아마존 헬스 서비스, AWS AI로 의료 검색 경험 개편

아마존 헬스 서비스(AHS), AWS ML과 생성형 AI로 의료 검색 경험 혁신

아마존이 전자상거래(digital commerce) 플랫폼을 넘어 헬스케어 영역으로 서비스를 확장하면서, 기존 상품 중심의 검색 시스템으로는 의료 정보 및 서비스 검색의 복잡성과 요구사항을 충족시키기 어려운 문제에 부딪혔습니다. 이에 따라 Amazon Health Services(AHS)는 Amazon SageMaker, Amazon Bedrock, Amazon EMR을 포함한 AWS의 기계학습(ML) 및 생성형 AI 서비스를 활용하여 헬스케어 전용 검색 경험을 혁신적으로 개선했습니다.

이 블로그에서는 AHS가 어떤 방식으로 의료 정보 검색의 정확도를 높이고, 고객의 검색 의도를 보다 잘 이해하며, 다양한 헬스케어 제품과 서비스를 정확히 연결했는지를 알아봅니다.

헬스케어 검색의 어려움

헬스케어 검색은 일반 전자제품이나 도서 검색과는 비교할 수 없을 만큼 복잡합니다. 예를 들어 '허리 통증'이라는 검색어는 가정용 의료기기, 물리 치료, 병원 예약, 진통제 등 다양한 결과를 의미할 수 있습니다. 즉, 고객의 검색 의도가 명확하지 않은 경우가 많고, 이를 정확히 파악하기 위한 고도화된 자연어 처리 기술이 필수입니다.

또한, 의료 서비스는 물리적 제품이 아닌 무형 서비스이기 때문에 기존의 상품 추천 알고리즘으로는 적절한 매칭이 어려운 문제가 있습니다. 이를 해결하기 위해 AHS는 서비스 중심의 통합적 검색 엔진을 구축했습니다.

검색 이해: 의료 쿼리의 분류와 분석

검색 쿼리는 크게 구체적인 약물명으로 구성된 ‘스피어피싱 쿼리(하위 퍼널)’와 ‘고혈압’, ‘요통’ 등과 같은 일반 건강 키워드를 사용하는 ‘상위 퍼널 쿼리’로 나눌 수 있습니다. 각각의 쿼리를 파악하기 위해 AHS는 두 가지 별도 모델을 구축했습니다.

아래는 Amazon EMR, Amazon Athena, SageMaker를 결합하여 약물 기반 분류 모델을 학습하기 위한 전체 파이프라인 아키텍처입니다.

상위 퍼널 쿼리를 처리하기 위해 의료 지식 온톨로지 기반의 NER(named-entity recognition) 모델도 사용됩니다. 이는 질병명, 증상, 치료법 등 의료 개념을 식별하는 모델로, Amazon Bedrock의 LLM API를 통해 부족한 개념을 유추하고 지식베이스를 확장합니다.

실제로 고객의 검색 예시를 보면, 약물 검색 (‘atorvastatin 40mg’)은 정확한 약을 제공하는 맞춤형 검색 결과로 이어지고, ‘고혈압’과 같은 일반 키워리는 다양한 선택지를 제공하여 검색 방향을 고객이 좁힐 수 있도록 도와줍니다.

의료 제품 지식베이스 구축

검색 키워리를 이해하는 것만큼이나 중요한 것이 바로 대응되는 헬스케어 제품 및 서비스의 풍부한 지식베이스입니다. Amazon Bedrock을 활용해 LLM 기반으로 각 제품에 대한 키워드, 증상, 질환 토픽을 보완하고, 이를 기반으로 FAISS(벡터 검색 엔진)를 사용하여 유사도 기반 검색이 가능하도록 구현했습니다.

제품 속성과 검색 결과의 유사도 매칭

고객 검색어에 맞춰 상품이나 서비스를 추천하는 과정에서는 Retrieval Augmented Generation(RAG)과 FAISS 기반 유사도 검색을 결합한 하이브리드 접근법을 적용했습니다. 생성형 AI는 단지 챗봇 기능 그 이상으로, 사용자 쿼리와 가장 연관 있는 상품/서비스를 정확히 추천하기 위해 사용됩니다.

이와 함께 도입된 ESCI(Exact, Substitute, Complement, Irrelevant) 프레임워크는 검색 결과의 적합도를 평가하기 위한 체계로, 인간 검토자와 Amazon Bedrock의 LLM 기반 분류 작업을 통해 쿼리 결과 간의 정확도를 지속적으로 개선합니다.

고객 경험 향상과 비즈니스 효과

이러한 기술 투입 결과, Amazon.com 내에서 고객들은 필요한 의약품, 진료 예약, 원격 건강 상담 등의 서비스를 손쉽게 찾고 비교할 수 있게 되었습니다. 이는 건강 관련 검색 경험이 기능 중심 검색에서 정보를 통한 의사결정까지 넓어진 것을 의미합니다.

AHS의 주요 서비스 사례는 다음과 같습니다:

• Amazon Pharmacy: 온라인 처방 약국 서비스
• One Medical: 실시간·예약 기반 1차 진료 서비스
• Health Benefits Connector: 고용주 제공 의료 보험 기반 전문 치료 연결 서비스

핵심 요약 및 도입 팁

1. 생성형 AI는 단순 챗봇을 넘어, 대규모 배치 작업에 활용할 수 있습니다.
2. Amazon SageMaker로 ML 모델을 쉽게 학습·배포하고, Bedrock을 통해 LLM의 추론 능력을 통합하세요.
3. EMR + Athena 기반의 대규모 데이터 파이프라인을 통해 검색 로그를 유연히 처리할 수 있습니다.
4. 검색 쿼리 intent 분석 → 제품 지식 구축 → 벡터 검색 도입 → ESCI tagging까지의 end-to-end 자동화를 고려하세요.

마무리하며

이번 사례를 통해 알 수 있듯이, 생성형 AI와 ML 기술을 통합한 검색 최적화는 단순한 전자상거래를 넘어 헬스케어와 같은 전문 영역에서 매우 효과적인 솔루션으로 작용할 수 있습니다. 이러한 기술들을 기반으로 보다 정확하고 사용자가 의도한 결과를 제공하는 특화된 검색 시스템을 구축하세요.

https://aws.amazon.com/blogs/machine-learning/learn-how-amazon-health-services-improved-discovery-in-amazon-search-using-aws-ml-and-gen-ai/