Rethinking access control for RAG with Amazon Quick and Amazon Bedrock

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Amazon Quick과 Amazon Bedrock Knowledge Bases는 기존 ACL 사전 필터링에 질의 시점의 원본 데이터 소스 권한 검증을 결합해, 사용자가 접근할 수 있는 문서만 RAG 답변에 반영하도록 한다.

📌 핵심 요약

• 기업의 RAG는 Microsoft SharePoint, Google Drive, Atlassian Confluence 등에 있는 지식을 활용하지만, AI 답변에 권한 없는 문서가 포함되면 기밀 전략, 미공개 재무 데이터, 민감한 인사 정보가 노출될 수 있다.
• ACL을 주기적으로 복제해 인덱스에서 필터링하는 방식에는 복잡한 권한 모델의 매핑 오류, 동기화 사이의 오래된 권한, 데이터 소스의 새로운 접근 제어 기능을 반영하지 못하는 문제가 있다. Confluence는 그룹 구성원이 변경될 때 이벤트를 발생시키지 않는 사례로 제시된다.
• Amazon Quick과 Amazon Bedrock Knowledge Bases는 1단계에서 인덱스에 저장된 ACL로 검색 후보를 추리고, 2단계에서 권한의 기준이 되는 원본 데이터 소스에 실시간으로 접근 권한을 확인하는 이중 구조를 적용한다. 인덱스의 모든 문서에 실시간 API 호출을 수행하면 규모가 커질수록 비용이 과도해지므로 후보를 먼저 좁힌다.
• Google Drive 사례에서 Amazon Quick은 관리자가 제공한 서비스 계정 자격 증명으로 사용자별 접근 토큰을 생성하고 Google Drive API로 후보 문서의 권한을 검증한다. 허가된 문서 구절만 LLM에 전달하며, Amazon Bedrock은 별도로 Amazon Bedrock Guardrails의 콘텐츠 필터링, 환각을 줄이는 근거 확인, 설정 가능한 안전 정책을 제공한다.
• AWS는 실시간 ACL 검증으로 접근 권한 철회가 몇 시간이나 며칠이 아닌 짧은 시간 안에 AI 답변에 반영되고, 지식 기반 확대에 대한 신뢰가 높아지며, 동기화 빈도에 대한 운영 부담이 줄어든다고 설명한다. Mondelēz International은 4개 지역의 35,000명 넘는 직원을 대상으로 Amazon Quick을 배포했으며, Jamahl Wiggins는 실시간 접근 제어가 내부 검토위원회의 도입 판단에 신뢰를 제공했다고 밝혔다.

🧩 주요 포인트

1. 권한 복제의 정확성과 최신성에 한계가 있으므로, 접근 허용의 최종 판단을 원본 데이터 소스에 확인하는 구조가 핵심이다.
2. 검색 후보를 먼저 줄인 뒤 실시간으로 검증함으로써, 대규모 검색의 비용·성능 요구와 현재 권한에 따른 보안을 함께 고려한다.
3. ACL 검증은 정보 접근 범위를 통제하고 Amazon Bedrock Guardrails는 콘텐츠와 답변 안전성을 보완하며, Mondelēz International 사례는 접근 제어가 도입 신뢰와 AI 거버넌스 판단에 영향을 줄 수 있음을 보여준다.

🧠 상세 정리

1. 기업 RAG에서 접근 권한이 중요한 이유

기업은 Microsoft SharePoint, Google Drive, Atlassian Confluence 같은 사내 지식 소스에서 통찰을 얻기 위해 검색 증강 생성(RAG)을 도입하고 있다. 그러나 이들 소스에는 복잡한 권한 구조로 보호되는 민감한 정보가 있어, 검색한 내용을 활용하는 AI 답변도 사용자의 접근 권한을 따라야 한다. 원문은 SharePoint 사이트 소유자가 지식 기반을 만들고 여러 부서의 구성원이 AI 비서로 질문하는 상황을 예로 들며, 각 구성원에게 허가된 문서에서 나온 정보만 제공해야 한다고 설명한다. 권한 없는 문서 하나라도 답변에 드러나면 기밀 전략, 미공개 재무 데이터, 민감한 인사 정보가 노출될 수 있다. 따라서 기업의 과제는 기존 보안 수준을 유지하면서 AI 기반 지식 활용의 범위를 넓히는 것이다.

2. ACL 복제와 필터링 방식의 구조적 한계

일반적인 RAG 접근 제어는 데이터 소스 커넥터가 주기적인 동기화 작업에서 ACL을 가져와 인덱스의 속성으로 저장하고, 질의 시 로그인 사용자를 이 속성에 대응시켜 검색 결과를 필터링하는 방식이다. 이 방식은 합리적으로 보이지만, 실제 권한의 기준이 아닌 AI 시스템이 권한 집행을 전적으로 담당한다는 문제가 있다. 데이터 소스마다 권한 모델이 달라 커넥터는 상속 계층, 그룹 구성원 관계, 조건부 접근 정책, 거부 규칙 등을 정확히 옮겨야 한다. 원문은 이러한 로직을 여러 커넥터에 걸쳐 매핑하는 작업에서 오류가 발생하기 쉽다고 지적한다. 결국 인덱스에 ACL이 저장되어 있다는 사실만으로 원본의 복잡한 접근 제어가 정확히 재현되었다고 판단하기는 어렵다는 논지다.

3. 오래된 권한과 데이터 소스 변경이 만드는 공백

데이터 커넥터는 일반적으로 필요할 때 또는 고객이 정한 일정에 따라 데이터를 가져오므로, 인덱스의 ACL은 마지막 동기화 시점의 권한 상태를 나타낸다. 동기화 사이에 접근 권한이 철회되면 사용자가 더 이상 볼 수 없어야 하는 문서에서 AI 답변을 받을 가능성이 생긴다. 일부 솔루션은 이벤트 기반 갱신을 사용하지만 모든 변경을 포착할 수 있는 것은 아니며, 원문은 Confluence가 그룹 구성원 변경 시 이벤트를 발생시키지 않는 사례를 든다. 또한 SharePoint의 새로운 권한 기능이나 Google Drive 공유 모델의 변경처럼 데이터 소스의 접근 제어 기능 자체가 발전할 수도 있다. 커넥터가 이러한 변화를 반영하기 전까지 ACL 매핑에 공백이 생길 수 있다는 점이 기존 방식의 또 다른 약점이다.

4. 1단계: 저장된 ACL로 검색 후보 축소

AWS는 Amazon Quick과 Amazon Bedrock Knowledge Bases의 기존 검색 전 ACL 필터링 위에 실시간 권한 검증을 추가하는 혼합 구조를 제시한다. Google Drive 지식 기반을 사용하는 Amazon Quick 에이전트에 사용자가 질문하면, 첫 단계에서는 벡터 인덱스를 대상으로 의미 기반 검색을 수행해 관련성이 높은 문서 구절을 찾는다. 이때 인덱스에 이미 저장된 ACL을 적용해 예비 후보 문서 집합을 만든다. 원문은 인덱스에 있는 모든 문서에 실시간 API 호출을 수행하면 규모가 커질수록 비용이 과도해지기 때문에 이 단계가 필요하다고 설명한다. 따라서 저장된 ACL은 효율적으로 후보를 좁히는 역할을 하고, 이후 원본 데이터 소스에 대한 검증이 현재 권한에 따른 접근 허용 여부를 확인한다.

5. 2단계: 원본 권한 검증과 답변 안전성 보완

두 번째 단계에서 Amazon Quick은 Google Drive API를 호출해 후보 문서에 대한 사용자의 접근 권한을 실시간으로 검증한다. 관리자가 제공한 서비스 계정 자격 증명을 사용하고, 사용자 가장을 통해 사용자별 접근 토큰을 생성하며, 문서 ACL의 기준은 Google Drive가 유지한다. 사용자가 접근할 수 없는 문서는 검색 결과에서 제외하고, 검증을 통과한 허가된 문서 구절만 대규모 언어 모델(LLM)의 맥락으로 전달해 답변 생성에 사용한다. AWS는 이 구조가 저장된 ACL의 효율성과 실시간 확인의 정확성을 결합해 성능과 보안의 균형을 맞춘다고 설명한다. 접근 제어와 함께 Amazon Bedrock은 Amazon Bedrock Guardrails를 통한 콘텐츠 필터링, 환각을 줄이기 위한 근거 확인, 설정 가능한 안전 정책도 제공한다.

6. 조직의 기대 효과와 Mondelēz International 사례

AWS는 실시간 ACL 검증의 효과로 최신 권한 반영, 지식 기반을 확대할 수 있다는 신뢰, 동기화 빈도에 대한 운영 부담 감소를 제시한다. 직원의 접근 권한이 철회되면 몇 시간이나 며칠을 기다리는 대신 짧은 시간 안에 AI 답변에 반영되며, 질의마다 원본 데이터 소스에서 권한을 검증한다고 설명한다. Mondelēz International의 M365 Innovation 선임 전문가 Jamahl Wiggins는 보안·컴플라이언스 조직이 동료에게 허가된 정보만 보여주는 것을 최우선 요건으로 삼았다고 밝혔다. 그는 Amazon Quick의 실시간 접근 제어가 평가 과정에서 엄격함을 보여주었고 내부 검토위원회가 도입을 진행할 신뢰와 향후 AI 거버넌스의 기반을 제공했다고 평가했다. 원문에 따르면 Mondelēz International은 4개 지역의 35,000명 넘는 직원을 대상으로 Amazon Quick을 배포했다.

🧾 핵심 주장 / 시사점

• RAG 접근 제어에서는 검색 시 적용한 ACL뿐 아니라, 답변에 사용할 문서를 원본 데이터 소스의 현재 권한으로 확인하는 과정이 중요하다.
• 실시간 검증을 검색 후보에 적용하는 이중 구조는 보안을 강화하면서도 모든 문서에 API를 호출하는 비용 문제를 고려한 설계다.
• Mondelēz International의 평가 사례는 접근 제어에 대한 신뢰가 AI 도입과 거버넌스 판단의 중요한 근거가 될 수 있음을 보여준다.

✅ 액션 아이템

• Amazon Quick과 Amazon Bedrock Knowledge Bases의 이중 ACL 구조를 기준으로, 기존 RAG의 권한 매핑 오류와 동기화 사이의 오래된 권한 문제를 검토.
• Google Drive 적용 시 서비스 계정 자격 증명과 사용자별 접근 토큰을 통한 후보 문서 권한 검증 방식을 확인.
• RAG 도입 평가에서 ACL 검증과 Amazon Bedrock Guardrails의 콘텐츠 필터링·근거 확인·안전 정책 역할을 함께 검토.

❓ 열린 질문

• Amazon Quick과 Amazon Bedrock Knowledge Bases에서 접근 권한 철회가 AI 답변에 반영되는 '짧은 시간'은 구체적으로 어느 정도인가?
• Google Drive 사례의 후보 문서 수가 늘어날 때 실시간 API 검증의 비용과 검색 성능은 어떻게 달라지는가?
• Confluence처럼 그룹 구성원 변경 이벤트가 없는 데이터 소스에서는 질의 시점의 실시간 권한 검증이 어떤 방식으로 수행되는가?