Agentic engineering intelligence with Amazon Nova Multimodal Embeddings and Amazon Bedrock AgentCore

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Amazon Bedrock AgentCore와 Amazon Nova Multimodal Embeddings를 활용해 항공우주 부품 대체 평가의 근거를 수집하고 결정론적으로 사양을 비교하되, 모든 판단은 엔지니어에게 남기는 다중 에이전트 시스템을 설명한다.

📌 핵심 요약

• 이 시스템은 공급 중단이나 긴 납기에 직면한 항공우주 부품의 대체 평가를 지원하며, 사양서·인터페이스 제어 문서(ICD)·인증 기록 등에 흩어진 근거를 모아 대체 정당화 메모와 Integration Impact Assessment(IIA)를 작성한다.
• Python으로 구현한 결정론적 허용오차 규칙이 기준 부품, 후보 부품, 엔지니어 요구사항을 비교해 통과·검토 필요 판정을 산출한다. 시스템은 대체를 추천하거나 승인하지 않으며, 평가마다 AS9100 8.4절 및 8.5.6절에 맞춘 감사 추적 항목을 기록한다.
• Amazon Bedrock AgentCore에서 Claude Haiku 5.5 계획자가 Catalog·Evaluation·Knowledge 전문 에이전트로 작업을 배분하고, Claude Sonnet 5.5가 전문 작업을 수행한다. 둘 이상의 전문 에이전트가 참여하면 Claude Opus 5.5 감독자가 결과를 종합하며, IIA는 Knowledge → Evaluation → Supervisor의 고정 순서로 작성한다.
• Amazon Nova Multimodal Embeddings는 문서·도표·사진 검색과 부품 사진 간 코사인 유사도 산출에 사용된다. 관리형 지식 기반 검색 API는 이미지 입력을 받지 않으므로 이미지 질의는 Amazon S3 Vectors 인덱스를 직접 사용하며, 최종 적합성 판정의 기준은 결정론적 사양 비교다.
• 예제는 가상 제조사 AnyCompany의 운동량 저장량 0.003~5.0 Nms 반작용 휠 7개와 독립 실행 가능한 Jupyter 노트북 5개로 구성된다. specs.json에는 사양과 수명주기 정보가 들어가며, 제조사 식별에서는 get_part_specs가 반환한 구조화된 vendor 필드를 권위 있는 값으로 사용한다.

🧩 주요 포인트

1. 반복 가능한 규칙 평가와 엔지니어의 최종 판단을 분리함으로써, 모델이 작성한 설명과 공식 검토에 사용할 사양 판정의 역할을 구분한다.
2. 질의별 전문 에이전트 배분과 IIA 고정 처리 순서를 함께 사용해, 탐색적 질문과 정형 문서 작성에 서로 다른 실행 구조를 적용한다.
3. 시각 자료 검색은 근거의 범위를 넓히지만 적합성 판정을 대신하지 않으며, 구조화된 vendor 필드를 우선해 제조사 오인 가능성을 줄인다.

🧠 상세 정리

1. 부품 대체 평가에서 발생하는 근거 수집 문제

인증된 항공우주 부품이 단종되거나 납기가 길어지면, 엔지니어는 공급업체 사양서와 인터페이스 제어 문서(ICD), 인증 기록을 대조하며 대체 가능성을 검토하는 데 며칠을 보낼 수 있다. 비행에 중요한 부품을 잘못 대체하면 임무 실패로 이어질 수 있지만, 판단 근거는 이메일과 문서화되지 않은 조직 내부 지식에 흩어져 있는 경우가 많다. 이 때문에 검토자가 일관된 방식으로 확인할 수 있는 공식적이고 반복 가능한 근거 묶음이 부족하다는 것이 출발점이다. 앞선 글은 텍스트 전용 처리로 놓치기 쉬운 도면과 열 특성 그래프, 사양서 차트에서 정보를 검색하는 방법을 다뤘다. 이번 글은 그 검색 기능을 다중 에이전트 시스템에 넣어, 부품 대체 평가에 필요한 자료 검색부터 평가 초안 작성까지 연결하는 구성을 제시한다.

2. 결정론적 평가와 엔지니어 판단의 분리

설계의 중심 원칙은 엔지니어가 모든 결정을 내리고 시스템은 그 결정을 위한 근거를 조립한다는 것이다. 이 원칙에 따라 대규모 언어 모델이 담당할 작업과 결정론적 코드가 담당할 작업을 구분한다. Python 허용오차 규칙은 기준 부품과 후보 부품을 엔지니어가 제시한 요구사항에 맞춰 평가하며, 같은 입력에는 같은 통과 또는 검토 필요 판정을 내도록 구성된다. 이러한 반복 가능성은 평가 결과를 공식 엔지니어링 검토에 포함할 수 있게 하는 근거로 제시된다. 시스템은 대체 정당화 메모와 Integration Impact Assessment(IIA)를 작성하지만 대체를 추천하거나 승인하지 않으며, 각 평가에는 AS9100 8.4절과 8.5.6절에 맞춘 감사 추적 항목이 남는다.

3. AgentCore에서 실행되는 다중 에이전트 구조

엔지니어 애플리케이션에서 들어온 채팅 요청은 Amazon Bedrock AgentCore 런타임에 호스팅된 다중 에이전트 그래프로 전달된다. Claude Haiku 5.5 계획자가 실행 경로를 정하고, Claude Sonnet 5.5를 사용하는 Catalog·Evaluation·Knowledge 전문 에이전트가 필요한 도구를 실행한다. 둘 이상의 전문 에이전트가 작업한 경우에는 Claude Opus 5.5 감독자가 결과를 종합한다. 단종 여부 확인과 대안 탐색, 후보 점수 산출을 함께 요구하는 복합 질문은 세 전문 에이전트를 순차적으로 연결하는 사례로 제시된다. 전문 에이전트는 AgentCore Gateway를 통해 관리형 지식 기반과 실시간 웹 데이터를 위한 Web Search 커넥터에 접근하며, 공식 IIA 문서는 Knowledge → Evaluation → Supervisor라는 별도의 고정 처리 순서로 생성된다.

4. 멀티모달 검색과 시각적 유사도의 서로 다른 역할

Amazon Nova Multimodal Embeddings는 사양서와 ICD, 성능 차트의 텍스트 및 시각 정보를 하나의 의미 공간에 표현해 관련 근거를 검색하는 데 사용된다. 엔지니어는 0.06 Nms 휠의 토크 곡선을 텍스트로 찾거나 차트 이미지를 입력해 출처가 표시된 관련 도표를 검색할 수 있다. 다만 관리형 지식 기반 검색 API는 이미지 입력을 받지 않으므로, 이미지 질의 경로에서는 Amazon S3 Vectors 인덱스를 직접 호출한다. 또 다른 용도는 두 후보 부품 사진의 코사인 유사도를 정량적으로 산출하는 것으로, Claude는 장착 패턴과 커넥터 위치, 하우징 형상 같은 구체적인 물리적 차이를 분석한다. 이 시각적 점수와 설명은 보조 근거이며, 부품 적합성 판정 자체는 결정론적 사양 비교에 근거한다.

5. 실행 환경과 독립형 예제 구성

예제를 따라 실행하려면 미국 동부 버지니아 북부 리전에서 Amazon Bedrock에 접근할 수 있는 AWS 계정과 Amazon Nova Multimodal Embeddings 및 Claude Haiku 5.5, Claude Sonnet 5.5, Claude Opus 5.5에 대한 모델 접근 권한이 필요하다. 부품 문서 검색용 관리형 지식 기반과 부품 사진 및 사양서 차트 영역을 색인한 Amazon S3 Vectors 인덱스도 준비해야 한다. AgentCore Gateway에는 Web Search 커넥터와 관리형 지식 기반 대상이 필요하며, 노트북 실행에는 Python 3.10 이상과 Jupyter가 요구된다. 노트북 03의 배포 방식을 응용해 AgentCore 런타임에 호스팅할 경우에는 Docker도 필요하다. GitHub 예제는 각각 독립적으로 실행되는 Jupyter 노트북 5개로 구성되며, 같은 폴더의 mei_core 모듈과 자체 부품 데이터, 차트 이미지, 평가 질의 집합을 포함해 다른 애플리케이션 코드 없이 예제를 실행하도록 구성된다.

6. 구조화된 사양과 원본 시각 자료를 묶는 부품 코퍼스

샘플 데이터는 가상 제조사 AnyCompany의 반작용 휠 7개이며, 운동량 저장량 범위는 0.003~5.0 Nms다. 각 부품은 개별 폴더에 저장되고, 결정론적 평가를 위한 specs.json과 텍스트 검색용 description.txt, ICD, 렌더링한 사양서 페이지, 잘라낸 차트 영역, 제품 사진을 함께 가진다. 이 구성은 기계가 읽을 수 있는 수치와 엔지니어가 실제로 확인하는 문서 및 이미지를 연결한다는 데 의미가 있다. 제품 사진에는 하우징 형상과 장착 패턴이 나타나고, 사양서의 토크 영역 및 토크 곡선 그래프에는 구조화된 필드만으로 드러나지 않는 성능과 전력 소비 정보가 담긴다. 부품군이 같은 문서 형식을 사용하더라도 사진과 성능 그래프는 부품마다 달라지므로, 원문은 이러한 시각 영역을 텍스트와 함께 임베딩하는 이유를 설명한다.

7. 수명주기 정보와 제조사 식별의 기준

specs.json에는 공학적 사양뿐 아니라 수명주기 프로필도 들어가므로, 시스템은 사양 적합성과 함께 단종 및 납기 위험을 표시할 수 있다. 예시인 AnyCompany RW3 0.06에는 운동량 저장량 0.06 Nms, 최대 토크 20 mNm, 질량 235 g 등의 사양과 함께 수명주기 상태 Active, 생산 상태 Full production이 기록돼 있다. 같은 예시는 예상 단종까지 10년 이상, 최종 구매 공지 없음, 통상 납기 10주, 납기 위험 Low라는 값도 포함한다. 제조사 식별에서는 모든 전문 에이전트가 get_part_specs로 얻은 구조화된 vendor 값을 권위 있는 기준으로 취급한다. 폴더 ID와 파일명이 여러 데이터셋에서 재사용될 수 있기 때문에, ID나 파일명, 사진, 웹 검색 결과를 보고 제조사를 추측하지 못하도록 해 모델이 외형을 알아본다고 판단해 공급업체를 잘못 연결하는 문제를 줄인다.

8. 전문 에이전트별 도구 범위와 책임

각 전문 에이전트는 좁게 정의된 프롬프트와 필요한 도구만 가진 Strands 에이전트로 구현되며, 도구 접근 범위를 제한해 동작을 예측 가능하게 만드는 방식이다. Catalog는 kb_search와 filter_parts_by_spec, get_part_specs, get_substitution_requirements를 사용해 지식 기반 검색과 사양 필터링으로 부품을 찾는다. Evaluation은 score_substitution_fit과 compare_parts로 결정론적 비교를 수행하고, visual_similarity_score와 check_qualification_status, generate_substitution_memo로 시각 비교 및 인증 상태 확인과 문서 작성을 지원한다. Knowledge는 사양서와 ICD에 관한 질문에 답하고 실시간 단종 상태와 시각 자료를 확인하는 역할로 설명되며, 카탈로그 탐색 도구에는 접근하지 않는다. Evaluation의 예시 프롬프트는 비교를 의견이 아닌 코드에 근거하도록 하고, 추천이나 승인을 금지하며, 결과가 판단을 위한 근거라는 고지를 항상 포함하도록 명시한다.

🧾 핵심 주장 / 시사점

• 검색과 설명에는 모델을 활용하면서 사양 판정은 결정론적 코드에 맡기는 구성이므로, 근거를 풍부하게 제시하는 기능과 반복 가능한 평가 기능이 함께 작동한다.
• 문서 검색, 이미지 질의, 사진 유사도는 서로 다른 근거 확보 경로이며, 관리형 지식 기반의 이미지 입력 제약이 Amazon S3 Vectors를 직접 사용하는 구조로 이어진다.
• 제조사 식별 기준을 구조화된 vendor 필드로 고정하는 것은 시각 자료와 웹 정보가 늘어나더라도 부품의 출처를 일관되게 유지하기 위한 장치다.

✅ 액션 아이템

• 엔지니어 요구사항을 결정론적 허용오차 규칙에 반영하고, 후보 부품의 통과·검토 필요 판정을 검토.
• Amazon Nova Multimodal Embeddings의 검색 결과와 사진 유사도를 결정론적 사양 비교의 보조 근거로 활용.
• 대체 정당화 메모와 Integration Impact Assessment의 근거를 검토하고, 최종 대체 판단은 엔지니어가 수행.

❓ 열린 질문

• 결정론적 허용오차 규칙에 반영할 엔지니어 요구사항은 무엇인가?
• Amazon Nova Multimodal Embeddings의 검색 결과와 사진 유사도는 후보 부품의 사양 비교를 어떤 근거로 보완하는가?
• 대체 정당화 메모와 Integration Impact Assessment를 검토한 엔지니어가 최종 판단 전에 추가로 확인해야 할 근거는 무엇인가?