Accelerating aircraft IFEC diagnostics with agentic AI on AWS

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Panasonic Avionics Corporation은 운영 데이터를 표준화하고 다중 에이전트로 병렬 분석하는 5단계 IFEC 진단 시스템을 구축해 내부 시험에서 수시간의 수동 조사를 수분으로 단축하고, 대상 사용 사례에서 운영 효율을 20~40% 개선했다.

📌 핵심 요약

• Panasonic Avionics Corporation의 IFEC 시스템은 수천 가지 배치 구성에서 서로 다른 로그 패턴을 생성해, 로그·지표·티켓 데이터를 수동으로 연계하는 진단에 수시간과 깊은 조직 지식이 필요했다.
• AWS 및 AWS Generative AI Innovation Center와 구축한 시스템은 추세 분석기, 병렬 진단 에이전트, 요약기의 3개 계층을 데이터 수집·탐지·진단·맥락화·권고 및 조치의 5단계로 운영한다.
• AWS Glue와 Amazon EMR은 Amazon S3의 Apache Iceberg 데이터 레이크하우스에 데이터를 표준화하고, Amazon SageMaker·LangGraph·Strands Agents SDK는 상관관계 분석·시스템 점검·로그 분석을 병렬 실행한다.
• Amazon RDS의 pgvector와 과거 사고 자료로 진단 근거를 보강하고, Amazon Bedrock의 Anthropic Claude가 구조화된 보고서를 생성하며, 결정론적 업무 규칙과 엔지니어 검토로 정확성과 통제 가능성을 유지한다.
• 시스템은 현재 활성 함대에 대한 진단 보고서를 매일 생성하며 MTTD와 MTTR을 개선했고, 대상 사용 사례에서 운영 효율이 20~40% 향상됐지만 실제 결과는 데이터 특성·운영 맥락·시스템 구성에 따라 달라질 수 있다.

🧩 주요 포인트

1. 도메인 온톨로지로 배치별 용어·구성·지표를 정규화 → 개별 배치만 볼 때 드러나지 않던 함대 단위 이상 징후와 공통 패턴의 선제 탐지 가능
2. 상관관계 분석·시스템 점검·로그 분석을 Amazon SageMaker와 LangGraph로 병렬화 → 내부 시험에서 수시간의 수동 조사를 수분으로 줄이고 반복적인 조사 부담 완화
3. 과거 사고 검색·결정론적 규칙·사람의 승인을 진단 권고에 결합 → 요구 수준을 지속적으로 웃돈 시험 정확성과 추적 가능성을 유지하면서 자동화 범위 확대

🧠 상세 정리

1. 대규모 IFEC 운영과 진단 과제

Panasonic Avionics Corporation은 수백 개 항공사와 연간 수십억 명의 승객을 지원하는 대규모 함대에 기내 엔터테인먼트 및 연결성 시스템인 IFEC를 제공한다. 이 규모에서는 하나의 시스템 문제가 많은 승객 경험에 영향을 줄 수 있어, 엔지니어가 수천 가지 고유 배치 구성에서 근본 원인을 빠르게 찾아야 한다. 그러나 각 배치는 개별 운영 요구에 맞춰 구성되므로 서로 다른 로그 패턴을 생성하고, 로그·성능 지표·티켓 정보를 함께 해석하는 과정도 복잡해진다. 기존 수동 진단은 정확한 분석을 가능하게 했지만 수시간이 걸릴 수 있었으며, 시스템을 오래 다뤄 온 인력의 깊은 조직 지식에 의존했다. AWS 기반 데이터 레이크와 데이터 시스템이 대규모 운영 데이터를 저장·정리하고 있었음에도, 원시 데이터를 즉시 실행 가능한 진단 결과로 전환하는 일은 별도의 운영상 병목으로 남아 있었다.

2. 운영 효율과 탐지·해결 시간의 개선 목표

기존 팀은 여러 운영 데이터 원천의 지표를 사람이 직접 대조하면서 배치별 차이와 반복되는 문제를 조사했다. 이러한 방식은 진단의 엄밀성을 뒷받침했지만 전체 분석 주기를 늘렸고, MTTD는 주로 티켓 생성과 후속 수동 검토에 영향을 받았다. MTTR에도 실제 수정 작업을 시작하기 전의 조사 시간이 크게 포함돼, 문제 발견부터 해결까지의 전체 주기가 길어졌다. 반복적인 로그 검토와 조사 작업은 특히 활동량이 많은 시기에 자동화 여지가 컸으며, 엔지니어가 혁신·기능 개발·장기 신뢰성 개선에 쓸 수 있는 시간을 줄였다. Panasonic Avionics Corporation은 진단의 깊이를 유지하면서도 함대 상태를 선제적으로 감시하고 공통 패턴을 인식해 MTTD와 MTTR을 함께 개선하는 것을 목표로 삼았다.

3. 3개 계층의 다중 에이전트 구조

Panasonic Avionics Corporation은 AWS 및 AWS Generative AI Innovation Center와 협력해 IFEC 운영을 위한 다중 에이전트 진단 구조를 설계했다. 이 구조는 서로 역할이 다른 3개 계층이 연계되는 형태로, 추세 분석기는 핵심 성능 지표와 서비스 저하 지표를 분석해 이상 징후를 찾는다. 이후 여러 진단 에이전트가 상관관계 분석, 시스템 상태 점검, 로그 패턴 일치를 병렬로 수행해 같은 문제를 서로 다른 관점에서 조사한다. 마지막으로 대규모 언어 모델 기반 요약기가 각 에이전트의 결과를 통합해 근본 원인 분석과 권고 조치를 포함한 일관된 진단 보고서로 만든다. 도메인 전문성을 역할별 에이전트에 나누고 결과를 최종 단계에서 종합함으로써, 수동 조사에서 수행하던 여러 분석 절차를 명시적인 작업 흐름으로 전환했다.

4. 수집·정규화와 통합 데이터 기반

첫 단계에서는 함대 전반의 원시 운영 데이터를 수집해 표준화된 서비스 지표로 변환하고, Amazon S3의 Apache Iceberg 데이터 레이크하우스에 저장한다. AWS Glue와 Amazon EMR이 추출·변환·적재 파이프라인을 담당해 서로 다른 데이터 원천을 비교 가능한 형태로 정리한다. 배치별 용어와 구조 차이를 처리하기 위해 함대의 개체 및 관계를 공통 어휘로 정의한 도메인 온톨로지도 적용했다. 이 온톨로지는 다양한 구성에서 생성된 데이터를 함대 규모로 비교할 수 있게 하며, 성능 지표를 구성 메타데이터와 티켓 정보에 연결한다. 그 결과 진단 에이전트는 고립된 로그나 지표만 조회하는 대신, 구성·성능·정비 이력을 함께 포함한 통합 관점에서 문제를 분석할 수 있다.

5. 선제 탐지와 병렬 진단

탐지 단계에서 추세 분석기는 핵심 성능 지표, 서비스 수준 준수 여부, 성능 저하 지표를 지속적으로 평가한다. 함대 전체의 관계를 모델링함으로써 특정 구성 변형을 공유하는 배치에서만 서서히 진행되는 저하처럼, 개별 배치를 따로 볼 때 놓치기 쉬운 패턴을 찾는다. 우려가 감지되면 상관관계 분석기가 공통 구성을 가진 배치의 반복 패턴을 조사해 문제가 고립됐는지 시스템 전반의 현상인지 구분한다. 시스템 점검 에이전트는 메타데이터와 서비스 상태를 티켓 작업 흐름에 대조하고, 로그 분석기는 현재 패턴을 기존 장애 유형 자료와 규칙 및 패턴 기반으로 비교한다. Amazon SageMaker는 LangGraph를 사용해 작업 흐름을 조정하고 Strands Agents SDK는 에이전트 구현과 실행을 지원한다. 세 진단 경로를 병렬로 실행한 결과, Panasonic Avionics Corporation의 내부 시험에서 수시간 걸리던 수동 검토가 수분의 자동 분석으로 줄었다.

6. 과거 사고 맥락과 근거 기반 권고

맥락화 단계에서는 과거 사고와 해결 자료를 벡터 표현으로 저장한 Amazon RDS의 pgvector를 검색한다. 의미 기반 검색은 현재 증상이 과거 사례와 정확히 일치하지 않더라도 유사한 패턴과 당시 해결 방법을 찾아, 조직의 축적된 지식을 여러 엔지니어가 활용할 수 있게 한다. Amazon Bedrock의 Anthropic Claude는 상관관계 분석기, 시스템 점검, 로그 분석기의 결과를 종합해 근본 원인 가설과 영향 범위, 우선순위가 지정된 개선 권고를 담은 보고서를 생성한다. 보고서는 심각도에 따라 분류되며, 중대한 결과에는 경고 생성과 사고 우선순위 지정, 담당 엔지니어링 팀으로의 전달이 자동으로 수행된다. 권고 내용은 검색된 운영 데이터와 과거 사고를 근거로 삼고 결정론적 업무 규칙으로 검증되며, 운영상 중요한 사고의 조치 결정은 엔지니어가 검토하고 승인한다. 에이전트의 판단과 권고 과정도 추적 가능하게 유지해 감사와 지속적인 개선을 지원한다.

7. 생산 전환을 위한 검증과 설계 원칙

AWS Generative AI Innovation Center 자문팀은 이벤트 기반 설계, 병렬 처리, 성능 최적화와 같은 생산 확장 지침을 제공했다. Panasonic Avionics Corporation은 초기부터 정답 데이터와의 교차 검증을 적용했으며, 시험 전반에서 요구 수준을 지속적으로 웃도는 정확성을 확인했다. 설계는 에이전트 작업을 작은 단위로 분리하고 프롬프트와 판단 논리를 투명하게 유지하며, 사람이 검토 과정에 참여할 수 있도록 구성했다. 이러한 모듈성 덕분에 시스템이 확장되더라도 전체를 변경하지 않고 개별 에이전트를 독립적으로 갱신할 수 있었다. 결정적인 출력과 집중된 응답을 위해 매개변수 구성을 조정했고, 대규모 언어 모델은 생성 능력이 명확한 가치를 제공하는 요약과 오류 추론 작업으로 사용 범위를 제한했다. 자동 조치가 수동 전문가의 판단과 일치한 이후에만 생산 환경으로 전환했으며, 현재 활성 함대를 대상으로 매일 진단 보고서를 생성하고 있다.

8. 운영 성과와 적용 범위

도입 결과 수동 분석 노력이 크게 감소했고 MTTD와 MTTR이 모두 개선됐으며, 대상 사용 사례에서는 운영 효율이 20~40% 향상됐다. 지원팀은 시스템이 과거 수시간의 수작업을 대신하면서 반복적인 조사 부담이 현저히 줄었다고 확인했다. 엔지니어가 독립적으로 진단할 수 있는 역량도 커져, 이전에는 상위 지원 단계로 넘겨야 했던 문제를 팀 안에서 진단하고 해결할 수 있게 됐다. 이 변화는 시스템 규모가 커질 때 AI 에이전트로 증가한 업무를 처리하고 비용과 운영 위험을 줄이는 운영 모델로의 전환을 뒷받침한다. 다만 이 사례는 Panasonic Avionics Corporation과 AWS가 수행한 특정 내부 구현을 설명하며, 같은 구조를 적용하더라도 실제 결과는 데이터 특성, 운영 맥락, 시스템 구성에 따라 달라질 수 있다. 따라서 제시된 20~40% 수치는 모든 환경에 일반화된 보장이 아니라 이 글에서 다룬 대상 사용 사례의 측정 결과다.

🧾 핵심 주장 / 시사점

• 도메인 온톨로지는 데이터 형식 통일을 넘어 성능 지표·구성 메타데이터·티켓을 연결함으로써, 배치별 차이를 유지하면서도 함대 전체를 비교하는 진단 기반을 제공했다.
• 대규모 언어 모델을 요약과 오류 추론에 제한하고 나머지 진단을 규칙·패턴·전용 에이전트로 분리한 구조는 생성 기능의 활용과 결정론적 검증을 함께 유지했다.
• 과거 사고의 의미 기반 검색, 에이전트 판단의 추적성, 엔지니어 승인 절차를 결합해 조직 지식의 확장과 운영상 중요한 결정에 대한 사람의 감독을 동시에 확보했다.

✅ 액션 아이템

• Panasonic Avionics Corporation의 5단계 IFEC 진단 흐름과 운영 데이터 표준화 범위 검토.
• Amazon SageMaker·LangGraph·Strands Agents SDK 병렬 실행의 수시간 대비 수분 단축 결과와 정확성 기준 확인.
• 20~40% 운영 효율 개선 및 MTTD·MTTR 개선을 데이터 특성·운영 맥락·시스템 구성별로 대조.

❓ 열린 질문

• Panasonic Avionics Corporation의 5단계 IFEC 진단 흐름에서 MTTD와 MTTR 개선에 가장 크게 기여한 단계는 무엇인가?
• 20~40% 운영 효율 개선은 어떤 데이터 특성·운영 맥락·시스템 구성에서 동일하게 나타나는가?
• Amazon SageMaker와 LangGraph의 병렬 진단이 수시간을 수분으로 줄이면서 요구 수준을 웃도는 정확성을 유지한 구체적인 기준은 무엇인가?