이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Panasonic Avionics Corporation은 항공기 IFEC fleet의 서로 다른 배포 구성에서 발생하는 로그, 지표, 티켓 정보를 수작업으로 대조하느라 장애 진단에 수시간을 사용했습니다. AWS Glue와 Amazon EMR이 운영 데이터를 Apache Iceberg 기반 Amazon S3 data lakehouse에 정규화하고, Trend Analyzer와 세 개의 병렬 진단 에이전트가 fleet 전체의 이상 패턴과 로그 및 유지보수 정보를 동시에 조사합니다. Amazon RDS의 pgvector가 과거 사건과 해결 기록을 검색해 맥락을 보강하며, Anthropic Claude on Amazon Bedrock이 원인 가설과 영향 분석 및 우선순위 조치를 포함한 보고서를 생성합니다. 결정론적 규칙 검증과 엔지니어 승인 절차를 유지한 결과, 내부 테스트에서 조사 시간이 수시간에서 수분으로 줄었고 목표 사용 사례의 operational efficiency가 20–40 percent 개선됐습니다.
섹션별 상세
Panasonic Avionics Corporation은 수백 개 항공사와 수십억 명의 승객을 지원하는 대규모 IFEC fleet에서 배포 구성마다 달라지는 로그, 지표, 티켓 정보를 수작업으로 대조해야 했습니다. 이 과정은 진단 정확도를 유지했지만 조사에 수시간이 걸렸고, Mean Time to Detect와 Mean Time to Resolve를 늘리는 요인이 됐습니다. AWS와 AWS Generative AI Innovation Center는 반복 조사와 조직 내부 지식 확장의 문제를 줄이면서도 엔지니어의 최종 판단을 유지하는 방향으로 시스템을 설계했습니다.
운영 데이터는 AWS Glue와 Amazon EMR의 ETL 파이프라인을 거쳐 표준화된 서비스 지표로 변환되고, Apache Iceberg를 사용하는 Amazon S3 data lakehouse에 저장됩니다. Domain Ontology가 fleet 개체와 관계의 공통 어휘를 제공해 서로 다른 배포 구성의 지표를 비교할 수 있게 하며, 구성 메타데이터와 티켓 정보까지 하나의 진단 관점으로 연결합니다. 데이터 정규화가 먼저 이뤄지기 때문에 이후 에이전트가 개별 배포의 고립된 이상이 아니라 특정 구성 변형에 공통으로 나타나는 점진적 저하를 fleet 규모에서 찾을 수 있습니다.
Trend Analyzer agent는 핵심 성과 지표, 서비스 수준 준수 여부, 서비스 저하 지표를 지속적으로 평가해 조사 대상이 될 이상 징후를 선별합니다. 이상이 감지되면 Correlation Analyzer, System Checks, Log Analyzer가 병렬로 실행되어 구성 공유 배포 간 반복 패턴, 유지보수 티켓과 서비스 상태의 일치 여부, 과거 장애 모드와 현재 로그 패턴을 각각 대조합니다. Amazon SageMaker가 LangGraph를 이용해 상태를 관리하는 workflow를 조정하고 Strands Agents SDK가 에이전트 실행을 맡으면서, 내부 테스트에서 수시간의 수동 조사가 수분 단위의 자동 분석으로 줄었습니다.
진단 에이전트의 결과는 Amazon RDS의 pgvector에 저장된 과거 사건 및 해결 기록과 semantic search로 연결됩니다. 이 검색 과정은 증상 문구가 정확히 같지 않아도 의미적으로 유사한 장애와 해결 방법을 찾아 LLM이 현재 상황을 해석할 수 있는 역사적 맥락을 제공합니다. Anthropic Claude on Amazon Bedrock은 검색 결과와 세 진단 에이전트의 산출물을 결합해 원인 가설, 영향받은 fleet 구간의 영향 분석, 우선순위가 있는 조치 권고를 포함한 구조화된 보고서를 만듭니다.
시스템은 진단 보고서를 심각도별로 분류하고, 치명적 발견에 대해서는 알림 생성과 사건 우선순위 지정 및 담당 엔지니어링 팀 전달을 자동화합니다. 권고안은 검색된 운영 데이터와 과거 사건으로 근거를 보강하고 결정론적 business rule로 검증되며, 운영상 중요한 remediation은 엔지니어가 검토하고 승인합니다. Panasonic Avionics Corporation은 ground truth와의 교차 검증, 원자적 에이전트 작업, 투명한 prompt와 logic, human-in-the-loop 검토를 적용했고, 목표 사용 사례에서 operational efficiency가 20–40 percent 개선되며 매일 active fleet 전체의 진단 보고서를 생성했습니다.
용어 해설
- 에이전트형 AI(Agentic AI)
- — 에이전트형 AI는 하나의 모델이 모든 작업을 처리하는 대신 여러 AI 에이전트가 감지, 분석, 검색, 요약 같은 역할을 나눠 수행하는 방식입니다. 각 에이전트의 결과를 조정해 복잡한 운영 문제를 자동으로 진단하고 대응합니다.
- 평균 탐지 시간(Mean Time to Detect)
- — Mean Time to Detect는 운영 장애나 성능 저하가 발생한 뒤 문제를 식별하기까지 걸리는 평균 시간입니다. 이 값이 낮아지면 이상 징후를 더 일찍 발견해 장애가 확대되기 전에 조사와 대응을 시작할 수 있습니다.
- 평균 해결 시간(Mean Time to Resolve)
- — Mean Time to Resolve는 문제가 탐지된 뒤 원인을 파악하고 해결할 때까지 걸리는 평균 시간입니다. 진단 단계의 수작업과 반복 조사를 줄이면 전체 복구 과정이 짧아져 운영 중단과 엔지니어링 부담을 낮출 수 있습니다.
- 도메인 온톨로지(Domain Ontology)
- — 도메인 온톨로지는 특정 영역의 개체와 관계를 정의한 공유 어휘 체계입니다. 이 사례에서는 서로 다른 항공기 IFEC 배포 구성에서 쓰이는 용어와 데이터를 표준화하고, 성능 지표를 구성 정보 및 티켓 정보와 연결하는 역할을 합니다.
- 벡터 유사도 검색(Vector Similarity Search)
- — 벡터 유사도 검색은 문서나 사건 기록을 숫자 벡터로 변환한 뒤 의미적으로 가까운 항목을 찾는 방식입니다. 정확히 같은 증상이 아니어도 과거 장애와 해결 기록을 검색할 수 있어 진단 시스템이 조직의 운영 지식을 재사용하게 합니다.
기술
- Amazon Bedrock
- Anthropic Claude
- Amazon SageMaker
- AWS Glue
- Amazon EMR
- Apache Iceberg
- Amazon S3
- Amazon RDS
- pgvector
- LangGraph
- Strands Agents SDK
- Python
활용 사례
- 항공기 IFEC fleet의 사전 장애 탐지
- 대규모 배포 구성의 로그와 운영 지표 상관 분석
- 과거 장애 기록을 활용한 원인 추정과 해결책 검색
- 치명적 운영 이슈의 자동 알림과 엔지니어링 팀 라우팅
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 22.수집 2026. 08. 22.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
