AI
뱅크샐러드에서 테스트 데이터를 생성하는 방법 (feat. LLM)
두줄요약
LLM 프롬프트와 JSON 후처리로 현실적인 금융 테스트 데이터를 생성했습니다. GitHub Actions 자동화로 QA와 개발에 지속 활용했습니다.
문제 상황
- 금융 상품·거래·자산 흐름 간 연관성을 반영한 마이데이터 테스트 데이터의 높은 복잡도
- 익명성과 현실성을 갖춘 장기간 테스트 데이터를 수작업으로 만드는 시간 부담
해결 방법
- 사용자 정보·소비 성향·재무 목표를 포함한 페르소나 기반 프롬프트 구성
- JSON 구조 명시와 few-shot 예시 데이터 제공으로 API 연동용 결과 형식 유도
- 마크다운·불필요한 설명 제거, JSON 파싱·유효성 검사 후 자산 내역 API 전송
성능/운영 포인트
- 전체 생성 과정을 Task로 구성하고 GitHub Actions Cron Job으로 매일 자동 실행
- 페르소나 추가만으로 여러 계정의 데이터 생성 지원 및 QA·개발 구성원 공유
적용해볼 점
- 현실적 소비 패턴과 장기간 거래 내역이 필요한 기능 테스트에 LLM 생성 데이터 활용
- 테스트 데이터 생성 외 테스트 케이스 작성과 버그 예측 등 QA 영역 확장 가능성
