Amazon Bedrock의 Claude Tool Use를 활용한 맞춤형 엔티티 인식 가속화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

비정형 데이터에서 정보를 추출하는 기존 방식은 리소스 집약적이고 유연성이 부족한 한계가 있다. 이 아티클은 Amazon Bedrock의 Claude Tool Use(함수 호출) 기능을 활용하여 별도의 모델 학습 없이 자연어 프롬프트와 JSON 스키마 정의만으로 엔티티를 인식하는 방법을 제시한다. 사용자가 S3에 문서를 업로드하면 Lambda가 트리거되어 Claude 4.5 Sonnet 모델에 데이터를 전달하고, 모델은 정의된 스키마에 맞춰 구조화된 데이터를 추출한다. 실제 운전면허증 이미지에서 이름, 주소, 면허 번호 등을 정확히 추출하는 과정을 코드를 통해 증명하며, 이는 다양한 문서 처리 자동화에 즉시 적용 가능하다.

배경

AWS 계정 및 Bedrock 접근 권한, Python 및 JSON 기초 지식, IAM 역할 및 정책 설정 이해

대상 독자

AWS 기반 AI 애플리케이션 개발자 및 문서 자동화 솔루션 설계자

의미 / 영향

이 방식은 전통적인 OCR 및 개체명 인식(NER) 모델 구축 비용을 획기적으로 낮춘다. 특히 다양한 양식의 문서를 처리해야 하는 금융, 의료 분야에서 빠른 프로토타이핑과 배포를 가능하게 한다.

섹션별 상세

비정형 문서에서 특정 정보를 추출하기 위해 복잡한 ML 모델을 학습시키는 대신 LLM의 도구 사용 능력을 활용한다. Claude Tool Use는 사용자가 정의한 JSON 스키마를 바탕으로 모델이 외부 도구를 호출할지 판단하고 필요한 인자를 생성하는 방식이다. 이를 통해 운전면허증이나 보험 카드와 같은 다양한 문서 타입에 유연하게 대응할 수 있다.

전체 시스템은 Amazon S3, AWS Lambda, Amazon Bedrock을 결합한 서버리스 아키텍처로 구성된다. 사용자가 S3 버킷에 이미지를 업로드하면 이벤트 알림이 발생하여 Lambda 함수를 실행하고, Lambda는 이미지를 Base64로 인코딩하여 Bedrock API를 호출한다. 이 구조는 인프라 관리 부담을 최소화하면서 수요에 따라 자동으로 확장되는 이점이 있다.

S3, Lambda, Bedrock, CloudWatch를 연결한 서버리스 문서 처리 아키텍처 다이어그램 — Diagram사용자가 S3에 문서를 업로드하면 Lambda가 트리거되어 Bedrock의 Claude 모델을 호출하고 결과를 CloudWatch에 기록하는 전체 워크플로우를 보여준다. 각 서비스 간의 데이터 흐름과 역할을 시각적으로 파악할 수 있다.

정확한 데이터 추출을 위해 Lambda 함수 내에서 명확한 도구 스키마(Tool Schema) 정의가 필수적이다. extract_license_fields와 같은 도구 이름과 함께 추출할 필드의 타입 및 필수 여부를 JSON 형태로 정의하여 모델에 전달한다. Claude 4.5 Sonnet은 이 스키마를 이해하고 이미지 내 텍스트를 분석하여 구조화된 JSON 응답을 반환한다.

python

import boto3, json
import base64

def lambda_handler(event, context):
    bedrock = boto3.client("bedrock-runtime")
    s3 = boto3.client("s3")
    bucket = event["Records"][0]["s3"]["bucket"]["name"]
    key = event["Records"][0]["s3"]["object"]["key"]
    file = s3.get_object(Bucket=bucket, Key=key)

    # Convert image to base64
    image_data = file["Body"].read()
    base64_image = base64.b64encode(image_data).decode('utf-8')

    # Define tool schema
    tools = [{
        "name": "extract_license_fields",
        "input_schema": {
            "type": "object",
            "properties": {
                "first_name": { "type": "string" },
                "last_name": { "type": "string" },
                "issue_date": { "type": "string" },
                "license_number": { "type": "string" },
                "address": {
                    "type": "object",
                    "properties": {
                        "street": { "type": "string" },
                        "city": { "type": "string" },
                        "state": { "type": "string" },
                        "zip": { "type": "string" }
                    }
                }
            },
            "required": ["first_name", "last_name", "issue_date", "license_number", "address"]
        }
    }]

    payload = {
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 2048,
        "messages": [{
            "role": "user",
            "content": [
                { "type": "image", "source": { "type": "base64", "media_type": "image/jpeg", "data": base64_image } },
                { "type": "text", "text": "Extract the driver's license fields from this image." }
            ]
        }],
        "tools": tools
    }
    // ...(중략)

S3에서 이미지를 가져와 Base64로 인코딩한 후 Claude 4.5 Sonnet 모델에 도구 스키마와 함께 전달하는 Lambda 함수 핵심 로직

성능 최적화를 위해 Lambda의 메모리와 타임아웃 설정을 조정해야 하며, 특히 고해상도 이미지 처리를 위해 타임아웃을 최소 30초 이상으로 설정할 것이 권장된다. 또한 tool_choice 파라미터를 auto로 설정하여 모델의 자율성을 부여하거나, 특정 도구 이름을 명시하여 결정론적 동작을 유도할 수 있다. 추출된 결과는 CloudWatch Logs를 통해 실시간으로 확인 가능하다.

AWS Lambda의 기본 설정 편집 화면 스크린샷 — ScreenshotLambda 함수의 메모리 및 타임아웃 설정을 변경하는 화면이다. 기사에서 강조하는 타임아웃 30초 이상 설정이 실제 콘솔에서 어떻게 이루어지는지 확인시켜 준다.

CloudWatch Logs에 기록된 JSON 형식의 추출 결과 데이터 — ScreenshotClaude 모델이 운전면허증 이미지에서 추출한 이름, 면허 번호, 주소 등의 데이터를 JSON 구조로 반환한 실제 로그이다. 정의된 도구 스키마에 따라 데이터가 정확히 정형화되었음을 증명한다.

실무 Takeaway

Amazon Bedrock의 Claude Tool Use를 적용하면 별도의 OCR 모델 학습 없이도 비정형 이미지에서 정형 데이터를 정확하게 추출할 수 있다.
Lambda 함수의 타임아웃을 기본 3초에서 1~2분으로 상향 조정해야 대용량 이미지 처리 시 발생하는 실행 중단 오류를 방지할 수 있다.
결정론적인 결과가 필요한 프로덕션 환경에서는 tool_choice를 auto 대신 특정 도구 이름으로 고정하여 모델의 응답 일관성을 확보해야 한다.

언급된 리소스

문서Amazon Bedrock Documentation

GitHubAWS Samples GitHub Repository

import boto3, json import base64 def lambda_handler(event, context): bedrock = boto3.client("bedrock-runtime") s3 = boto3.client("s3") bucket = event["Records"][0]["s3"]["bucket"]["name"] key = event["Records"][0]["s3"]["object"]["key"] file = s3.get_object(Bucket=bucket, Key=key) # Convert image to base64 image_data = file["Body"].read() base64_image = base64.b64encode(image_data).decode('utf-8') # Define tool schema tools = [{ "name": "extract_license_fields", "input_schema": { "type": "object", "properties": { "first_name": { "type": "string" }, "last_name": { "type": "string" }, "issue_date": { "type": "string" }, "license_number": { "type": "string" }, "address": { "type": "object", "properties": { "street": { "type": "string" }, "city": { "type": "string" }, "state": { "type": "string" }, "zip": { "type": "string" } } } }, "required": ["first_name", "last_name", "issue_date", "license_number", "address"] } }] payload = { "anthropic_version": "bedrock-2023-05-31", "max_tokens": 2048, "messages": [{ "role": "user", "content": [ { "type": "image", "source": { "type": "base64", "media_type": "image/jpeg", "data": base64_image } }, { "type": "text", "text": "Extract the driver's license fields from this image." } ] }], "tools": tools } // ...(중략)

Amazon Bedrock의 Claude Tool Use를 활용한 맞춤형 엔티티 인식 가속화

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

Amazon Bedrock의 Claude Tool Use를 활용한 맞춤형 엔티티 인식 가속화

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드