 학습으로 이어지는 환경을 만드는 데 중요한 역할을 합니다.
• 인간과 AI의 협업 육성: 인간과 AI 에이전트가 서로의 강점을 증폭하며 시너지를 내도록 문화와 시스템을 설계하는 것이 핵심입니다.

궁극적으로 CTO의 역할은 IT 비용 관리보다 조직의 ‘인텔리전스 잠재력’을 극대화하는 데 더 큰 비중을 두게 됩니다. 점점 복잡해지는 세상에서 조직 전체가 더 지능적이고 적응력 있게 운영되도록 하는 진정한 전략적 파트너로 전환하는 것입니다.

유익한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자는 App Orchid를 방문하시기 바랍니다.