PropHero의 AI 기반 부동산 투자 어드바이저 구축 사례와 Amazon Bedrock 활용 전략

프롭히어로(PropHero)의 지능형 부동산 투자 AI 시스템 구축 사례: Amazon Bedrock와 지속 평가 시스템 기반 활용 가이드

최근 생성형 AI 및 다중 에이전트 구성(Agent Orchestration)을 통해 사용자 맞춤형 상담 시스템을 구축하는 사례가 늘어나고 있습니다. 이 중 대표적인 성공 사례로 호주 및 스페인에서 부동산 자산 관리 서비스를 제공하는 PropHero의 AI 투자 어드바이저를 소개합니다. 이 포스트에서는 PropHero가 Amazon Bedrock와 AWS AI 서비스를 활용하여 어떻게 자동화된 상담 시스템을 구축하고 지속적으로 품질을 평가하는지를 중심으로, 실제 아키텍처 구성과 모델 활용 전략, 자동화 프로세스를 포함한 상세한 개발 가이드를 알아봅니다.

도입: 부동산 지식의 대중화를 위한 과제

PropHero는 초보자부터 기존 투자자까지 다양한 소비자를 대상으로 맞춤화된 부동산 투자 인사이트를 제공하는 AI 기반 플랫폼입니다. 하지만, 방대한 부동산 시장 데이터를 이해하고 이를 소비자 친화적으로 제공하기 위한 자동화 시스템 구축은 큰 기술적 도전이었습니다. 특히 스페인어 기반의 사용자와의 자연스러운 대화, 투자 단계별 안내, 실시간 문서 제출 및 진행상황 추적이 가능한 시스템이 요구됐습니다.

해결 방법: AWS 기반 다중 에이전트 AI 아키텍처 도입

PropHero는 AWS 생성형 AI 혁신센터와 협업하여 Amazon Bedrock을 중심으로 자연어 대화와 실시간 평가가 가능한 AI 어드바이저를 구축하였습니다. 해당 시스템은 총 4계층으로 구성되며, 각 계층은 다음과 같은 역할을 수행합니다:

1. 데이터 계층

• Amazon DynamoDB: 대화 이력 및 평가 지표 저장
• Amazon RDS for PostgreSQL: LangFuse 기반 관찰 데이터 저장
• Amazon S3: 스페인어 FAQ 문서, 투자 가이드, 대화 데이터 보관

2. AI 처리 계층

• Amazon Bedrock: Amazon Nova 및 Claude 3.5 Haiku 모델을 통해 전문 에이전트 운영
• Amazon Bedrock Knowledge Bases: 의미론적 검색 기반의 FAQ 응답 처리
• LangGraph: 다중 에이전트 상태 관리와 워크플로우 오케스트레이션
• AWS Lambda: 서버리스 환경으로 각 에이전트 로직 실행

3. 지속 평가 계층

• Amazon CloudWatch 및 EventBridge: 실시간 대화 품질 수집 및 평가 트리거
• AWS Lambda: 대화 후 평가 점수 산정 및 전송
• Amazon QuickSight: 리포트 및 평가 대시보드 시각화

4. 애플리케이션 연동 계층

• Amazon API Gateway: 클라이언트 및 평가 시스템과의 보안 연동 제공

다중 에이전트 구조와 활용 전략

각 에이전트는 특정 목적에 최적화된 Amazon Bedrock 모델을 활용하여 부담을 분산하고, 비용 최적화와 정확도를 동시에 달성하였습니다.

에이전트 구성 예시:

• 라우팅 에이전트: Claude 3.5 Haiku (질문 분류 및 라우팅)
• 일반 에이전트: Amazon Nova Lite
• 투자 상담 에이전트: Amazon Nova Pro
• 계약 전 상담 지원 에이전트: Claude 3.5 Haiku
• 응답 생성 에이전트: Amazon Nova Lite
• 검색 및 랭킹: Cohere Embed Multilingual v3 및 Cohere Rerank 3.5

대화 흐름 자동화 프로세스

전체 대화 흐름은 다음과 같은 순서를 따릅니다:

1. 사용자의 질문이 API Gateway를 통해 접수
2. 라우터가 분석 후 적절한 상담 에이전트에게 라우팅
3. 사용자 정보를 기반으로 추가 데이터를 검색하거나 지식 기반 참조
4. 에이전트가 응답 흐름 생성
5. 최종 응답 전 후처리 및 형식화
6. 응답과 병렬로 평가 시스템이 작동하여 대화 품질 점수화
7. 모든 대화 및 평가 데이터는 DynamoDB에 저장

지속 평가 시스템 구성 및 자동화

대화 품질을 자동으로 모니터링하는 시스템은 다음 요소를 포함합니다:

• Ragas 라이브러리 기반 지표:
  • Context Relevance: 문맥 적합도
  • Response Groundedness: 답변의 사실 기반성
  • Goal Accuracy: 사용자 목표 달성률
• 평가 트리거: DynamoDB Streams + Lambda
• 평가 방식: LLM-as-a-judge (Claude 3.5 Haiku 사용)
• 분석: QuickSight 대시보드로 운영팀 실시간 가시화

활용 전략 및 최적화 사례

PropHero의 AI 어드바이저는 다음과 같은 활용 및 최적화 포인트를 포함합니다:

• 모델 선택 최적화: 복잡도 별로 Nova Lite/Pro, Claude 혼합
• 의미 기반 청킹(Chunking): FAQ 문서에 최적화된 추출 방식 적용
• 빠른 평가 기반 개선 및 반복 개발 (6주 주기의 린 어프로치)
• 서버리스 기반 배포 가이드라인: 자동 확장성과 유지관리 용이성 극대화

성과와 비즈니스 영향

PropHero의 AI 시스템은 다음과 같은 긍정적인 성과를 도출했습니다:

• 사용자 목표 정확도 90% 이상 달성
• 고객 서비스 업무 30% 자동화로 운영 효율 증가
• 스페인어 사용자 대상 확대에 성공하여 해외시장 진출 가속화
• 서버리스 아키텍처 통해 수요 변동 대응 자동화
• 모델 선택 전략으로 AI 비용 60% 절감

결론: 생성형 AI 시스템 도입의 진정한 가치

PropHero의 사례는 생성형 AI를 활용하여 실제 투자 자문 프로세스를 자동화하고, 실시간 대화 품질 평가와 지속적인 개선을 가능하게 한 모범적 사례입니다. 아키텍처, 자동화, 다중 에이전트 활용, 품질 평가 측정 등 AI 시스템을 어떻게 효율적으로 설계하고 배포할 수 있는지에 대한 구체적인 인사이트를 제공합니다. 기업의 고객 상담, 디지털 전환 또는 다국어 시장 확장을 고려하는 개발자에게 참고가 될 수 있는 배포 가이드로써 활용도가 높습니다.

https://aws.amazon.com/blogs/machine-learning/how-prophero-built-an-intelligent-property-investment-advisor-with-continuous-evaluation-using-amazon-bedrock/