데이터 과부하에서 실행 가능한 인사이트로 Verizon Connect의 우수한 AI 활용 사례

데이터 과부하에서 실행 가능한 인사이트로: Verizon Connect의 우수한 AI 활용 사례

방대한 데이터를 효과적으로 활용하는 것은 오늘날 많은 기업에게 중요한 과제입니다. 특히 대규모 차량 운영을 관리하는 경우, 수백만 개의 데이터 포인트가 생성되어 이를 수동으로 분석하는 것은 거의 불가능에 가깝습니다. Verizon Connect는 이러한 도전과제에 직면하여 대안을 찾았습니다. 이 게시물에서는 Verizon Connect가 어떻게 에이전틱 AI를 활용하여 100,000명 이상의 사용자가 데이터에서 실행 가능한 인사이트를 얻도록 도운 과정을 설명합니다.

핵심 내용 및 사례 연구

Verizon Connect는 매일 500만 개 이상의 데이터 포인트를 처리하고 있으며, 이러한 방대한 정보 속에서 이상 패턴을 식별하는 것은 극히 어려웠습니다. 기존의 정적 대시보드나 규칙 기반 시스템으로는 이러한 작업을 처리하기에 한계가 있었고, 이를 극복하기 위해 에이전틱 AI를 도입했습니다. 에이전틱 AI는 새로운 패턴을 동적으로 조사하고, 필요한 정보를 추출하며, 결과적으로는 실행 가능한 인사이트를 제공하는 데 초점을 맞췄습니다.

구축 가능한 아키텍처

이 시스템은 대규모 데이터를 다루면서도 비용 효율성을 유지하는 방향으로 설계되었습니다. 전체적인 아키텍처는 다음과 같습니다:

시스템은 다음과 같은 모듈로 구성되어 있습니다:

1. 이상 감지: 데이터를 구조화하여 AWS Lambda와 AWS Step Functions를 활용해 서버리스 통계 모델로 이상을 감지합니다.
2. AI 에이전트: 에이전트가 데이터를 분석하여 인사이트를 생성하고, 다양한 고객 및 데이터 세그먼트에 대한 분석을 병렬로 수행합니다.

사례 연구의 교훈

Verizon Connect의 사례는 대규모 데이터를 다루는 기업들에게 다음과 같은 교훈을 제공합니다:

• 지속적인 AI 시스템 개선은 데이터 처리를 효율적으로 만들어 비용을 절감할 수 있습니다.
• 데이터의 실시간 분석을 통해 안전 패턴, 운영 효율성, 성과 등 다양한 인사이트를 제공합니다.
• 최적의 AI 시스템 구축을 위해서는 초기 작은 규모에서 시작하여 점진적으로 확장하는 단계적 접근이 필요합니다.

결론 및 전망

Verizon Connect의 에이전틱 AI 솔루션은 IoT 텔레매틱스 데이터를 실행 가능한 인사이트로 전환하여 고객에게 유용한 정보를 제공합니다. Amazon Bedrock, Strands Agents, AWS Step Functions 및 Amazon SQS를 결합한 아키텍처는 규모에 맞춘 신뢰성 높은 인사이트 제공을 가능하게 하였습니다.

향후 AWS Lambda에서 Amazon Bedrock AgentCore Runtime으로의 전환 등을 통해 효율성을 더욱 높이고자 계획 중입니다. 이와 같은 접근법은 데이터 중심의 개인화된 경험 제공을 위한 AI 활용 사례로서 참고할 만합니다.

[1] From Data Overload to Actionable Insights: How Verizon Connect Scaled Agentic AI to 100,000 Users