AWS, Amazon Quick에 자연어→SQL 'Dataset Q&A' 도입… 정확도 약 48% ↑·실패 거의 0·응답 2~3분→약 10초로 단축, 내부 TARA에 적용

AWS는 비즈니스 인텔리전스(BI) 도구 Amazon Quick의 새 기능 'Dataset Q&A'를 활용해 내부 분석 어시스턴트 'TARA(Technical Analysis Research Agent)'를 고도화한 사례를 공개했다. TARA는 자연어로 데이터셋·라이브 시스템 API·전문 리서치 에이전트를 탐색하는 통합 대화형 인터페이스로, AWS 내부용으로 만들어졌지만 Dataset Q&A 자체는 Quick 고객도 사용할 수 있다.

AWS는 운영 대시보드가 "팀이 매일 실행 기준으로 삼는 공유된 진실의 원천"이지만 미리 알려진 질문에만 답하도록 만들어져 있어, 즉석·다차원·예상치 못한 질문이 들어오면 BI팀이 새 뷰를 만들거나 보고서를 업데이트할 때까지 수 시간에서 수 일을 기다리는 병목이 생긴다고 설명했다. Dataset Q&A는 새 대시보드 구축이나 대기 없이 자연어로 질문해 기존 데이터셋과 대화하듯 답을 얻도록 그 격차를 메우는 기능이다.

TARA를 만든 Specialist Data Lens(SDL)팀은 AWS Technical Field Communities(TFC) 프로그램의 분석 수요에 대응한다. TFC는 수십 개의 전문 기술 도메인에 걸쳐 매년 수십만 건의 고객 인게이지먼트를 지원하는데, 규모가 커지면서 정적 대시보드만으로는 정교한 다차원 질의를 감당하기 어려웠고 리더의 질문이 BI 엔지니어의 작업을 끊는 핸드오프 비용이 커졌다고 AWS는 짚었다.

또한 개인식별정보(PII)가 포함된 정성적 정보는 안전하게 노출하기 어려워 데이터가 "고정된 시각화 뒤에 갇혀 있던" 점이 정량 지표와 현장 맥락을 연결하는 데 걸림돌이었다고 AWS는 덧붙였다. TARA는 MCP를 사용해 구조화 데이터셋과 외부 시스템·도메인별 리서치 에이전트를 안전하게 연결해 정량 지표를 현장에서 일어나는 일과 묶어 주면서 민감한 PII는 보호하도록 설계됐다.

Dataset Q&A의 핵심은 자연어를 쿼리 시점(query time)에 SQL로 변환하되, 기존에 별도 'Topic'으로 분리해 유지하던 의미 정의를 데이터셋 자체에 내장해 그라운딩한다는 점이다. 필드 설명, 동의어, 데이터셋 지침 같은 비즈니스 의미를 한 번만 정의하면 어디서나 재사용되며, Topic 기반 모델이 다루지 못하던 복잡한 다차원 분석도 사용자 의도를 동적으로 해석해 관련 데이터셋을 식별하고 SQL을 생성한다고 AWS는 설명했다.

SDL팀은 2026년 1분기에 Dataset Q&A의 얼리 어답터가 됐다. AWS는 TARA의 답변을 수동 검증된 SQL 쿼리·애널리스트 리뷰 결과와 비교하는 구조화된 그라운드 트루스 테스트를 진행했고, 쿼리 정확도가 그라운드 트루스 벤치마크에서 약 48% 개선됐다고 밝혔다.

안정성 측면에서는 이전에 실패하던 복잡한 분석 질의가 정상적으로 실행되기 시작해 쿼리 실패가 거의 0에 수렴했고, 응답 시간은 약 2~3분에서 약 10초 수준으로 90% 이상 단축됐다. AWS는 이러한 개선이 "TARA를 도움이 되는 보고 어시스턴트에서 AWS 프로그램 리더를 위한 신뢰할 수 있는 의사결정 지원 도구로 변모시켰다"고 평가했다.

AWS는 자체 환경에서 Dataset Q&A를 구현하려면 AWS 계정, 최소 1명의 Enterprise 사용자와 Professional 사용자를 갖춘 Amazon Quick Enterprise Edition, 그리고 데이터셋·채팅 인터페이스 등 Amazon Quick Sight 개념에 대한 이해가 필요하다고 안내했다.

아키텍처는 Amazon Quick 위에 구축돼 구조화 분석, 운영 시스템, 기관 지식을 하나의 대화형 인터페이스로 통합한다. 사용자 진입점이자 요청 오케스트레이션 허브 역할을 하는 'Amazon Quick Chat Agent'를 중심으로 AWS 리더들이 큐레이팅된 비즈니스 데이터셋, 라이브 시스템 API, 전문 리서치 에이전트에 도구를 바꿔 가며 접근할 필요 없이 자연어로 닿을 수 있도록 구성됐다.