이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Mobileye는 반복적인 세션 상태 조회로 인한 엔지니어 병목을 해소하기 위해 Amazon Bedrock AgentCore 위에 AI Support Agent를 배포했고, 내부 LLM Gateway와 Model Context Protocol(MCP)을 결합해 실시간 세션 데이터와 Claude 모델을 사용해 자동 응답을 생성합니다. 하이브리드 아키텍처에서 로컬 오케스트레이터가 티켓을 전송하면 에이전트가 MCP로 상태·로그를 조회하고 포맷된 권장 조치와 링크를 포함한 응답을 반환해 티켓 시스템에 업데이트합니다. 운영 결과 성공률 98%, 응답 시간 약 1분, 티켓의 66% 자동화라는 수치를 기록했고, 그 성공을 바탕으로 내부 셀프서비스 배포 플랫폼을 구축해 조직 전반으로 에이전트 배포를 확대했습니다.
섹션별 상세
데이터 수집 파이프라인 확대로 지원팀의 문의 중 66%가 반복적인 세션 상태 조회였으며 이 작업은 엔지니어가 여러 백엔드 시스템을 15회 내외 클릭해 수동으로 수행하던 병목이었습니다. Mobileye는 단순 스크립트나 규칙 기반 자동화가 변형된 실제 문의의 문맥을 해석하지 못하는 한계를 확인했고, 문맥 인식이 가능한 AI 에이전트를 통해 티켓 분류와 실시간 조사 작업을 통합하는 방안을 선택했습니다. 이 접근은 반복 업무에서 엔지니어 시간을 해방시키고 응답 지연을 단축하는 데 목적이 있습니다.
근거
- 전체 티켓의 66%를 자동화해 반복 조회 작업을 처리 — 초기 문제 정의와 운영 결과에서 66% 자동화라는 비율이 반복해서 언급된 부분
개념 검증 단계에서 Mobileye는 목표로 티켓 분류 정확도 95%와 2분 미만 응답 시간을 설정했고, Anthropic Claude 모델을 내부 LLM Gateway를 통해 Bedrock에서 호출하며 MCP로 실시간 처리 상태를 조회하도록 설계했습니다. 입력으로 티켓 텍스트와 MCP를 통해 가져온 세션 상태·로그를 결합해 모델 추론을 수행하고, 결과는 포맷된 응답(링크·권장 조치 포함)으로 출력되었으며 수작업 없이도 다양한 오류 사례에 대해 디버깅 권장과 로그 링크를 제공할 수 있었습니다. 이 과정은 단순 분류를 넘어 실제 조사자 역할을 수행함으로써 POC 목표를 충족했습니다.
운영 전환을 위해 Mobileye는 Amazon Bedrock AgentCore를 선택했으며 결정 요인은 서버리스 인프라, 관찰성 내장, 다중 에이전트 프레임워크 지원, 그리고 온프레미스 연동 능력이었습니다. AgentCore Runtime은 서버 프로비저닝 없이 에이전트를 배포·반복할 수 있게 하고 단일 API 호출로 에이전트를 소환해 온프레미스 로컬 오케스트레이터와의 통합을 단순화했습니다. 내장된 AgentCore Observability는 도구 호출과 토큰 사용량까지 추적해 디버깅 사이클을 단축시키고 운영 기준을 만족시키는 근거를 제공합니다.
하이브리드 아키텍처는 온프레미스의 로컬 오케스트레이터와 내부 티켓 시스템을 유지하면서 클라우드의 AgentCore와 연동하도록 설계되었습니다. 로컬 오케스트레이터는 신규 티켓을 추출해 AgentCore의 AI Support Agent로 전달하고, 에이전트는 MCP로 실시간 세션 상태 및 로그를 조회하고 LLM Gateway를 통해 Claude에 질의를 보내 응답을 생성하며 그 결과를 다시 로컬 오케스트레이터가 티켓 시스템에 업데이트하는 일련의 입력→처리→출력 흐름을 따릅니다. 이 구성은 온프레미스 접근 제약을 해소하지 않으면서 보안·거버넌스 요구를 유지하는 방법을 제공합니다.
운영 결과는 목표를 상회했으며 전체 성공률 98%와 평균 응답 시간이 기존 수시간에서 약 1분으로 단축되는 등 성능 수치가 명시되어 있습니다. 월 처리량은 100건 이상이고 전체 티켓의 66%가 자동화되어 반복 조회 업무가 대폭 감소했기 때문에 엔지니어들이 복잡한 문제 해결에 더 많은 시간을 할애할 수 있게 됐습니다. 이러한 실측 데이터는 AgentCore 기반 배포가 비용·시간 면에서 실무적 이득을 제공한다는 근거로 사용되었습니다.
근거
- 운영 배포 후 전체 성공률 98% 달성 — 기사의 'Measurable results that speak for themselves' 섹션에 명시된 성공률 수치
- 응답 시간이 수시간에서 약 1분으로 단축되어 90% 개선 — 운영 결과 항목에서 응답 시간과 90% 개선 수치가 병기된 부분
단일 에이전트의 성공은 내부 자체 배포 플랫폼으로 확장되어 개발자가 AWS 자격증명이나 전문 인프라 지식 없이 agentcore deploy 한 명령으로 에이전트를 배포할 수 있도록 바뀌었습니다. 이 내부 플랫폼은 팀이 요구하는 AgentCore 기능(Memory, Browser Tool, Code Interpreter, Observability, Gateway 등)을 명시하면 Cloud Infra 팀이 IAM·S3·CloudWatch·Cognito 등을 프로비저닝해 표준화된 bedrock_agentcore.yaml을 제공하는 방식으로 동작합니다. 결과적으로 에이전트 배포 시간이 주 단위에서 분 단위로 단축되고 보안·비용 거버넌스가 유지됩니다.
용어 해설
- AgentCore 런타임(AgentCore Runtime)
- — AgentCore 런타임은 서버리스 방식으로 에이전트를 실행하며 자동 확장과 무서버 인프라 관리를 제공하여 개발자가 서버 프로비저닝 없이 에이전트를 배포하고 반복해서 수정할 수 있게 합니다. 요청은 단일 API 호출로 에이전트에게 전달되며 런타임은 트래픽 급증을 자동으로 처리합니다. 이 구조는 온프레미스 시스템과의 연동을 쉽게 하면서 운영 부담을 줄이는 목적을 가집니다.
- Model Context Protocol (MCP)(Model Context Protocol)
- — MCP는 추론 중 실시간으로 생산 데이터 파이프라인을 조회할 수 있게 하는 프로토콜로, 에이전트가 세션 상태·처리 로그·진단 정보를 호출해 컨텍스트를 보강합니다. 입력 티켓을 바탕으로 MCP 호출을 통해 필요한 API 데이터를 가져오고 그 결과를 모델 입력에 반영해 응답을 생성합니다. 실시간 데이터 접근을 통해 단순 분류를 넘어 조사형 응답이 가능해집니다.
- AI LLM Gateway
- — AI LLM Gateway는 내부에서 관리되는 모델 접근 계층으로 Bedrock에 호스팅된 foundation model에 대한 거버닝과 쿼터 관리를 수행합니다. 에이전트는 이 게이트웨이를 통해 Anthropic Claude 같은 모델에 안전하게 요청을 전달하고 응답을 받습니다. 중앙 제어로 모델 사용량과 권한을 통제하면서 운영 표준을 지킬 수 있게 합니다.
- AgentCore 관찰성(AgentCore Observability)
- — AgentCore 관찰성은 에이전트 상호작용 전 과정을 추적해 요청, 도구 호출(MCP 포함), 토큰 사용량, 레이턴시 및 에러 트레이스를 수집합니다. 수집된 로그와 트레이스는 디버깅과 반복 개선의 근거로 쓰이며 운영자의 문제 원인 규명을 단축합니다. 에러 알람과 지표는 운영·비용 거버넌스와 연동됩니다.
- 로컬 오케스트레이터(Local Orchestrator)
- — 로컬 오케스트레이터는 온프레미스 티켓 시스템과 연동해 신규 티켓을 추출하고 AgentCore에 요청을 전송한 뒤 생성된 응답을 다시 티켓 시스템에 기입하는 역할을 합니다. 온프레미스 접근 제약을 유지하면서 클라우드 에이전트와의 보안 연결을 책임집니다. 이 구성은 기존 내부 절차를 변경하지 않고 자동화를 적용할 수 있게 합니다.
기술
- Amazon Bedrock AgentCore
- Anthropic Claude
- Model Context Protocol (MCP)
- AI LLM Gateway
- AWS Secrets Manager
- AgentCore Observability
- Amazon CloudWatch
- Amazon S3
- Amazon Cognito
활용 사례
- 온프레미스 티켓 시스템의 반복적인 세션 상태 조회를 자동화해 사용자가 요청한 세션의 현재 상태와 접근 정보를 즉시 제공하는 흐름을 만듭니다. 로컬 오케스트레이터가 티켓을 추출하면 에이전트는 MCP로 실시간 데이터를 조회하고 LLM을 통해 포맷된 응답을 생성합니다. 이 과정은 수작업 조회에 소요되던 엔지니어 시간을 줄이고 응답 지연을 크게 낮춥니다.
- 처리 실패나 오류가 발생한 드라이브 세션에 대해 에이전트가 관련 로그와 디버깅 권장사항, 로그 링크를 포함한 조사형 응답을 제공합니다. 에이전트는 문제 원인 판별을 위해 MCP에서 오류 세부정보를 가져오고 Claude를 사용해 단계별 권장을 구성하여 티켓에 삽입합니다. 이로 인해 반복 문의에 대한 1차 대응 완결률이 올라가고 후속 수작업이 감소합니다.
- 팀 단위로 자체 에이전트를 빠르게 배포하는 내부 셀프서비스 플랫폼을 통해 비전문가도 보안·비용 통제를 유지하며 에이전트를 운영할 수 있게 합니다. 개발자는 에이전트 코드와 필요한 기능을 지정하면 Cloud Infra 팀이 표준 인프라를 프로비저닝하고 배포 가능한 YAML을 제공하며 단일 명령으로 배포됩니다. 이 프로세스는 에이전트 도입 장벽을 낮추고 조직 전체의 자동화 확산을 촉진합니다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 06.수집 2026. 08. 06.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.
