Articleaws.amazon.com·2026년 11월 16일·0

Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore

Quick Summary

Novo Nordisk는 Amazon Bedrock AgentCore 기반 GraphRAG 지원 시스템을 개발해 승인된 제조 문서의 검색·관계 파악·인용 답변을 연결하고, 제조 지식 접근성과 문서 관리 효율을 높이고 있다.

Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore 관련 대표 이미지

🖼️ 인포그래픽

Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore의 핵심 내용을 4단계로 요약한 인포그래픽
Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

Novo Nordisk는 Amazon Bedrock AgentCore 기반 GraphRAG 지원 시스템을 개발해 승인된 제조 문서의 검색·관계 파악·인용 답변을 연결하고, 제조 지식 접근성과 문서 관리 효율을 높이고 있다.

📌 핵심 요약

  • Novo Nordisk의 Tablet 영역 Manufacturing Technology 팀은 수천 개의 제조 관련 관리 문서를 다루며, 수작업과 분산된 추적 방식으로 인해 개정·승인 현황 파악, 최신성 유지, 규정 준수 상태 확인에 어려움을 겪고 있다.
  • 제조 질문에 정확히 답하려면 적절한 문서뿐 아니라 승인·발효된 버전, 사업장·제품 세대·장비에 맞는 적용 범위, 문서 간 참조와 변경 영향까지 확인해야 한다.
  • GraphRAG 구조는 Amazon OpenSearch Serverless의 의미·정확 일치 검색과 Amazon Neptune의 지식 그래프를 문서 번호로 연결하고, 검색 결과의 그래프 확장과 재순위화를 거쳐 승인된 출처를 인용하는 답변을 생성한다.
  • 추론 계층은 Amazon Bedrock AgentCore에서 실행되며 Strands Agents SDK와 Amazon Bedrock의 Anthropic Claude 모델을 사용한다. guided mode는 검색 전에 모호한 질문의 범위를 확인하고, 그래프에 실제 존재하는 값으로 추가 확인 선택지를 구성한다.
  • 시스템은 리드타임 단축, 문서 현황의 가시성 개선, 제조 지식 접근성 향상을 목표로 한다. 글은 분야 전문가가 기존에 수시간 또는 수일 걸리던 작업을 수분 안에 완료하도록 도왔다고 설명하지만, 구체적인 측정 조건이나 성과 수치는 제시하지 않는다.

🧩 주요 포인트

  1. 승인·발효 상태와 사업장·제품 세대·장비가 답의 유효성을 결정하므로, 분류 체계와 guided mode를 통한 범위 확인이 제조 답변의 정확성과 추적 가능성을 뒷받침한다.
  2. 의미 검색과 정확 일치 검색은 후보를 찾고 Amazon Neptune은 문서 관계를 확장하므로, GraphRAG는 문서 번호·장비 코드 검색과 다단계 관계 질문을 함께 지원하는 구조다.
  3. Amazon Bedrock AgentCore의 관리형 실행 환경은 기반 인프라 작업을 줄여 도메인 로직에 집중하게 하며, 수시간·수일에서 수분으로 줄었다는 작업 시간 개선 주장의 적용 범위와 측정 근거는 추가 확인이 필요하다.

🧠 상세 정리

1. 제조 문서 관리와 분산된 지식의 문제

Novo Nordisk는 당뇨병과 비만 등 만성질환 치료제를 생산하며, 엄격한 품질 요건을 따르는 제조망에서 품질에 영향을 주는 모든 공정 단계를 공식 문서로 기술하고 통제하며 검증해야 한다. Tablet 영역의 Manufacturing Technology 팀은 전 세계 조직에 걸친 표준작업절차, 작업 지침, 양식, 교육 자료의 최신성과 정확성을 유지하는 책임을 맡고 있다. 규제 변경, 공정 개선, 장비 수정, 감사 지적에 따라 문서를 자주 갱신해야 하지만, 수천 개 문서의 개정·승인·긴급 조치 상태를 수작업과 스프레드시트 또는 연결되지 않은 시스템으로 추적하기는 어렵다. 이로 인해 오래된 문서의 유통, 갱신 지연, 규정 준수 상태에 대한 가시성 공백이 발생할 위험이 있다. 지식도 문서와 버전, 사업장, 제품 프로그램에 흩어져 있어 숙련자의 경험에 의존하게 되고, 이러한 병목은 의사결정과 의약품 공급 속도에 영향을 준다고 글은 설명한다.

2. 문서를 찾는 것에서 유효한 답을 찾는 것으로

제조 지원팀이 반복해서 받는 질문은 특정 사업장과 제품, 장비에 어떤 공정 요건이 적용되는지에 관한 것이다. 이를 정확히 답하려면 대규모 문서 집합에서 적절한 문서를 찾고, 초안이나 폐기본이 아닌 승인·발효된 버전인지 확인하며, 해당 사업장·제품 세대·장비에 적용되는지와 다른 문서에 미치는 관계까지 함께 살펴야 한다. 일반 키워드 검색은 문서를 반환하지만 적용 범위나 버전, 관계를 이해하지 못한다는 한계가 제시된다. 벡터 기반 RAG는 자연어 질문의 검색 재현율을 개선하지만 문서 번호와 장비 코드 같은 정확한 식별자, 여러 관계를 거치는 질문, 관련 내용의 부재를 식별하는 데 여전히 어려움이 있다고 설명한다. 따라서 팀은 구조와 관계를 핵심 요소로 다루고, 승인된 근거에 머무르며, 불명확한 경우 추측보다 추가 확인을 선택하는 시스템을 지향했다.

3. 분리된 검색 저장소와 그래프를 연결하는 GraphRAG

솔루션은 Amazon Neptune의 지식 그래프로 문서 구조와 관계를 표현하고, Amazon OpenSearch Serverless의 하이브리드 검색 인덱스로 문서 내용의 의미 검색과 정확 일치 검색을 제공한다. 두 저장소는 하나의 엔진으로 합쳐지지 않고 의도적으로 분리되며, 질문을 처리할 때 서로 연결되는 구조로 설계됐다. 사용자의 질문을 받은 query agent는 guided mode에서 답변에 필요한 범위가 충분히 명확한지 먼저 판단하고, 모호하면 사업장이나 제품 세대 등을 묻는다. 범위가 정해지면 하이브리드 검색으로 후보 구절을 찾고, 그래프 확장으로 구조와 관계를 보강한 뒤 재순위화로 관련성을 높인다. 마지막에는 승인된 출처 문서를 근거로 인용을 포함한 답변을 작성하며, 필요한 내용이 없을 때는 그 부재를 명시하도록 구성된다.

4. 관리형 에이전트 실행과 문서 수집 기반

추론 계층은 Amazon Bedrock AgentCore에서 실행되며, 팀은 세션 격리, 기본 도구 오케스트레이션, AWS Identity and Access Management와 관측 가능성의 통합을 제공하는 관리형 실행 환경을 선택했다. 글은 이러한 선택이 차별화되지 않는 기반 인프라 작업을 줄여 제조 도메인 로직에 집중하도록 돕는다고 설명한다. 에이전트 런타임은 Strands Agents SDK로 구축하고, Amazon Bedrock에서 제공되는 Anthropic Claude 모델을 사용한다. 문서 수집 파이프라인은 Amazon Bedrock Data Automation으로 멀티모달 파싱을 수행하며, AWS Step Functions와 AWS Lambda가 처리를 조율하고 전체 스택은 AWS Cloud Development Kit로 정의된다. 아키텍처에는 개인화, 모니터링, 품질 평가를 지원하는 메모리·관측 가능성·평가 요소도 제시되지만, 제공된 본문은 이 요소들의 세부 구현까지 설명하지 않는다.

5. 공정 계층과 도메인 개체를 결합한 두 층의 분류 체계

지식 그래프는 문서가 조직의 어디에 속하는지와 무엇을 설명하는지를 함께 다루도록 두 층의 분류 체계로 구성된다. 상위 층은 조직의 공식 공정 체계를 대략 세 단계의 부모·자식 계층으로 모델링하고, 각 관리 문서를 적용 가능한 가장 하위 공정 노드에 연결해 질문의 공정 범위를 정하거나 새 문서를 분류하는 기반으로 삼는다. 하위 층은 분야 전문가가 정의한 사업장, 제품 세대, 장비, 공정 단계 등의 개체를 독립적인 그래프 노드로 표현하고 관련 문서와 연결한다. 관계 이름을 계속 늘리는 대신 소수의 통일된 관계 유형을 사용하며, OpenSearch의 검색 구절에 붙은 문서 번호를 그래프 노드와 직접 연결한다. 이 연결 덕분에 검색 결과에서 별도의 유사도 기반 재매칭 없이 그래프 구조로 진입할 수 있고, 글은 이를 단순히 두 데이터베이스를 나란히 배치한 구성과 구별되는 핵심 설계로 설명한다.

6. 전문가가 관리하는 고정 분류 체계의 선택

글은 초기 GraphRAG 접근이 고정 스키마 없이 언어 모델에 개체 발견을 맡기는 개방형 추출을 선호했다고 설명한다. 이러한 방식은 방대한 텍스트에서 열린 탐색을 수행하는 데 유용하지만, 잡음이 많고 유지관리와 감사가 어렵다는 한계도 함께 제시한다. 이어 최근 몇 년 동안 사전에 정의한 도메인별 스키마로 추출을 안내하는 온톨로지 기반 접근으로 합의가 이동했으며, 전문 문서 집합의 정확성과 신뢰성을 높일 수 있다고 주장한다. 규제를 받는 의약품 제조에서는 이미 전문가가 관리하는 실제 도메인 체계가 있으므로, 고정 스키마와 새 개체를 정식 체계에 반영할 때 사람이 검토하는 절차가 필요한 감사 가능성을 뒷받침한다는 논리다. 이 선택은 품질 및 감사 이해관계자에게 설계 결정을 설명하기 쉽게 만드는 근거로도 제시되며, 제공된 본문에는 두 접근의 성능을 직접 비교한 수치는 없다.

7. 하이브리드 검색·그래프 확장·재순위화의 역할

OpenSearch의 하이브리드 검색은 Amazon Titan Text Embeddings를 이용한 밀집 벡터 유사도와 BM25 어휘 검색을 결합하고, reciprocal rank fusion으로 결과를 융합한다. 벡터 검색은 질문의 의미를 포착하고 어휘 검색은 문서 번호, 장비 코드, 다국어 용어처럼 정확한 토큰이 중요한 경우를 보완한다. Neptune은 검색된 개체와 문서를 바탕으로 인접 문서, 참조 관계, 공정 계층상의 위치, 변경 영향을 탐색해 벡터 검색만으로 얻기 어려운 구조 정보를 제공한다. 일반적으로 벡터 검색이 출발점을 찾고 그래프가 이를 확장하지만, 관계를 먼저 묻는 질문에서는 반대 방향의 흐름도 사용할 수 있다고 설명한다. 융합 이후에는 Amazon Bedrock Rerank의 교차 인코더가 질문과 각 후보 구절을 함께 읽고 순서를 다시 정해, 비교적 저렴한 후보 검색 단계 위에 정밀도를 높이는 단계를 추가한다.

8. guided mode로 검색 전에 모호함 해소

과립기에서 어떤 시료를 채취하는지 묻는 질문에는 제품 세대, 사업장, 장비, 배치 크기에 따라 여러 정답이 있을 수 있어, 바로 답하면 적용 범위를 벗어난 내용을 확신에 차서 제시할 위험이 있다. guided mode는 먼저 검색하는 일반적인 흐름을 바꿔, 추가 질문으로 범위를 좁힌 다음 검색하도록 설계됐다. 사업장과 제품 세대처럼 공정 질문에 대체로 필요한 소수의 속성은 일관되게 직접 확인하고, 장비·배치 크기 및 이후 추가되는 세부 속성은 질의 시점의 그래프에서 도출한다. 범위 해석 단계는 사용자 표현을 실제 그래프 노드와 연결하고 이미 알려진 조건으로 후보를 줄이며, 여러 후보가 남으면 이들을 실제로 구별하는 속성과 그래프에 존재하는 값만 선택지로 제시한다. 이는 모델이 확인 선택지를 지어낼 위험을 줄이려는 설계이며, 전문가가 분류 체계에 구별 속성을 추가하면 보조 도구가 이를 자동으로 드러낼 수 있다고 설명한다.

🧾 핵심 주장 / 시사점

  • 규제 제조 환경의 답변 품질은 내용의 유사성뿐 아니라 승인 상태, 적용 범위, 문서 관계를 함께 확인하는 능력에 달려 있다는 것이 이 설계의 핵심이다.
  • 그래프에 존재하는 값으로 추가 질문을 구성하면 분류 체계가 검색 기반인 동시에 질문의 모호함을 해소하는 근거로도 작동한다.
  • 글이 제시하는 작업 시간 개선은 유의미한 가능성을 보여주지만, 제공된 본문만으로 전체 문서 관리 업무의 생산성 향상 규모까지 판단하기는 어렵다.

✅ 액션 아이템

  • 승인·발효 상태와 사업장·제품 세대·장비를 기준으로 guided mode의 범위 확인이 필요한 질문 구분.
  • 문서 번호·장비 코드 검색과 다단계 관계 질문을 대상으로 GraphRAG의 검색·관계 확장 적합성 검토.
  • 수시간·수일에서 수분으로 줄었다는 작업 시간 개선의 적용 범위와 측정 근거 확인.

❓ 열린 질문

  • guided mode는 사업장·제품 세대·장비가 불명확한 질문에서 범위 확인의 충분성을 어떻게 판단하는가?
  • GraphRAG는 승인·발효된 버전과 문서 간 변경 영향을 얼마나 정확하게 식별하는가?
  • 수시간·수일에서 수분으로 줄었다는 작업 시간 개선은 어떤 업무와 측정 조건에서 확인됐는가?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.