지질학자와 데이터 과학자가 지진파 데이터를 분석할 때 겪는 가장 큰 병목은 수백 개의 전문 도구를 일일이 수동으로 연결하는 작업이다. Halliburton의 클라우드 기반 지진파 처리 소프트웨어인 Seismic Engine(지진파 데이터 처리용 클라우드 애플리케이션)은 그동안 약 100개에 달하는 도구를 직접 설정해야 하는 복잡한 과정을 거쳐야 했다. 이로 인해 전문가가 아닌 일반 사용자가 시스템에 접근하기 어렵고, 설정 과정에서 오류가 발생할 가능성도 컸다.

Amazon Bedrock 기반의 대화형 워크플로우 자동화

Halliburton은 AWS Generative AI Innovation Center와 협력하여 Seismic Engine에 대화형 AI 어시스턴트를 도입했다. 이 시스템은 Amazon Bedrock(기업용 생성형 AI 모델 서비스)을 핵심 엔진으로 활용하며, Amazon Nova(AWS의 고성능 멀티모달 모델 제품군)와 Amazon DynamoDB(완전 관리형 NoSQL 데이터베이스)를 결합해 구성되었다. 사용자가 자연어로 분석 목적을 입력하면, 시스템이 이를 해석해 82개의 가용 도구 중 필요한 것을 선택하고 YAML(데이터 직렬화 언어) 형식의 워크플로우를 자동으로 생성한다. 결과적으로 복잡한 수동 설정이 대화형 인터페이스로 대체되면서 워크플로우 생성 속도가 최대 95%까지 향상되었다.

의도 분류와 RAG를 통한 기술 문서 질의응답

예전에는 사용자가 직접 매뉴얼을 찾아보며 도구의 기능을 파악해야 했으나, 이제는 시스템이 사용자의 질문 의도를 자동으로 분류하여 대응한다. FastAPI(파이썬 기반의 고성능 웹 API 프레임워크)로 구축된 백엔드에서 Amazon Nova Lite가 사용자의 쿼리를 분석하여 Workflow_Generation, QnA, General_Question 중 하나로 의도를 분류한다. QnA 요청의 경우, Amazon Bedrock Knowledge Bases(검색 증강 생성 RAG를 위한 관리형 서비스)와 Amazon OpenSearch Serverless(검색 및 분석용 벡터 데이터베이스)를 활용해 기술 문서에서 정확한 답변을 추출한다. 특히 Hierarchical Chunking(문서의 계층적 구조를 유지하며 데이터를 나누는 방식)을 적용해 도구 매뉴얼의 맥락을 보존함으로써 답변의 정확도를 높였다.

개발자가 체감하는 아키텍처의 변화

시스템은 AWS App Runner(컨테이너 애플리케이션을 쉽게 배포하는 서비스) 위에서 구동되며, 스트리밍 인터페이스를 통해 실시간으로 처리 결과를 사용자에게 전달한다. 개발팀은 벡터 데이터베이스 관리나 임베딩 파이프라인 구축 같은 인프라 운영 부담을 Amazon Bedrock Knowledge Bases에 위임함으로써, 실제 워크플로우 로직 개발에 집중할 수 있게 되었다. 또한 Amazon Titan Text Embeddings V2(텍스트를 벡터로 변환하는 모델)를 활용해 문서 검색의 효율성을 극대화했다. 이러한 클라우드 네이티브 아키텍처는 기술적 복잡성을 추상화하여, 지질학적 분석 도구의 접근성을 비약적으로 높이는 결과를 낳았다.

복잡한 기술 워크플로우의 미래는 도구의 나열이 아니라, 사용자의 의도를 즉각적인 실행 코드로 변환하는 대화형 인터페이스에 달려 있다.