From weeks to minutes: How Formula 1® uses agentic AI on AWS to accelerate data operations

🖼️ 인포그래픽

From weeks to minutes: How Formula 1® uses agentic AI on AWS to accelerate data operations 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

F1과 AWS는 에이전트형 데이터 가속기를 구축해 Customer 360의 신규 데이터 소스 온보딩을 6~8주에서 약 40분의 코드 생성과 수 시간의 배포·검토로 단축하고, 스키마 변화 대응과 통합 거버넌스, 전 구간 관측성을 하나의 운영 체계로 결합했다.

📌 핵심 요약

F1의 Customer 360은 티켓, 스트리밍, 후원사 활동, 소셜 미디어, 상품 판매 데이터를 통합하지만, 데이터 소스 하나를 추가하는 데 6~8주의 수작업이 필요해 12개 소스 기준 18개월의 적체가 발생했다.
F1과 AWS는 2026년 초 데이터 가속기를 구축했으며, 신규 소스 온보딩 시간을 약 40분의 코드 생성과 수 시간의 배포·검토로 줄이고 전체 작업의 95%를 에이전트가 자율 처리하도록 했다.
에이전트는 요구사항 문서를 바탕으로 설정 파일을 만든 뒤 인프라, 데이터 변환, 거버넌스 정책을 각각 풀 리퀘스트로 생성하며, 엔지니어의 검토와 승인을 거쳐 실제 파이프라인을 구성한다.
기존 데이터 소스의 스키마 변경도 이벤트 기반으로 탐지해 영향을 받는 파이프라인과 소비자를 식별하고, 관련 저장소의 수정 코드와 추적용 티켓을 생성함으로써 해결 시간을 수일에서 수 시간으로 단축했다.
선언형 거버넌스와 통합 데이터 환경은 데이터 검색·접근을 일원화했으며, 관측성 계층은 원시 수집부터 데이터 변환 단계까지의 계보와 장애 영향을 하나의 그래프로 보여준다.

🧩 주요 포인트

반복적인 수작업과 18개월의 온보딩 적체 → 표준화된 에이전트 생성 절차를 통해 데이터 공급 속도와 운영 일관성을 함께 개선했다.
개인정보 분류와 접근 제어를 코드·설정에 내장 → 자동화 범위를 단순 파이프라인 생성에서 규정 준수와 안전한 데이터 공유까지 확장했다.
스키마 변화 감지와 데이터 계보·근본 원인 분석을 연결 → 장애 발생 후 여러 시스템을 수동 추적하던 대응 방식을 영향 범위 중심의 통합 운영으로 전환했다.

🧠 상세 정리

1. 팬 데이터 운영 속도와 Customer 360의 역할

F1은 디지털 플랫폼, F1 TV, 소셜 미디어, 티켓 판매, 상품 판매를 통해 전 세계 8억 명이 넘는 팬과 연중 접점을 유지한다. 경기는 약 2주마다 열리고 팬의 관심이 집중되는 시간은 분 단위이므로, 마케팅과 상업적 의사결정도 매우 빠르게 이루어져야 한다. 이를 지원하는 Customer 360은 여러 접점에서 발생한 상호작용을 수집해 개인화, 고객 세분화, 상업 전략에 활용하는 F1 마케팅 기술 플랫폼이다. 그러나 비즈니스에서 생성하는 데이터의 속도가 엔지니어링팀의 통합 능력을 앞지르면서, 핵심 플랫폼이 새로운 데이터 요구를 신속히 수용하지 못하는 문제가 나타났다. F1은 이 플랫폼을 팬 참여를 움직이는 신경망으로 평가했지만, 실제 운영에서는 수작업 중심의 데이터 연결 절차가 속도와 확장성을 제한하고 있었다.

2. 수작업 온보딩과 분산된 운영의 세 가지 문제

첫 번째 문제는 신규 데이터 소스마다 스키마 매핑, 수집 파이프라인, 데이터 품질 검사, 개인정보보호 규정 분류, 거버넌스 정책을 엔지니어가 직접 작성해야 했다는 점이다. 데이터 소스 하나를 온보딩하는 데 6~8주가 걸렸고, 12개 신규 소스를 통합하기 위한 작업은 18개월 분량으로 쌓여 있었다. 두 번째 문제는 외부 제공자가 예고 없이 열 이름을 바꾸거나 필드를 추가하고, 데이터 구조와 전송 일정을 변경하면서 기존 파이프라인이 지속적으로 영향을 받았다는 점이다. 이런 변경은 실제 경기 주말이나 중요한 캠페인 시작 시점에 장애로 드러나기도 했다. 세 번째 문제는 로그와 상태 정보가 아마존 S3 경로, 아마존 레드시프트 제어 테이블, 에어플로 로그, DBT 출력에 흩어져 있어, 특정 지표의 오류 원인을 파악하려면 엔지니어가 여러 시스템을 수 시간 동안 수동으로 추적해야 했다는 것이다.

3. 데이터 가속기의 구성과 동시 추진 영역

F1과 AWS는 2026년 초 수작업으로 유지되던 마케팅 데이터 플랫폼을 자체 관리 가능하고 관측 가능하며 통합된 데이터 환경으로 전환하기 위해 데이터 가속기를 구축했다. 솔루션은 에이전트형 신규 데이터 소스 온보딩, 스키마 변화 자동 탐지와 수정, 통합 데이터 접근, 근본 원인 분석과 컨텍스트 그래프 기반 관측성, 대시보드에서 발견된 장애의 코드 수정 가능 여부 판별과 에이전트형 대응이라는 다섯 영역을 동시에 다뤘다. 여기에 여러 채널의 팬 접점을 하나의 고객으로 연결하는 고객 신원 확인 알고리즘 최적화가 여섯 번째 작업 영역으로 추가됐다. 이 구성은 코드 생성만 자동화하는 것이 아니라 데이터 수집, 변환, 거버넌스, 운영 추적, 장애 대응을 하나의 흐름으로 연결하는 데 초점을 맞췄다. 결과적으로 신규 데이터 소스 처리뿐 아니라 이미 운영 중인 데이터의 변화와 품질 문제까지 같은 플랫폼 운영 체계 안에서 다룰 수 있게 됐다.

4. 두 단계로 진행되는 에이전트형 온보딩

첫 단계에서는 담당자가 데이터 소스에 관한 제한적인 정보를 담은 비즈니스 요구사항 문서를 아마존 S3 버킷에 올리면, AWS 람다 함수가 아마존 베드록 에이전트코어 런타임을 호출한다. 에이전트는 문서를 읽고 설정 파일을 생성한 뒤 깃허브 앱을 통해 표준 저장소에 풀 리퀘스트를 만들고, 지라의 REST API로 해당 풀 리퀘스트를 참조하는 티켓을 생성한다. 에이전트의 대화와 행동은 에이전트코어의 관측성 기능을 통해 아마존 클라우드워치에 추적되며, 지정된 엔지니어가 결과를 검토하고 필요하면 수정한 후 승인한다. 승인이 끝나고 사람이 두 번째 단계를 실행하면 에이전트는 AWS 글루 애플리케이션·인프라 코드, DBT 변환 체계, 개인정보보호 규정 태깅을 포함한 거버넌스 정책을 각각 별도의 풀 리퀘스트로 만든다. 세 풀 리퀘스트는 하나의 지라 티켓에 연결되며 인프라, DBT, 거버넌스 저장소별 담당자가 검토하고 승인하므로, 자동 생성과 인간의 통제 지점이 명확하게 분리된다.

5. 개인정보 분류와 모듈형 스킬 구조

데이터 가속기는 일반적인 코드 생성기와 달리 각 데이터 열을 분석해 개인 데이터, 민감한 개인 데이터, 가명 처리된 데이터 가운데 어느 범주에 해당하는지 판단하고 적절한 개인정보보호 규정 태그를 부여한다. 이 태그는 세이지메이커 유니파이드 스튜디오의 거버넌스 등록부에 직접 게시되어, 규정 준수팀이 별도의 수작업 검토 주기를 거치지 않고 분류 결과를 확인할 수 있다. 시스템은 여러 에이전트를 강하게 결합한 그래프가 아니라, 스키마 매핑과 데이터 형식 추론, 품질 검증, 거버넌스 적용, 민감 데이터 분류 등의 기능을 모듈형 스킬로 가진 단일 에이전트 구조를 사용한다. 에이전트는 요구사항에 맞는 스킬을 선택하고 여러 단계로 처리하며, 첫 단계에서 데이터 정제를 통한 토큰 관리를 수행하고 다음 단계에서 도구 출력을 요약한 뒤 마지막 단계에서 전체 평가를 종합한다. 새로운 기능은 핵심 에이전트 반복 구조를 바꾸지 않고 스킬 모듈로 추가할 수 있으며, 이 구조를 통해 전체 온보딩 작업의 95%가 에이전트에 의해 자율 처리된다.

6. 스키마 변화의 자동 탐지와 수정 제안

신규 데이터 소스를 빠르게 추가하더라도 외부 제공자가 기존 데이터 구조를 계속 변경하면 운영 중인 파이프라인의 안정성을 유지하기 어렵다. 데이터 가속기는 온보딩에 사용한 에이전트 구조를 확장해 열 이름 변경이나 신규 필드 생성과 같은 상위 데이터 소스의 스키마 변화를 지속적으로 감시한다. AWS 람다와 아마존 이벤트브리지를 이용한 이벤트 기반 트리거가 변경을 감지하면, 에이전트는 영향을 받는 파이프라인과 변경된 필드를 사용하는 하위 소비자를 식별한다. 이어서 관련된 모든 저장소에 필요한 코드 수정안을 생성하고, 변경 내용과 영향 범위 및 연결된 풀 리퀘스트를 포함하는 지라 티켓을 만든다. 엔지니어는 무엇이 바뀌었고 어디에 영향을 주며 어떤 수정이 제안됐는지를 알림으로 받은 뒤 검토할 수 있어, 과거 수일이 필요했던 전체 해결 과정이 수 시간으로 단축됐다.

7. 선언형 거버넌스와 통합 데이터 접근

데이터 가속기 이전에는 데이터 엔지니어, 데이터 과학자, 분석가가 서로 다른 계정과 도구에서 작업해 같은 Customer 360 데이터를 사용하더라도 문맥과 작업 환경을 공유하기 어려웠다. 세이지메이커 유니파이드 스튜디오는 중앙 거버넌스 계정이 여러 데이터 생산팀의 검색과 접근을 중개하는 데이터 메시 체계의 기반으로 사용됐다. 핵심은 거버넌스를 콘솔에서 수동 설정하는 대신 선언형 구성으로 코드화해, 하나의 데이터 소스 정의만으로 카탈로그 게시와 소비자 구독에 필요한 접근 제어를 함께 제공하는 것이다. 이 구조에서는 보안 제약이 체계 자체에 포함되므로 에이전트가 저장소에서 카탈로그와 통제된 접근까지 신규 데이터 제품을 연결할 수 있고, 사람이 매번 IAM 정책이나 AWS 레이크 포메이션 권한을 검토할 필요가 없다. 데이터 과학자는 데이터의 실제 위치나 파이프라인 소유자, S3 접두어를 알지 못해도 문서화되고 통제된 데이터 세트를 찾아 공통 노트북과 도구로 즉시 모델링을 시작할 수 있다.

8. 데이터 계보와 근본 원인 분석을 결합한 관측성

관측성 계층은 아마존 S3의 원시 수집 단계부터 처리 계층과 아마존 레드시프트의 DBT 단계까지 이어지는 데이터 계보를 상태별 색상으로 표시한 하나의 대화형 그래프로 제공한다. 사용자는 그래프의 노드를 선택해 개별 데이터 소스와 테이블의 성공·실패 상태, 마지막 실행 시각, 실행 시간을 확인할 수 있으며, 파이프라인이 실패하면 중단 지점과 영향을 받는 하위 데이터를 함께 볼 수 있다. 근본 원인 분석 도구는 데이터 환경의 시스템 로그를 읽고 여러 영역에 걸친 실패 지점을 식별해 무엇이 실패했는지를 알려준다. F1은 여기에 JSON으로 코드화한 비즈니스 문맥과 시스템 구조를 전달하는 컨텍스트 그래프를 결합해, 단순 오류 신호를 플랫폼의 관계와 함께 해석하도록 구성했다. 다만 제공된 원문은 S3에서 파일이 누락된 사례를 제시하는 도중 끝나므로, 해당 사례에서 컨텍스트 그래프가 최종적으로 도출한 원인이나 후속 조치의 세부 내용은 확인할 수 없다.

🧾 핵심 주장 / 시사점

온보딩 단축은 생성형 코드 작성만으로 달성된 것이 아니라 표준 저장소, 연결된 티켓, 단계별 풀 리퀘스트, 인간 승인 절차를 하나의 반복 가능한 운영 흐름으로 묶은 결과다.
개인정보 분류와 접근 통제를 선언형 구성에 포함함으로써 거버넌스가 자동화 이후의 별도 검토 단계가 아니라 데이터 제품 생성 과정 자체의 구성 요소가 됐다.
통합 관측성의 변화는 경고를 한곳에 모으는 수준을 넘어, 장애 지점과 하위 영향 범위, 데이터 계보, 비즈니스 문맥을 함께 추적할 수 있게 했다는 데 의미가 있다.