Bring structured and unstructured data together with Amazon Quick

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Amazon Quick은 보강된 정형 데이터셋과 Amazon S3 기반 비정형 지식 베이스를 Space에 모아, 하나의 대화형 AI 에이전트로 함께 질의하는 구성을 제공한다.

📌 핵심 요약

• 솔루션은 데이터 계층, 작업 공간 계층, 에이전트 계층으로 구성된다. 에이전트는 질문에 따라 지식 베이스와 데이터셋 중 하나 또는 둘 모두를 조회하고, 출처를 포함한 통합 응답을 제공하도록 설계된다.
• 실습에는 Enterprise 구독, Amazon Quick과 같은 Region에 있는 Amazon S3 버킷, 관리자에 의한 버킷 접근 허용과 리소스 생성 권한이 필요하다. 선택한 버킷의 기본 접근 권한은 읽기 전용이다.
• Amazon S3의 문서를 Business Knowledge Base로 색인하며, 전체 콘텐츠나 특정 S3 접두사를 선택할 수 있다. 접두사 필터는 대소문자를 구분하고, 문서 수준 ACL 사용 여부는 지식 베이스 생성 후 변경할 수 없다.
• Product_Sales.csv는 SPICE에 적재한 뒤 데이터 유형, 데이터셋 설명, 사용자 지정 지침과 열 설명을 보강한다. 매출 통화는 USD이며, 지역별 비교와 Order Date 기반 추세 분석 등의 해석 기준을 제공한다.
• Business Intelligence Hub라는 Space에 Business Knowledge Base와 Product_Sales.csv를 추가한다. 이어 Business Intelligence Assistant라는 사용자 지정 채팅 에이전트의 정체성과 역할, 답변 시 출처 인용 지침을 설정하는 단계까지 제시한다.

🧩 주요 포인트

1. Space가 정형·비정형 소스를 공통 맥락으로 연결하므로, 별도 도구의 결과를 수동으로 대조하던 분석을 하나의 대화로 통합할 수 있다.
2. 데이터 유형과 업무 의미를 함께 보강해야 자연어를 SQL로 더 정확하게 변환할 수 있다. 다만 Date Key를 Date로 변경하라는 지침과 숫자형 YYYYMMDD 표현이라는 설명 사이에는 확인할 불일치가 있다.
3. 같은 Region이라는 연결 제약, 생성 후 변경할 수 없는 문서 수준 ACL 선택, 질문자의 권한을 따르는 응답은 데이터 통합과 함께 고려해야 할 접근 통제 조건이다.

🧠 상세 정리

1. 분리된 데이터 분석을 하나의 대화로 연결

조직의 정형 데이터는 데이터베이스와 스프레드시트에, 비정형 데이터는 여러 파일 시스템의 문서·보고서·파일에 분산되어 있다. 두 종류를 함께 분석하려면 일반적으로 여러 도구를 오가며 별도로 질의하고 결과를 수동으로 연결해야 한다. Amazon Quick은 정형 데이터를 보강된 데이터셋으로, 비정형 데이터를 Amazon S3 기반 지식 베이스로 연결하여 하나의 대화형 AI 에이전트에서 조회하는 방식을 제시한다. 아키텍처는 데이터를 저장하고 준비하는 데이터 계층, 여러 소스를 모으는 Space 계층, 질문에 맞는 소스를 선택하는 에이전트 계층으로 나뉜다. 에이전트는 지식 베이스나 데이터셋 또는 둘 모두를 조회해 출처가 포함된 응답을 제공하며, 채팅에는 콘텐츠 안전성 검사 같은 기본 AI 가드레일도 적용된다. Space에 새 소스를 추가하면 연결된 에이전트가 이를 활용할 수 있고, 응답은 질문한 사용자의 권한을 따른다고 설명한다.

2. 실습에 필요한 구독·권한과 예제 데이터

실습을 수행하는 사용자에게는 Enterprise 구독이 적용된 Amazon Quick 계정이 필요하며, 원문은 데이터셋 생성에 Enterprise가 필요하다고 명시한다. 업무 문서를 저장할 Amazon S3 버킷과 Amazon Quick의 해당 버킷 접근 권한도 준비해야 한다. 관리자는 관리 콘솔의 Permissions에서 AWS resources와 Amazon S3를 선택해 접근할 버킷을 지정하며, 선택한 버킷에는 기본적으로 읽기 전용 권한이 부여된다. 이와 별도로 통합, 지식 베이스, 데이터셋, Space와 채팅 에이전트를 생성할 권한이 필요하다. 비정형 예제는 AnyCompany_Business_Review.pdf, AnyCompany_Market_Analysis_Report.pdf, AnyCompany_Product_Strategy_Memo.pdf 세 문서이며 Amazon S3에 업로드한다. 정형 예제인 Product_Sales.csv는 컴퓨터에 내려받은 뒤 데이터셋 생성 단계에서 Amazon Quick에 직접 업로드한다.

3. Amazon S3 통합 연결

첫 번째 단계는 Amazon Quick 콘솔의 Knowledge 메뉴에서 Amazon S3를 데이터 소스로 연결하는 것이다. 이 화면에는 Amazon Q Business, Web Crawler, Amazon S3와 함께 Google Drive, OneDrive, Microsoft SharePoint 같은 타사 연결 옵션도 표시된다. Amazon S3 아래의 Add를 선택하면 지식 베이스 생성 대화상자의 Connect S3 bucket 페이지에서 통합 이름과 버킷 위치, S3 버킷 URL을 입력한다. 예시 통합 이름은 My Data Access Integration이며, 버킷 위치는 Amazon Quick과 같은 AWS 계정이면 Quick Suite instance account, 다른 계정이면 Other AWS account를 선택한다. S3 버킷 URL에는 데이터가 저장된 버킷의 S3 URI를 제공하고, 해당 버킷은 Amazon Quick과 같은 Region에 있어야 한다. 필요한 연결 정보를 입력한 뒤 Next를 선택하면 지식 베이스를 구성하는 다음 단계로 진행한다.

4. 지식 베이스의 색인 범위와 접근 제어

Amazon S3 통합을 만든 뒤에는 연결된 콘텐츠를 AI 검색에 사용할 수 있도록 지식 베이스를 생성한다. 예제에서는 이름을 Business Knowledge Base로 지정하며, 용도를 설명하는 Description은 선택 사항이다. Content에서 Add all content를 선택하면 연결된 버킷의 전체 콘텐츠를 색인하고, Add specific content를 선택하면 포함할 폴더와 파일의 S3 접두사를 지정한다. 접두사 필터는 대소문자를 구분하므로 색인 대상 범위를 정할 때 이 조건을 반영해야 한다. 추가 설정에서는 문서 수준 접근 제어 목록인 ACL과 메타데이터 파일 폴더를 선택적으로 구성할 수 있지만, ACL 사용 여부는 생성 후 변경할 수 없어 미리 결정해야 한다. 실습은 예제 데이터를 사용하므로 기본 설정으로 진행하며, Create를 선택하면 통합 성공 안내가 표시되고 지식 베이스 색인이 백그라운드에서 시작된다.

5. 정형 데이터셋 생성과 데이터 유형 수정

정형 데이터는 Amazon Quick의 Data 메뉴에서 Create dataset과 Upload file을 선택해 Product_Sales.csv를 업로드하는 방식으로 준비한다. 확인 화면에서 열 이름과 데이터 유형을 검토하고 Next를 선택하면 파일이 인메모리 계산 엔진인 SPICE에 적재된다. 생성된 데이터셋은 업로드한 파일 이름을 따라 Product_Sales.csv로 표시되며, Edit dataset을 통해 데이터 준비 화면으로 들어가 자동 감지된 유형을 수정한다. Transform 탭에서는 Order Date와 Date Key를 String에서 Date로, Customer ID를 String에서 Integer로 변경하도록 안내한다. Sales, Discount, Profit은 String에서 Decimal로 변경하고, Quantity와 Unit Price는 String에서 Integer로 변경한다. 이 단계는 이후 에이전트가 자연어 질문을 SQL로 변환할 때 활용할 데이터의 기본 형태를 정비하는 과정이며, 이어지는 의미 정보 보강과 함께 정형 데이터 계층을 구성한다.

6. 업무 의미와 질의 지침으로 데이터셋 보강

Output 탭에서는 데이터셋 설명, 사용자 지정 지침과 열 설명을 추가해 AI가 데이터를 업무 맥락에서 해석하도록 돕는다. 예제 설명은 AnyCompany의 FY2024~FY2025 주문 데이터를 대상으로 하며, North America, EMEA, Asia Pacific, Latin America의 주문·고객·제품군·매출 정보를 포함한다고 제시한다. 사용자 지정 지침에는 매출 통화가 USD이고 지역 비교는 Region으로 묶으며, 시간 추세는 Order Date를 사용하고 회계연도는 달력연도와 같다는 기준을 담는다. 매출 계산식은 Sales = Quantity x Unit Price x (1 – Discount)로 제시하고, 지역 매출 비교·제품군 매출 분석·분기 추세·고객 세분화를 활용 예로 든다. 열 설명에는 주문 식별자 형식, 지역과 제품의 범위, 할인 후 USD 매출, Enterprise·Mid-Market·SMB 고객 구분 등을 명시하며, 저장·게시 후 요약 화면은 16개 열의 유형과 설명을 보여준다. 다만 사용자 지정 지침은 Date Key를 Order Date의 숫자형 YYYYMMDD 표현으로 설명하므로, 앞 단계에서 Date로 변경하라는 안내와의 정합성은 원문만으로 해소되지 않는다.

7. Space에 두 데이터 소스 통합

Amazon Quick의 Space는 파일 업로드, 대시보드, 지식 베이스, 작업과 데이터셋을 하나의 작업 공간에 담을 수 있는 통합 지점이다. 실습에서는 Spaces 메뉴에서 새 Space를 만들고 이름을 Business Intelligence Hub로 지정한다. 먼저 Add knowledge에서 Knowledge bases를 선택해 Business Knowledge Base를 추가하고, 다시 Add knowledge에서 Datasets를 선택해 Product_Sales.csv를 추가한다. 이렇게 구성하면 비정형 문서의 지식 베이스와 의미 정보를 보강한 정형 매출 데이터셋이 같은 Space의 데이터 소스로 연결된다. 원문의 예시 화면은 두 리소스가 모두 Ready 상태인 모습을 보여주며, 이 Space를 에이전트가 여러 데이터 유형을 함께 조회할 수 있는 중심 공간으로 설명한다. 아키텍처상 에이전트가 이 Space를 지식 소스로 사용하므로, 개별 소스의 정보를 하나의 질의 맥락으로 모으는 역할을 한다.

8. 사용자 지정 채팅 에이전트의 역할과 지침

마지막으로 제시된 단계에서는 Chat agents 메뉴에서 Create chat agent를 선택해 사용자 지정 에이전트를 만든다. 생성 화면은 자연어로 에이전트를 설명하는 프롬프트 빌더와 Training Guide, Project Coordinator, Onboarding Helper 같은 템플릿을 제공하지만, 실습에서는 Skip을 선택해 수동으로 설정한다. Agent Persona의 정체성은 Business Intelligence Assistant로 지정하고, 지식 베이스의 업무 데이터를 분석하여 정보 사일로를 해소하는 AI 도우미라는 설명을 입력한다. 역할 지침은 S3에 저장된 업무 데이터 분석, 보고서와 메모의 관련 내용 검색, 내부 데이터와 외부 추세를 연결하는 통찰 제공, 데이터 분석에 근거한 명확하고 실행 가능한 권고 생성을 포함한다. 답변에는 항상 출처를 인용하라는 지침도 명시하지만, 외부 추세를 제공할 별도의 데이터 소스 연결은 이 발췌문에서 설명하지 않는다. 제공된 본문은 이 역할 지침에서 끝나므로, 에이전트에 Space를 실제로 연결하는 후속 설정이나 두 데이터 유형을 함께 조회한 질문·응답 결과는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 통합 분석의 연결점은 Space다. 정형 데이터셋과 비정형 지식 베이스를 같은 작업 공간에 배치하고 에이전트가 이를 참조하는 구조가 서로 다른 소스의 정보를 연결한다.
• 원문은 자연어 질의의 정확도를 높이는 수단으로 데이터 유형 교정과 업무 의미 보강을 함께 제시한다. Date Key 관련 지침의 불일치는 두 설정의 정합성도 확인할 필요가 있음을 보여준다.
• 통합 조회는 데이터 접근 제약을 없애는 방식이 아니다. 버킷 접근 권한과 문서 수준 ACL 설정을 고려하며, 에이전트 응답도 질문자의 권한을 따르는 구조로 설명된다.

✅ 액션 아이템

• Enterprise 구독, Amazon Quick과 같은 Region의 Amazon S3 버킷, 버킷 접근 및 리소스 생성 권한 확보 여부 확인.
• Business Knowledge Base 생성 전에 색인할 콘텐츠 범위와 문서 수준 ACL 사용 여부 결정.
• Product_Sales.csv의 Date Key를 Date로 변경하는 지침과 숫자형 YYYYMMDD 설명 사이의 정합성 확인.

❓ 열린 질문

• Enterprise 구독과 Amazon Quick과 같은 Region의 Amazon S3 버킷, 필요한 접근·생성 권한이 준비되어 있는가?
• Business Knowledge Base에는 전체 콘텐츠와 특정 S3 접두사 중 어느 범위를 포함하고, 문서 수준 ACL을 사용할 것인가?
• Product_Sales.csv의 Date Key를 Date로 변경하라는 지침과 숫자형 YYYYMMDD 표현이라는 설명을 어떻게 일치시킬 것인가?