고립된 경고에서 맥락적 지능으로: 생성형 AI를 활용한 에이전트 기반 해상 이상 징후 분석

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

핵심 요약

해상 분석가들이 선박의 이상 행동을 파악하기 위해 수동으로 데이터를 수집하고 상관관계를 분석하던 기존의 비효율적인 프로세스를 개선하기 위해 Windward와 AWS가 협력했다. 이 솔루션은 Amazon Bedrock과 AWS Step Functions를 기반으로 뉴스, 웹 검색, 날씨 데이터를 자동으로 수집하고 분석하는 멀티스텝 AI 에이전트 아키텍처를 채택했다. 수집된 데이터는 LLM의 자기 반성 과정을 거쳐 보완되며, Amazon Rerank와 LLM 스코어링을 통해 정밀하게 필터링된다. 최종적으로 생성된 보고서는 이상 징후의 원인과 위험을 요약하여 분석가의 의사결정 속도를 높인다.

배경

AWS 클라우드 기초 지식, LLM 및 프롬프트 엔지니어링 기본 개념, 서버리스 아키텍처(Lambda, Step Functions) 이해

대상 독자

해상 보안 및 물류 분석가, AI 에이전트 아키텍처 설계자

의미 / 영향

이 솔루션은 복잡한 도메인 지식이 필요한 분석 업무를 AI 에이전트가 보조함으로써 전문가의 업무 효율을 극대화한다. 특히 실시간 외부 데이터와 내부 모델을 결합하는 아키텍처는 금융, 물류 등 다른 산업의 이상 탐지 분야에도 즉시 적용 가능한 모범 사례를 제시한다.

섹션별 상세

해상 이상 징후 분석의 수동 데이터 수집 병목 현상을 해결하기 위해 자동화된 맥락화 솔루션이 필요했다. 기존 분석가들은 AIS 데이터와 외부 정보를 대조하는 데 수 시간을 소모하며 도메인 지식에 크게 의존했다. Windward는 AWS Generative AI Innovation Center와 협력하여 탐지에서 의사결정까지의 과정을 자동화하는 MAI Expert™를 개발했다. 이를 통해 분석가들은 단순 데이터 수집보다 전략적 해석에 더 많은 시간을 할애할 수 있게 됐다.

AWS Step Functions가 전체 워크플로를 오케스트레이션하며 Lambda를 통해 다양한 외부 데이터를 병렬로 추출한다. 시스템은 Windward 내부 데이터베이스에서 이상 징후의 좌표와 시간 등 메타데이터를 추출한 뒤 이를 Amazon Bedrock 기반 LLM에 전달한다. 실시간 뉴스 피드, 지능형 웹 검색, 날씨 API가 각각의 Lambda 함수로 실행되어 이상 징후와 관련된 배경 정보를 수집한다. 통합된 워크플로는 분석가가 여러 외부 소스를 직접 조회해야 하는 번거로움을 제거했다.

Anthropic Claude 기반의 LLM이 수집된 데이터의 충분성을 판단하는 자기 반성 로직을 수행한다. LLM은 추출된 데이터 항목을 이상 징후 데이터와 대조하여 사건을 설명하기에 충분한지 판단한다. 정보가 부족하다고 판단되면 LLM은 새로운 검색 쿼리를 생성하여 추가 데이터를 수집하는 루프를 실행한다. 이러한 피드백 루프는 생성된 보고서의 완결성을 높이는 핵심 메커니즘으로 작동한다.

Amazon Rerank 모델과 LLM 스코어링을 순차적으로 적용하여 데이터의 정확도를 극대화했다. 1차적으로 Amazon Rerank가 재현율을 중심으로 관련 없는 뉴스 항목을 제거하고 후보군을 좁힌다. 2차적으로 LLM이 시간, 위치, 선박 유형 등 다차원 지표를 기준으로 0에서 100 사이의 점수를 부여하여 정밀도를 높인다. 임계값을 넘는 최상위 데이터만 최종 보고서 생성에 사용되어 정보의 신뢰성을 보장한다.

LLM-as-a-judge 방식을 도입하여 생성된 보고서의 품질을 다각도로 평가한다. 신뢰성, 데이터 품질, 소스 다양성, 일관성, 윤리적 편향 등 6가지 정의된 기준에 따라 LLM 판독기가 점수를 매긴다. 여기에 보고서 길이와 인용된 소스 수와 같은 결정론적 지표를 결합하여 시스템의 성능을 정량화한다. 최종적으로 인간 전문가의 검증을 거쳐 AI가 생성한 요약과 실제 도메인 지식 간의 정렬을 확인했다.

실무 Takeaway

반복적인 외부 데이터 수집이 필요한 분석 업무에 AWS Step Functions와 LLM을 결합한 에이전트 워크플로를 적용하여 전문가의 전략적 판단 시간을 확보할 수 있다.
Rerank 모델로 후보군을 좁힌 뒤 LLM으로 정밀 스코어링을 수행하는 2단계 필터링 전략은 대규모 비정형 데이터에서 노이즈를 효과적으로 제거한다.
LLM-as-a-judge 평가 체계를 구축할 때 인간의 판단 기준과 정렬된 다차원 지표를 설정함으로써 자동화된 품질 관리가 가능하다.

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

핵심 요약

배경

AWS 클라우드 기초 지식, LLM 및 프롬프트 엔지니어링 기본 개념, 서버리스 아키텍처(Lambda, Step Functions) 이해

대상 독자

해상 보안 및 물류 분석가, AI 에이전트 아키텍처 설계자

의미 / 영향

섹션별 상세

실무 Takeaway

반복적인 외부 데이터 수집이 필요한 분석 업무에 AWS Step Functions와 LLM을 결합한 에이전트 워크플로를 적용하여 전문가의 전략적 판단 시간을 확보할 수 있다.
Rerank 모델로 후보군을 좁힌 뒤 LLM으로 정밀 스코어링을 수행하는 2단계 필터링 전략은 대규모 비정형 데이터에서 노이즈를 효과적으로 제거한다.
LLM-as-a-judge 평가 체계를 구축할 때 인간의 판단 기준과 정렬된 다차원 지표를 설정함으로써 자동화된 품질 관리가 가능하다.

고립된 경고에서 맥락적 지능으로: 생성형 AI를 활용한 에이전트 기반 해상 이상 징후 분석

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

고립된 경고에서 맥락적 지능으로: 생성형 AI를 활용한 에이전트 기반 해상 이상 징후 분석

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드