지능형 데이터 분석의 진화 Amazon Q in QuickSight 활용 전략

지능형 데이터 분석, 한층 더 진화하다 – Amazon Q in QuickSight 활용 가이드

오늘날 기업들이 생성형 인공지능(generative AI)을 통한 데이터 분석 활용도를 높이기 위해 채택하는 방안 중 하나는 '자연어 기반 데이터 시각화'입니다. Amazon의 Worldwide Returns & ReCommerce(WWRR) 조직은 Amazon Bedrock과 QuickSight Q를 활용하여 RRDA(Returns & ReCommerce Data Assist)를 구축하였고, 이 시스템은 단순 질문으로 SQL을 생성할 뿐만 아니라, 시각적인 분석 결과를 제공할 수 있도록 진화했습니다.

이번 포스트에서는 RRDA가 Amazon Q in QuickSight를 통해 어떻게 자연어 요청을 자동으로 분석하고 관련 시각화를 제공하는지를 소개합니다. 자동화된 Q 토픽 검색, 질문 리포맷팅, 내장 시각화 처리까지 모든 분석 흐름을 자동화하고, 사용자 접근성과 분석 활용도를 극대화한 사례입니다.

Amazon Q in QuickSight 기반 시각화 워크플로우

RRDA 시스템 아키텍처는 크게 두 가지 경로로 구성됩니다. 이전 포스트에서는 사용자 질의를 SQL로 변환하는 상위 경로를 살펴보았고, 이번에는 시각화 요구를 처리하는 하위 경로를 중심으로 소개합니다.

SHOW_METRIC 의도를 가진 쿼리(예: “최근 6개월 미국 내 반품 수량을 보여줘”)가 들어오면 RRDA 시스템은 이를 시각화 대상으로 분류합니다. 이후 관련 비즈니스 도메인(반품 처리, 프로모션 등)을 식별한 후, Amazon QuickSight Q의 Q Topic을 통해 시각화를 생성하기 위한 흐름으로 전달됩니다.

Q 토픽 검색 및 선택 자동화 프로세스

Q Topic은 특정 데이터셋에 대한 설명(Metric, Dimension, 기간, 유의어 등)을 포함하고 있는 특화 구성체입니다. 하지만 수십 개의 Q Topic 중 적절한 것을 수작업으로 찾는 것은 비효율적입니다. 이를 해결하기 위해 RRDA는 Amazon Bedrock Knowledge Base와 벡터 검색(Vector Search)을 활용한 자동 검색 방식을 통해 관련 Q Topic을 찾습니다.

검색된 후보군 리스트를 Amazon Bedrock 기반 모델로 평가하여 최적의 Q Topic을 선택하며, 질문 내용과 일치하는 메트릭을 고려합니다. 이 과정을 통해 업무 담당자는 어떤 리포트를 선택해야 할지 고민할 필요 없이, 자연어 질문만으로 정확한 시각화를 받을 수 있습니다.

질문 리포맷팅: 정확한 이해 유도를 위한 자동 변환

Amazon QuickSight Q는 생성형 Q&A 시스템이지만, 명확하고 구조화된 질문에 대해 성능이 가장 뛰어납니다. 예컨대 “이 항목이 6개월 동안 어떻게 변했는지 보여줘” 같은 질문은 보다 명시적인 표현으로 변환되어야 합니다. 이를 위해 RRDA는 Amazon Bedrock Converse API를 활용하여 질문을 자동으로 재구성합니다.

리포맷팅된 예시는 다음과 같습니다:

• “해당 메트릭의 지난 6개월 트렌드를 보여줘” → “Show me how the resolution index trended over the last 6 months”

자동 구조화 질문 모델은 Pydantic 기반으로 수립한 후, 이에 기반한 structured output을 반환합니다. 이 기능은 분석 정확도를 높이고, 불일치 오류를 줄여주는 매우 중요한 자동화 요소입니다.

직관적인 내장 시각화와 관련 Q 토픽 제안 카드

RRDA는 대화형 인터페이스 내에 시각화를 즉시 표시할 수 있도록 Amazon QuickSight의 임베딩 기능을 사용합니다. 사용자는 추가 행동 없이 데이터 시각화를 직접 확인할 수 있으며, 이후 비교 질의나 후속 분석을 손쉽게 요청할 수 있습니다.

뿐만 아니라, SHOW_METRIC 의도가 탐지되면 관련 Q 토픽과 질문을 추천 카드 형태로 제시하여, 사용자가 빠르게 원하는 시각화를 얻을 수 있도록 돕습니다.

맥락 기반 후속 시각화 자동 제안

RRDA는 단순 설명 질의에도 연관된 시각화를 제안합니다. 예를 들어, "Resolution Index 메트릭이 뭐야?"라는 질문에 대해 텍스트 설명과 함께 "최근 3개월 간의 트렌드를 확인해보세요" 형태의 시각화 권장 질의도 함께 제공합니다.

이런 맥락 연계 자동화는 도입 초기에 분석에 익숙하지 않은 사용자에게 큰 활용 가이드를 제공합니다.

Q 토픽 메타데이터 관리 자동화

이 모든 연동의 기반은 50여개 이상의 Q Topic 메타데이터인데, 이는 AWS Step Functions를 이용해 자동 갱신됩니다.

각 Q Topic에 대해 메트릭, 질문 유형, 유효성 검토 결과가 DynamoDB로 등록되고, 이를 요약한 후 Bedrock Knowledge Base에 반영합니다. 이 구조화된 루프는 질문 추천 품질을 지속적으로 향상시킵니다.

도입 시 권장 모범 사례

• AI 기반 자동화된 시각화 추천은 사용자가 아직 고려하지 못한 통찰을 제공
• 다양한 AI 시스템 연결 시 자연어 쿼리 자동 변환 계층 구축
• 유효 질문은 자동으로 수집, AI 지식베이스 강화
• 질의 생성 이전, 우선 검색 기반 후보 축소 수행
• 전 구간에서 도메인 인식을 일관되게 유지하여 지표 해석의 일관성 확보

결론

Amazon의 RRDA 사례는 생성형 AI를 통한 비즈니스 인텔리전스 자동화 활용 방법을 잘 보여줍니다. 자연어 기반 접근에서 SQL과 시각화 자동화를 연결하며, 이제는 일반 사용자도 복잡한 BI 시스템 없이도 원하는 데이터를 신속하게 비주얼로 확인할 수 있습니다.

이러한 자동화와 도메인 인식 아키텍처는 모든 조직이 데이터 기반 의사결정으로 도약할 수 있는 기반을 제공하며, 구축 시 Amazon Bedrock, QuickSight Q, Step Functions 활용이 가장 핵심적인 기반이 됩니다.

[1] https://aws.amazon.com/blogs/machine-learning/build-a-conversational-data-assistant-part-2-embedding-generative-business-intelligence-with-amazon-q-in-quicksight/