Amazon Nova 모델을 활용한 물류 센터 운영 준비 테스트 자동화

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

핵심 요약

Amazon은 신규 물류 센터 가동 전 수십만 개의 부품을 수동으로 점검하는 운영 준비 테스트(ORT)의 비효율을 해결하기 위해 AI 기반 이미지 인식 솔루션인 IORA를 개발했다. Amazon Bedrock의 Nova Pro 모델을 주축으로 부품을 탐지하고, Claude Sonnet을 활용해 정교한 부품 설명을 생성하여 탐지 정확도를 높였다. 이 시스템은 서버리스 아키텍처를 기반으로 구축되어 확장성을 확보했으며, 실제 현장 테스트 결과 92%의 정밀도와 60%의 시간 절감 효과를 입증했다. 결과적으로 현장 팀은 AI가 탐지하지 못한 누락 부품에만 집중할 수 있게 되어 운영 효율이 극대화되었다.

배경

Amazon Bedrock 및 Nova 모델에 대한 기본 지식, AWS Lambda 및 S3 기반의 서버리스 아키텍처 이해, 객체 탐지(Object Detection) 및 프롬프트 엔지니어링 기초

대상 독자

물류 및 제조 분야의 AI 도입 개발자 및 MLOps 엔지니어

의미 / 영향

이 사례는 대규모 물리적 자산 검증이 필요한 산업에서 멀티모달 LLM을 활용해 수동 프로세스를 획기적으로 자동화할 수 있음을 보여준다. 특히 특정 도메인 지식을 텍스트 설명으로 변환해 모델에 주입하는 방식은 범용 모델의 현장 적응력을 높이는 핵심 전략이 될 것이다.

섹션별 상세

운영 준비 테스트(ORT)는 시설당 20만 개 이상의 부품(UIN)을 10,500개 워크스테이션에서 수동으로 확인해야 하며, 시설당 약 2,000시간이 소요되는 고부하 작업이다.

이미지 탐지 모델로 Amazon Nova Pro를 선정했으며, 이는 높은 RPM/TPM 처리량과 비용 효율성, 그리고 정교한 Bounding Box 좌표 제공 능력을 갖추고 있다.

부품 설명 생성 파이프라인에서는 Claude Sonnet 4.0을 사용하여 참조 이미지로부터 물리적 특징과 설치 맥락이 포함된 표준화된 텍스트 설명을 생성하고 이를 DynamoDB에 저장한다.

IORA 솔루션의 전체 시스템 아키텍처 다이어그램 — Diagram설명 생성 파이프라인과 탐지 파이프라인의 흐름을 보여준다. S3, Lambda, Bedrock, DynamoDB가 어떻게 상호작용하여 부품 데이터를 처리하고 테스터에게 결과를 전달하는지 시각화한다.

실시간 탐지 파이프라인은 테스터가 촬영한 이미지를 Nova Pro로 분석하며, 사전에 생성된 부품 설명과 탐지 규칙을 프롬프트에 주입하여 오탐을 줄이고 탐지 정확도를 높인다.

특정 부품(UIN)의 상세 분석 결과 UI 화면 — Screenshot탐지된 부품의 이름, 설명, AI 상태(PASS), 그리고 원본 이미지와 사용자 이미지를 비교 분석한 결과를 보여준다. Bounding Box가 적용된 이미지 분석 결과를 확인할 수 있다.

현장 테스트 결과 92%의 정밀도와 이미지당 2~5초의 지연 시간을 달성했으며, 부품이 40개 이상인 복잡한 모듈의 경우 계층적 처리 방식이 필요함을 확인했다.

IORA 모듈 테스팅 대시보드 화면 — Screenshot전체 부품의 탐지 성공률, AI 상태 요약, 수동 오버라이드 횟수 등 운영 지표를 한눈에 파악할 수 있는 대시보드 구성을 보여준다.

서버리스 아키텍처(AWS Lambda, Amazon Bedrock)를 채택하여 복잡한 인프라 관리 없이 대규모 이미지 처리 파이프라인을 구축하고 비용 효율적인 확장이 가능해졌다.

실무 Takeaway

단순 이미지 비교 방식보다 풍부한 텍스트 컨텍스트 설명을 제공할 때 Amazon Nova Pro의 시각적 인식 및 객체 탐지 성능이 극대화된다.
시스템 프롬프트에 일반적인 오탐 패턴(예: 특정 로고가 없는 일반 표지판 제외)을 명시함으로써 모델의 판단 기준을 정교화하고 신뢰도를 높일 수 있다.
AI 모델은 기존 정답 데이터(Ground Truth)의 누락된 라벨을 식별하는 데 유용하며, 이를 통해 인간이 작성한 데이터셋의 품질을 역으로 개선할 수 있다.

언급된 리소스

API DocsAmazon Bedrock Documentation