버라이즌 커넥트, 차량 120만 대 데이터에 에이전틱 AI 적용해 일 10만 명 서비스

AWS 머신러닝 블로그가 글로벌 차량 관리(Fleet) 솔루션 기업 버라이즌 커넥트(Verizon Connect)가 자사 Reveal 플랫폼에 에이전틱 AI를 적용해 하루 10만 명 사용자에게 인사이트를 제공하는 사례를 공개했다. 활성 차량 구독 120만 대 이상이 매일 5억 건의 데이터 포인트를 8만 개 고유 지표로 쏟아내는 환경이 출발점이다.

플리트 매니저들은 단편적인 종이 로그와 사후 대응성 스프레드시트에서 이상치를 사냥해야 했고, 데이터 양이 워낙 많아 안전 이슈·정비 수요·운영 비효율을 비용 사고로 번지기 전에 식별하기가 사실상 불가능했다는 게 AWS가 설명한 도입 배경이다. 또 다른 정적 대시보드나 규칙 기반 자동화 대신, 새로운 패턴을 동적으로 조사하고 후속 질문을 던지며 결과에 따라 분석을 적응시키는 에이전틱 AI가 답으로 선택됐다.

일일 트리거가 분석 계층의 이상 탐지 모듈을 켜면 원본 데이터 저장소에서 정형 데이터를 끌어와 특정 이상치를 전용 테이블에 기록한다. 이후 매니저가 AI 에이전트를 깨우고, 여러 에이전트가 고객·데이터 세그먼트별로 병렬 실행되며 'Reveal' 앱으로 최종 인사이트가 전달되는 흐름이다.

AWS는 LLM에게 대규모 원시 표 데이터에서 숫자 분석을 시키는 것이 흔한 함정이라고 짚으며, 통계 기반 서버리스 이상 탐지 모델을 AWS Step Functions와 AWS Lambda로 별도 구축했다고 설명했다. 이 모델이 '무엇이 이상한가'를 먼저 식별해주면, AI 에이전트는 '왜 발생했고 어떻게 다룰지'에 집중하는 분업 구조다.

에이전트 구현체로는 오픈소스 SDK Strands Agents가 채택돼 서버리스 AWS Lambda 환경에서 동작한다. 무상태로 설계돼 분석마다 컨텍스트를 새로 가져오며, Amazon S3에서 사전 계산된 이상치를, Amazon Aurora에서 원시 데이터를, Amazon DynamoDB에서 과거 인사이트와 작업 상태를 조회한 뒤 최종 인사이트를 다시 S3에 기록한다.

인사이트 생성은 두 단계로 나뉜다. 1단계에서는 플리트 전반의 이상치를 받아 동일 원인·시간 상관관계·범주 유사성 같은 축으로 군집화하는 결정을 LLM이 직접 내린다. 군집 후보에는 심각도·반복성·플리트 전체 영향·실행 가능성에 따른 관련성 점수가 매겨지고, 상위 4건의 인사이트가 다음 단계로 넘어간다.

2단계에서는 요약 인사이트마다 별도의 에이전트 인스턴스가 생성돼 데이터 조회 도구를 자율적으로 호출한다. 어떤 도구를 어떤 순서로 몇 번 부를지는 에이전트가 스스로 결정하며, 데이터로 뒷받침된 인사이트가 확보될 때까지 반복한다.

AWS는 코드 기반 접근이 미리 프로그래밍된 패턴만 잡고 사전에 정의된 단계만 밟는다는 두 가지 본질적 한계를 짚었다. 반면 에이전트는 사전에 예상하지 않은 엣지 케이스나 상관관계, 예컨대 특정 시간대에 집중되는 급제동 사건이나 어떤 시점 이후 차량 행동이 달라지는 패턴까지 발견해 실시간으로 조사 전략을 바꿀 수 있다는 게 차별점으로 제시됐다.