이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
지원 조직은 SOP, 교육 영상, 개인 경험에 흩어진 지식 때문에 티켓 처리 지연과 품질 편차를 겪고, SLA 위험과 업무량 불균형도 뒤늦게 파악합니다. AWS 기반 2계층 시스템은 Amazon Bedrock으로 영상에서 SOP를 만들고, RAG와 Amazon OpenSearch Serverless로 티켓에 맞는 절차를 검색하며, AWS Strands Agents SDK를 통해 태깅·댓글·상태 변경을 사람의 승인 아래 실행합니다. 별도의 분석 계층은 Amazon Quick Sight에서 담당자별 복잡도와 업무량을 집계하고 XGBoost로 SLA 미준수 확률을 계산해 고위험 티켓을 우선 처리하도록 지원합니다. 내부 파일럿에서 SOP 작성 시간 80% 단축, 부정확한 티켓 입력 45.3%에서 10%로 감소, SLA 성과 89.5%에서 95%로 개선, 투자수익률 4:1이 보고됐지만, 수치는 내부 파일럿과 운영 환경의 결과로 제시됩니다.
섹션별 상세
지원 조직의 지식은 SOP, 녹화 영상, 채팅, 숙련자의 경험에 나뉘어 있어 문서가 실제 업무 흐름을 따라가지 못하고 티켓마다 처리 경로를 다시 조립해야 합니다. 티켓이 담당자의 처리 속도보다 빠르게 유입되면 백로그가 쌓이고, 여러 승인과 부서 간 인계가 필요한 업무도 단순 티켓 수만으로는 복잡도를 파악하기 어렵습니다. 따라서 이 시스템은 개별 문서나 티켓을 따로 최적화하기보다 지식 포착, 실행 지원, 업무 흐름 분석을 연결해 운영 과정 자체를 개선하는 데 초점을 둡니다.
해결책은 분석가가 사용하는 운영 인텔리전스 작업 공간과 분석가·리더가 함께 사용하는 분석 및 의사결정 인텔리전스 계층으로 구성됩니다. 첫 번째 계층은 Video-to-SOP, Ticket Analyzer, Value Stream Intelligence를 묶고, 두 번째 계층은 업무량 가시화, 티켓 분류와 SLA 위험 예측, 감독형 에이전트 실행을 담당합니다. 한 계층에서 만들어진 SOP와 실행 데이터가 다른 계층의 검색과 분석에 다시 공급되면서 해결된 티켓과 새 문서가 다음 처리의 근거를 강화하는 순환 구조를 이룹니다.
Video-to-SOP는 교육 영상과 시스템 walkthrough를 Marengo Embed 2.7로 configurable segment 단위 처리해 시각·음성·화면 맥락을 함께 담은 vector embedding을 생성하고 Amazon OpenSearch Serverless에 저장합니다. Pegasus 1.2는 영상에서 단계별 요약, chapter, UI 상태, 입력·출력, 조건, 승인 지점을 추출하며, Claude Sonnet 4.6은 이 중간 표현을 단계 순서, 스크린샷, 검증 항목, 예상 결과를 갖춘 SOP로 변환합니다. 생성된 각 단계에는 원본 영상의 timestamp가 연결되어 검토자가 해당 장면을 즉시 확인할 수 있고, 브라우저에서 문구와 순서를 수정한 뒤 Word 문서로 내보낼 수 있습니다.
이 도구는 Comprehensive, Quick Reference, Training-Focused, ProServe SOP with Controls 템플릿과 사용자 정의 템플릿, 조직별 용어 사전을 지원합니다. 운영 환경에서 사람의 검토를 유지하면서 SOP 작성 시간이 80% 줄었다고 보고됐으며, 영상이 추가되거나 업무가 바뀌어도 전체 문서를 수작업으로 다시 작성하지 않고 갱신할 수 있습니다. 그 결과 온보딩과 감사 대응에 필요한 절차 지식을 인력 변동 이후에도 검색 가능한 형태로 유지하는 기반이 마련됩니다.
Ticket Analyzer는 새 티켓의 자유 형식 내용과 첨부파일을 LLM으로 정규화해 핵심 entity, intent signal, dependency와 운영 메타데이터를 추출한 뒤 embedding으로 변환합니다. 시스템은 Amazon OpenSearch Serverless에서 관련 SOP, 정책, 과거 해결 기록을 검색하고, 검색 결과를 Amazon Bedrock foundation model의 맥락으로 넣어 단계별 해결 지침을 생성합니다. Amazon Bedrock Guardrails가 콘텐츠 필터링과 grounding 검증을 수행하며, confidence score와 분석가의 피드백이 추가 검토와 지식 기반 보완을 유도합니다.
AWS Strands Agents SDK로 구축한 여러 에이전트는 티켓 태깅, 댓글 작성, 상태 업데이트, SOP 연결 같은 작업을 협업해 수행하지만, 분석가가 추천을 검토하고 승인한 뒤에만 실제 변경을 실행합니다. 이미지에 제시된 Lambda 아키텍처에서는 티켓 정규화 후 지식 그래프 매칭 60%와 semantic match 40%를 결합해 상위 SOP를 선택하고, 해결 지침과 confidence score를 만든 뒤 사람의 승인을 거쳐 티켓 시스템에 업데이트를 반영합니다. 이 구조는 자동화 속도를 활용하면서도 운영 통제, 정책 준수, 감사 추적을 유지하려는 설계입니다.
Value Stream Intelligence는 티켓 처리 과정을 팀과 시스템별 swim lane map으로 연결해 업무가 어디에서 멈추고 어떤 승인이나 인계가 지연을 만드는지 추적합니다. 실행 데이터와 프로세스 맵을 결합하면 단순히 티켓 수를 세는 대신 승인 경로, 조정 작업, 비부가가치 활동의 원인을 파악하고 자동화·최적화·수동 유지 대상을 구분할 수 있습니다. 이는 담당자 개인의 경험에 의존하는 운영을 표준화하고, 병목을 줄이는 개선 과제를 선택하는 근거가 됩니다.
분석 및 의사결정 계층은 Amazon Quick Sight 대시보드에서 담당자별 티켓 수와 복잡도, 가용성, 주간 추세를 집계합니다. 누적 막대 차트와 추세를 통해 고복잡도 업무가 특정 담당자에게 몰렸는지, 과소 활용이나 갑작스러운 업무 급증이 있는지 확인하고 배정을 조정할 수 있습니다. 이미지의 예시처럼 담당자별 High, Medium, Low 복잡도 티켓을 분리하면 전체 건수만 볼 때 놓치는 용량 불균형을 드러낼 수 있습니다.
SLA 위험 예측은 Amazon Redshift에서 활성 티켓과 파생 운영 특성을 조회하고, 데이터 처리 단계에서 feature engineering과 자료형 검증을 거친 뒤 XGBoost에 입력합니다. 모델은 티켓 체류 일수, 월말까지 남은 일수, 복잡도, 과거 에스컬레이션 수, 과거 해결 패턴, 업무량 지표를 사용해 SLA 미준수 확률 0–1을 계산하고, 0–100 점수와 위험 범주로 변환합니다. High Risk는 SLA 미준수 확률이 ≥ 0.7, Medium Risk는 ≥ 0.4, Low Risk는 < 0.4이며, 결과는 timestamp가 포함된 partitioned Parquet 파일로 Amazon S3에 저장된 뒤 대시보드에 표시됩니다.
Amazon Quick 에이전트는 대시보드의 분석 결과를 업무량 재배분과 우선순위 조정 권고로 바꾸고, ticketing system, Slack, email과 연결해 사용자가 대시보드를 직접 탐색하지 않아도 결과를 받게 합니다. 사용자가 승인한 뒤 에이전트가 티켓 상태 변경, 승인 라우팅, 티켓 종료를 수행하고 audit trail을 남기므로 분석은 정적 보고서에서 감독형 의사결정으로 확장됩니다. 내부 운영 환경에서는 이 접근이 SLA 성과를 89.5%에서 95%로 높이는 데 기여했다고 제시됐습니다.
전체 시스템은 지식을 기록하는 단계와 업무를 실행하는 단계를 분리하지 않고 서로 강화하도록 설계됐습니다. Video-to-SOP가 녹화 속의 절차를 구조화하면 Ticket Analyzer가 이를 실시간 티켓 처리에 적용하고, Value Stream Intelligence가 SOP에 드러나지 않던 전체 흐름의 병목을 찾아 다시 프로세스 개선으로 연결합니다. 내부 파일럿에서 투자수익률 4:1, 부정확한 티켓 입력 45.3%에서 10%로 감소, SLA 성과 89.5%에서 95%로 개선, 문서화 효율 80% 향상이 보고됐지만, 조직별 데이터 품질과 사람의 승인 절차가 실제 성과에 영향을 줍니다.
용어 해설
- 검색 증강 생성(Retrieval Augmented Generation)
- — 외부 문서나 데이터에서 관련 정보를 먼저 검색한 뒤 그 결과를 생성 모델의 입력 맥락으로 넣는 방식입니다. 이 글에서는 SOP, 정책 문서, 과거 해결 기록을 검색해 티켓 처리 지침을 생성하고, 조직 지식에 근거한 답변으로 환각과 정책 불일치를 줄이는 데 활용합니다.
- 표준 운영 절차(Standard Operating Procedure)
- — 반복 업무를 처리하는 순서와 조건, 입력, 출력, 검증 기준을 정리한 운영 문서입니다. 이 글의 시스템은 교육 영상에서 화면 동작과 음성 지시를 추출하고, 이를 단계별 절차와 스크린샷이 포함된 SOP로 변환해 검색 가능한 지식 자산으로 축적합니다.
- SLA 위험 예측(SLA Risk Prediction)
- — 티켓이 서비스 수준 목표를 지키지 못할 가능성을 운영 데이터와 머신러닝으로 산출하는 과정입니다. 이 글에서는 티켓 체류 기간, 남은 기간, 복잡도, 과거 에스컬레이션, 해결 패턴, 담당자 업무량을 입력으로 XGBoost 확률 점수를 계산하고 위험 등급을 부여합니다.
- 가치 흐름 매핑(Value Stream Mapping)
- — 업무가 여러 역할과 시스템을 거치는 흐름을 단계와 인계 지점으로 시각화하는 방법입니다. 이 글에서는 실행 데이터를 프로세스 맵에 연결해 승인 지연, 부서 간 인계, 조정 공백과 같은 병목을 찾고 자동화하거나 제거할 업무를 선별합니다.
기술
- Amazon Bedrock
- AWS Strands Agents SDK
- Amazon OpenSearch Serverless
- Marengo Embed 2.7
- Pegasus 1.2
- Claude Sonnet 4.6
- Amazon Bedrock Guardrails
- AWS Lambda
- Amazon Redshift
- Amazon S3
- Amazon Quick Sight
- XGBoost
- RAG
활용 사례
- 교육 영상에서 표준 운영 절차 자동 생성
- SOP와 정책을 활용한 지원 티켓 해결 지침 생성
- 티켓 태깅·댓글·상태 변경 자동화
- 담당자별 티켓 복잡도와 업무량 관리
- SLA 미준수 위험이 높은 티켓의 선제적 우선 처리
- 승인 경로와 부서 간 인계 병목 분석
- 금융 서비스·헬스케어·물류·제조·에너지 지원 운영
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 03.수집 2026. 09. 03.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.
