이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
보험 문서처럼 법률 용어가 겹쳐 정책과 진술서를 구분하기 어려운 자료를 분류하기 위해 Amazon Bedrock과 Strands Agents SDK 기반의 멀티 에이전트 구조를 구성합니다. Document Analysis Agent는 Claude Haiku 4.5로 텍스트와 법률 언어를 판별하고, Vector Similarity Search Agent는 Amazon Titan Multimodal Embeddings와 FAISS로 양식·표·레이아웃의 유사도를 검색하며, Validation Agent는 두 결과를 비교해 최종 분류와 confidence를 산출합니다. 20개 문서와 3개 클래스의 제한된 평가에서 정확도 100%를 기록해 BDA의 70%, Amazon Textract와 Amazon Comprehend 조합의 25%를 앞섰고, 문서당 평균 처리 시간은 23.3초였습니다. PII redaction, 범위 제한, invocation logging, 사람 검토 플래그를 함께 적용해야 민감한 보험 문서의 오류와 개인정보 유출 위험을 통제할 수 있습니다.
섹션별 상세
보험사는 정책 문서, 진술서, 배서 문서, 규제 양식처럼 용도가 다르지만 법률 용어가 겹치는 자료를 매일 대량으로 분류해야 합니다. 수작업은 시간이 오래 걸리고 오류가 발생하기 쉬우며, 정책 배서와 규제 진술서를 잘못 분류하면 규정 위반이나 처리 지연으로 이어질 수 있습니다. 이 글은 Amazon Bedrock과 Strands Agents SDK를 이용해 텍스트 판단과 문서 외형 검색을 결합하는 멀티 에이전트 분류 구조를 구축하는 흐름을 제시합니다.
Validation Agent가 전체 작업의 오케스트레이터가 되어 Document Analysis Agent와 Vector Similarity Search Agent를 도구처럼 호출합니다. 전자는 문서 본문·메타데이터·언어적 특징을 Claude Haiku 4.5로 처리하고, 후자는 Amazon Titan Multimodal Embeddings와 FAISS로 양식 배치·표 구조·서식 관례를 비교합니다. 두 결과를 대조해 최종 분류, 신뢰도, 사람 검토 필요 여부를 산출하므로 단일 모델이 놓치기 쉬운 텍스트와 시각 정보의 불일치를 별도 단계에서 처리합니다.
Document Analysis Agent는 보험 문서를 POLICY, AFFIDAVIT, MISCELLANEOUS 중 하나로 분류하고 0.0부터 1.0까지의 confidence와 판단 근거를 구조화된 출력으로 반환합니다. Claude Haiku 4.5는 문서 내용을 읽어 핵심 정보와 법률 언어의 미세한 패턴을 추출하며, NullConversationManager를 사용해 분류 요청마다 독립적인 처리를 수행합니다. 구조화된 출력 모델을 적용하면 오케스트레이터가 분류명·신뢰도·추론을 기계적으로 읽어 후속 검증에 사용할 수 있습니다.
python
def create_bedrock_model( model_id: str = "anthropic.claude-haiku-4-5-20251001-v1:0", # temperature: float = 0.1, max_tokens: int = 4096 ) -> BedrockModel: """Create a configured Bedrock model instance.""" return BedrockModel( model_id=model_id, region_name="us-east-1", temperature=temperature, max_tokens=max_tokens )Amazon Bedrock에서 사용할 Claude 모델의 ID, 리전, temperature, 최대 토큰 수를 설정해 BedrockModel 인스턴스를 생성합니다.
Vector Similarity Search Agent는 PDF 페이지를 이미지 데이터로 변환한 뒤 Amazon Titan Multimodal Embeddings로 시각적 특징을 벡터화합니다. FAISS 인덱스에서 상위 3개 템플릿을 검색하고, 반환된 label의 다수결과 일치 비율을 초기 분류 및 confidence로 계산한 뒤 에이전트가 검색 결과의 페이지 간 일관성을 반영합니다. 텍스트 내용이 달라도 양식 배치와 표 구조가 비슷한 문서를 찾아낼 수 있어 시각적으로 구별되는 문서 유형의 판별력을 보완합니다.
python
db = FAISS.load_local("hybrid_docs.vdb", embeddings=embeddings, allow_dangerous_deserialization=True)
VECTOR_ANALYSIS_PROMPT = """You are a Vector Similarity Search Specialist. Analyze the similarity search results and determine the document classification. Consider the confidence scores and consistency of matches across pages."""
@tool
def analyze_document_vectors(pdf_path: str) -> str:
"""Classify document using vector similarity search with agentic reasoning."""
base64_pages = pdf_to_base64(pdf_path)
first_embedding = create_multimodal_embedding(image_base64=base64_pages[0])
results = db.similarity_search_by_vector(embedding=first_embedding, k=3)
labels = [r.metadata["label"] for r in results]
classification = Counter(labels).most_common(1)[0][0]
confidence = labels.count(classification) / len(labels)문서 첫 페이지를 멀티모달 임베딩으로 변환하고 FAISS에서 상위 3개 유사 문서를 검색해 다수결 분류와 신뢰도를 계산합니다.
Validation Agent는 두 전문 에이전트의 분류와 confidence를 비교해 최종 결과를 합성합니다. 두 에이전트가 같은 결과를 내면 0.85에서 0.95의 높은 confidence를 부여하고, 불일치하면 내용이 풍부한 문서에는 텍스트 판단을 우선하며 시각적 형식이 뚜렷한 문서에는 벡터 결과를 더 반영합니다. confidence가 정의된 임계값보다 낮으면 requires_human_review를 true로 설정해 불확실한 문서가 자동 처리 흐름으로 그대로 넘어가지 않게 합니다.
구현에는 AWS 계정과 Amazon Bedrock 및 IAM 권한, Claude Haiku 4.5와 Amazon Titan Multimodal Embeddings 접근 권한이 필요합니다. Python 3.14 이상, AWS CLI 2.0 이상, IDE, Git, Strands Agents SDK, FAISS를 준비한 뒤 inference profile을 통해 Claude 모델과 리전을 설정합니다. 모델 ID에 us., eu., ap. 같은 지리적 접두사를 붙이면 배포 리전에 맞는 cross-Region inference profile로 지연시간과 가용성을 조정할 수 있습니다.
20개 문서와 3개 클래스만 포함한 제한된 평가에서 멀티 에이전트 시스템은 100% 정확도를 기록했고, 다음으로 높은 Amazon Bedrock Data Automation의 70%보다 30%포인트 높았습니다. Amazon Textract와 키워드 조합, Amazon Comprehend와 엔터티 조합은 각각 25%였고 BDA는 25.7초, 멀티 에이전트 시스템은 문서당 평균 23.3초가 걸렸습니다. Claude Haiku 4.5는 문서당 평균 19.3초와 93% confidence를 기록했으며 Claude Sonnet 4.5와 같은 정확도를 17% 더 빠르게 달성했지만, 평가 문서가 적어 실제 운영 정확도는 달라질 수 있습니다.
클래스별 결과에서 정책 문서는 법률 용어가 다른 문서와 많이 겹쳐 Amazon Textract, Amazon Comprehend, BDA가 각각 25%에 그친 반면 멀티 에이전트 시스템은 100%를 기록했습니다. 진술서는 Amazon Textract와 Amazon Comprehend가 각각 10%, BDA와 멀티 에이전트 시스템이 100%였으며, 구조적 표지가 뚜렷한 MISCELLANEOUS 문서는 네 접근법 모두 100%였습니다. 따라서 이 구조는 처리 시간 약 23초를 감수하면서 분류 오류의 규정·재무 위험이 큰 업무에서 정확도와 설명 가능성을 우선하는 선택지입니다.
민감한 보험 문서에는 Amazon Bedrock Guardrails의 PII redaction, topic-denial, word filter와 콘텐츠 필터를 적용해 개인정보와 범위 밖 요청이 로그나 후속 시스템으로 퍼지는 경로를 줄여야 합니다. Amazon Bedrock model invocation logging을 켜면 전체 요청·응답 흐름과 Guardrails 개입 이벤트를 감사 기록으로 남길 수 있습니다. 테스트가 끝난 뒤에는 로컬 FAISS 파일과 PDF, S3 버킷 및 CloudWatch 로그를 정리하고 Amazon Bedrock 호출 사용량을 확인해야 지속적인 비용을 관리할 수 있습니다.
용어 해설
- 멀티 에이전트 아키텍처(Multi-Agent Architecture)
- — 하나의 모델이 모든 작업을 처리하는 대신 여러 전문화된 AI 에이전트가 각기 다른 하위 작업을 맡고, 오케스트레이터가 결과를 결합하는 구조입니다. 복잡한 입력을 텍스트·시각·검증 단계로 나눠 정확도와 추적 가능성을 높이는 데 쓰입니다.
- 벡터 유사도 검색(Vector Similarity Search)
- — 문서나 이미지의 특징을 고차원 벡터로 변환한 뒤 벡터 간 거리를 비교해 가장 비슷한 자료를 찾는 방법입니다. 문서 분류에서는 기존 템플릿의 레이아웃과 시각적 패턴을 검색해 텍스트만으로 구분하기 어려운 문서를 판별하는 데 활용됩니다.
- 멀티모달 임베딩(Multimodal Embeddings)
- — 텍스트와 이미지처럼 서로 다른 형태의 입력을 비교 가능한 벡터 표현으로 바꾸는 기술입니다. 이 글에서는 문서의 표·양식·배치 같은 시각적 특성을 벡터화해 유사 문서 검색과 분류에 활용하며, 내용 중심의 언어 모델 판단을 보완합니다.
- FAISS
- — Facebook AI Similarity Search의 약자로, 고차원 벡터 사이의 유사도 검색을 빠르게 수행하는 라이브러리입니다. 문서 분류 파이프라인에서는 미리 구축한 문서 템플릿 인덱스와 새 문서의 임베딩을 비교하고 상위 일치 결과를 분류 근거로 사용합니다.
기술
- Amazon Bedrock
- Strands Agents SDK
- Anthropic Claude Haiku 4.5
- Amazon Titan Multimodal Embeddings G1
- FAISS
- Amazon Textract
- Amazon Comprehend
- Amazon Bedrock Data Automation
- Amazon Bedrock Guardrails
- Python
- AWS CLI
- Amazon S3
- Amazon CloudWatch
활용 사례
- 보험 정책 문서 분류
- 규제 진술서와 법률 문서 분류
- 보험금 청구 처리
- 규정 준수 문서 처리
- 고객 서비스용 문서 자동 분류
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 19.수집 2026. 08. 19.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.
