생성형 AI로 자동차 정책 자동화 구현하기

자동차 데이터를 위한 생성형 AI 기반 정책 생성 자동화: Amazon Bedrock 활용 사례

소프트웨어 정의 차량(Software Defined Vehicle, SDV)의 부상은 자동차 업계 전반에 걸쳐 디지털 전환의 새로운 장을 열고 있습니다. 차량 기능이 전자 제어에서 소프트웨어 중심으로 이동하면서, OEM(Original Equipment Manufacturer)들은 차량 데이터를 수집하고 이를 기반으로 자동화를 구현하는 데 많은 과제를 안고 있습니다. 이번 포스트에서는 Sonatus의 Collector AI와 Automator AI, 그리고 Amazon Bedrock 기반의 생성형 AI를 활용하여 어떻게 자연어 기반의 정책 생성 시스템이 구축되었는지를 소개합니다. 이 솔루션은 정책 생성 프로세스를 혁신적으로 단축시키고, 비전문가도 쉽게 사용할 수 있도록 돕습니다.

자동차 데이터 수집과 제어: Collector AI & Automator AI

Sonatus는 차량 데이터를 수집하고 자동화 기능을 구성하는 두 가지 주요 솔루션을 보유하고 있습니다.

• Collector AI: 차량의 다양한 센서 데이터를 특정 조건(트리거 이벤트)에 따라 수집합니다.
• Automator AI: 수집된 데이터를 기반으로 차량 내 자동 제어를 수행하는 정책 워크플로우를 실행합니다.

기존 방식은 수동으로 정책을 작성해야 했기 때문에, 여러 차량 모델이나 다양한 기능에 따라 수백 가지의 정책을 손수 설정해야 했습니다. 이로 인해 개발시간 증가, 유지보수의 어려움, 전문 엔지니어만 관리 가능한 구조로 운영의 효율성이 저하되었습니다.

자연어 입력 기반 자동화 시스템의 구축

Sonatus는 AWS의 Generative AI Innovation Center와 협력하여 자연어 입력만으로 복잡한 자동차 정책을 생성할 수 있는 새로운 시스템을 개발했습니다. 이 시스템은 Amazon Bedrock의 대규모 언어 모델(LLM)을 활용하여 다음과 같은 방식으로 작동합니다.

1. 엔터티 추출(Entity Extraction):
   입력된 자연어 문장에서 수집 조건, 제어 액션, 트리거 등의 요소를 추출하고, 이를 구조화된 XML 구조로 제공합니다.

예시 입력: "차가 움직일 때 도어를 자동으로 잠궈줘"
추출된 XML 출력:

 Lock doors when moving 
 vehicle speed above 0, vehicle signal 
 lock doors, vehicle signal 

2. 시그널 변환과 파라미터화(Signal Translation and Parameterization):
   XML 형식에서 최종적인 JSON 포맷을 생성하기 위해, 해당 신호들을 정확히 추출하고, 조건 값을 설정합니다. 이를 위해 벡터 기반 검색, 재정렬, LLM 선택 프롬프트 등을 활용합니다.

3. 정책 JSON 구성 및 검증:
   최종 정책은 JSON 스키마에 맞춰 구성되며 저장 전에 유효성 검사를 거칩니다.

고도화된 기능들: 과제 해결을 위한 핵심 전략

Task 병합 최적화:
정책에서 트리거나 액션이 비어 있는 인접 Task들의 병합을 통해 워크플로우 안정성을 향상시켰습니다. 이를 위해 Anthropic의 Claude LLM 모델을 Amazon Bedrock 위에서 사용하며, 결정 트리 기반 플로우를 구현하였습니다.

멀티 에이전트 접근(Multi-Agent Approach):
신호 파라미터 결정 시 판단 오류(예: ‘차량을 냉각’ → 엔진 냉각 실수)를 줄이기 위해 Reasoning Agent와 Judge Agent가 협업하여 신호 이름을 검토하고 교차 확인합니다.

LLM 호출 효율화:
LLM 호출 수를 줄여 응답 지연을 개선하기 위해, 독립적이었던 연산자(operator) 및 조건값(value) 생성을 하나의 호출로 병합하였습니다. 이로써 생성 시간과 리소스 사용을 약 30% 절감했습니다.

컨텍스트 기반 정책 생성:
사용자의 목적을 명확히 하기 위해 세부 시스템 선택(예: Cabin vs Engine)을 요구하고, 사전 구축된 벡터 인덱스와 신호 정보를 통해 더욱 정확한 자동화 정책을 생성할 수 있도록 하였습니다.

적용 및 기대 효과

이 시스템은 실제 Sonatus 차량 제품군에 적용되어 다음과 같은 성과를 입증했습니다.

• 정책 생성 소요 시간: 수일 → 수분으로 약 70% 이상 단축
• 사용자 범위 확대: 엔지니어 외에 기획자, 상품 매니저도 생성 가능
• 생성된 정책의 정확도와 일관성 향상
• 재사용 가능한 정책 라이브러리 구축 가능

결론

Amazon Bedrock을 기반으로 구축된 생성형 AI 정책 생성 시스템은 자동차 업계의 디지털 전환을 가속화하고 있습니다. 자연어 입력만으로 복잡한 제어 정책을 자동 생성하며, 멀티-에이전트 구성 및 컨텍스트 기반 해석을 통해 비전문가와 전문가 모두가 손쉽게 차량 기능을 제어할 수 있게 되었습니다. Sonatus와 AWS의 협업 사례는 AI와 클라우드를 활용한 혁신적인 정책 자동화의 대표적 성공 사례로, 유사한 정책 생성 문제를 가진 다양한 산업군에서 응용할 수 있는 실용적 가이드를 제시합니다.

https://aws.amazon.com/blogs/machine-learning/build-ai-driven-policy-creation-for-vehicle-data-collection-and-automation-using-amazon-bedrock/