AWS와 함께하는 웅진 AI Runner Challenge – 3부: Amazon Bedrock 기반의 렌탈 제품 추천 AI 에이전트

지난 2025년 7월 9일, AWS와 함께하는 ‘Gen AI Runner Challenge 2025’가 진행되었습니다. AI 기술이 고도화되면서, AI는 개인과 조직의 역량을 강화할 수 있는 열쇠가 되고 있습니다. 이번 AI Runner Challenge는 구성원의 상상력을 AI를 통해 직접 실현하는 자리이며, AI역량을 향상하고 실제 업무에 적용할 수 있는 기회였습니다. 본 게시글은 5부로 구성되어 있으며, 웅진의 AI Runner Challenge에 참가한 팀 중 우수사례로 선정된 5개 팀의 열정 가득했던 한달 간의AI 챌린지 여정과 결과물을 5편의 블로그 글로 소개합니다.

참가팀 소개

본 프로젝트는 렌탈 서비스를 운영하는 사업부에서 실무를 담당하는 네 명의 개발자가 모여 진행했습니다. “어떤 제품을 고객에게 제안해야 할까? 매번 반복되는 데이터 보고서를 자동화할 수는 없을까?” 하는 고민을 자주 했습니다. 이번 AI 챌린지를 계기로 현장에서 마주하는 비즈니스 과제를 AI로 직접 해결해보고, 그 과정과 결과를 공유하게 되었습니다.

프로젝트 배경

렌탈 서비스 운영에서 두 가지 핵심 문제를 발견했습니다. 첫째, 고객이 자신에게 맞는 렌탈 제품을 찾기 어렵다는 점입니다. 수십 가지 제품과 옵션이 존재하지만, 개인의 생활 패턴과 필요에 딱 맞는 추천을 받기 어려웠습니다.

둘째, 사내에서 데이터를 활용하기 어렵다는 조직 관점의 문제였습니다. 고객 데이터, 제품 정보, 계약 이력 등은 충분히 축적되어 있지만, 이를 실시간으로 조회하고 분석하여 업무에 활용하기에는 접근성이 떨어졌습니다.

두 문제 모두 정보는 존재하지만 접근성이 낮아 발생하는 공통점이 있었고, AI 에이전트로 이를 해결할 수 있다고 판단했습니다.

구분	문제 상황	발생하는 영향	해결 방안
고객 관점 “제품 선택의 어려움”	수십 개 제품을 일일이 비교해야 하는 복잡한 선택 과정	• 고객의 선택 피로도 증가 • 최적 제품 매칭 실패	고객 맞춤형 제품 추천 AI 에이전트
조직 관점 “데이터 활용의 한계”	데이터 추출 시 분석팀에 매번 요청 필요	• 의사결정 속도 저하 • 데이터 활용 빈도 제한	자연어 기반 데이터 추출 AI 에이전트

전체 아키텍처 개요

<Pic1: 렌탈 제품 추천 AI 에이전트>

본 시스템은 Amazon Bedrock을 핵심으로 데이터 분석과 제품 추천을 동시에 제공하는 에이전트로 설계되었습니다. 상담 데이터가 입력되면 Amazon S3에 저장되고 Amazon Bedrock Knowledge Bases와 연계되어 Claude 3.5 Haiku가 데이터를 분석하여 인사이트를 생성합니다. 이를 통해 관리자는 데이터 분석팀 요청 없이 데이터를 조회하고 신속하게 비즈니스를 판단할 수 있습니다.

또한 판매/상담 데이터는 TensorFlow 기반 학습 모델을 통해 고객 맞춤형 제품을 추천할 수 있고, 이는 최적 제품 매칭으로 구매 전환을 향상할 수 있습니다. 판매 데이터는 누적되며 벡터 데이터로 저장되어 지속적인 비즈니스 개선에 기여합니다. 이러한 선순환 구조를 통해 고객의 제품 상담 만족도는 자연스럽게 향상됩니다.

<Pic2: 제품 학습, 추천 로직>

고객 맞춤형 제품 추천 AI 에이전트

주요 기능

고객의 가족 구성, 예산, 선호도 등을 입력하면 유사한 프로필을 가진 고객들의 구매 패턴을 분석해 최적의 제품을 추천합니다.

기술 요소

1. 머신러닝 모델: 다중 분류(Multiclass Classification)

과거 구매 데이터를 활용해 고객 특성에 따른 제품 선택 패턴을 학습시켰습니다. 모델 학습에는 TensorFlow/Keras를 사용했으며, 데이터는 다음과 같이 구성했습니다.

<Pic3: 학습 데이터 구조>

고객 정보: 나이, 가족 구성원, 이전 구매자 만족도(별점), 가격대 등-
제품 정보: 제품명, 월 렌탈료, 용량, 할인율 등

2. 자연어 처리: Amazon Bedrock (Nova Pro)

사용자가 자연어로 입력한 질문을 머신러닝 모델이 이해할 수 있는 형태로 변환하는 역할을 합니다. Amazon Bedrock의 Nova Pro 파운데이션 모델을 활용해 다음과 같은 흐름으로 처리됩니다.

처리 흐름

사용자가 자연어로 질문 입력 (예: “4인 가족이 쓸 만한 식기세척기 추천해줘”)
Amazon Bedrock이 질문에서 핵심 키워드 추출 (가족 구성원: 4, 제품 카테고리: 식기세척기)
프롬프트를 통해 머신러닝 모델 입력 형식으로 변환
학습된 모델이 유사 고객의 구매 패턴 기반으로 제품 추천
추천 결과를 자연어로 사용자에게 전달

기술 스택

머신러닝: TensorFlow/Keras (다중 분류 모델)
LLM: Amazon Bedrock (Nova Pro)
데이터: 과거 고객 구매 이력 및 만족도 데이터

프롬프트 전략

고객의 자연어 질문을 머신러닝 모델 입력값으로 변환하기 위해 다음과 같은 프롬프트를 설계했습니다.

1) 변환 규칙 정의

자연어에서 [나이, 가족 수, 렌탈비용, 용량, 만족도, 할인율] 순서로 숫자 추출 하였습니다.
가족 구성원은 자연어 표현을 숫자 코드로 매핑 하였습니다.
- 1(싱글용) : 싱글, 혼자, 1인가구 등 1~2인으로 구성된 가구
- 2(4인가족용) : 가족, 4인가족 5인가족, 아이가 있음 등 3~5인정도의 평균 가족 구성원 수로 이루어진 가구
- 3(대가족용) : 할머니, 할아버지, 가족이 많음 5인가구, 5인 이상, 대가족 등 6인 이상의 대 가족으로 구성된 가구

2) 출력 형식 제어

Assistant 메시지를 사용해 불필요한 설명 없이 JSON 형식으로만 출력되도록 설정했습니다.

json// 출력 예시
{
  "output_data": [45, 7, 40, 14, 85, 7]
}

작동 방식

입력 예시:

“7명 정도가 사용할 제품을 추천해주세요. 나이는 45살이고 렌탈료는 4만원이 좋겠어요. 할인율은 7% 정도, 용량은 14인분이에요. 만족도가 85점 정도면 좋겠어요”

처리 과정:

Nova Pro가 자연어를 분석해 [45, 7, 40, 14, 85, 7] 벡터 생성
학습된 머신러닝 모델이 유사 고객 패턴 기반으로 최적 제품 추천
제품 정보와 이미지를 사용자에게 제공

자연어 기반 데이터 추출 AI 에이전트

주요 기능

사무직, 영업직에서 자연어로 질문하면 데이터를 조회하고 시각화할 수 있습니다.

자연어 → SQL 변환: Amazon Bedrock을 통해 사용자의 질문을 실행 가능한 SQL 쿼리로 변환
데이터 조회: 생성된 쿼리로 DB에서 결과 추출
자연어 응답: 조회 결과를 이해하기 쉬운 자연어로 변환
자동 시각화: 필요시 결과를 그래프로 자동 생성

기술 구성

<Pic4: 데이터 추출 및 응답 흐름도>

1. 자연어에서 SQL 변환

Amazon Bedrock Knowledge Base에 예시 질문-쿼리 쌍을 저장하고, Claude LLM이 DB 스키마 정보를 참고해 SQL을 생성합니다.

변환 예시:

질문: “정수기1을 산 사람의 연령대별 비중을 알려줘”

생성된 SQL:

SELECT 
  CAST(age / 10 AS INT) * 10 AS age_group,
  COUNT(*) * 100.0 / (SELECT COUNT(*) FROM customer WHERE prdtCd = '정수기1') AS percentage
FROM customer 
WHERE prdtCd = '정수기1'
GROUP BY age_group 
ORDER BY age_group

프롬프트 핵심 전략:

DB 스키마 정보를 프롬프트에 포함
SQLite 문법 준수 명시
필요한 컬럼만 조회하도록 제약
모호한 조건 처리 방법 정의 (예: “30대 중반” → 35)

2. 데이터 조회

생성된 SQL 쿼리를 SQLite DB에서 실행해 결과를 추출합니다. Knowledge Bases에는 컬럼의 논리명/물리명 정보를 저장해 LLM이 올바른 테이블과 컬럼을 참조하도록 합니다.

3. 자연어 응답 생성

조회 결과를 사용자 친화적인 자연어로 변환합니다. Knowledge Bases에 SQL-자연어 응답 샘플을 저장해 자연스러운 답변을 유도합니다.

{
    "sql": "SELECT ROUND(100.0 * COUNT(*) / (SELECT COUNT(*) FROM customer), 2) FROM customer WHERE prdtCd = '공기청정기'",
    "answer": "전체 고객 중 약 18%가 공기청정기를 사용하고 있어요."
  },

4. 자동 시각화

질문에 “비율”, “비중”, “통계”, “그래프” 등의 키워드가 포함되거나 사용자가 요청하면 Matplotlib을 사용해 결과를 자동으로 그래프로 생성합니다.

기술 스택

LLM: Amazon Bedrock (Claude)
벡터 DB: Amazon Bedrock Knowledge Base
데이터베이스: SQLite
시각화: Matplotlib

<Pic5: 에이전트 답변 화면 예시>

기대 효과

고객 맞춤형 제품 추천 AI 에이전트

고객은 복잡한 제품 비교 과정 없이 맞춤 추천을 받아 선택 피로도가 감소하며, 더 나은 구매 경험을 얻게 됩니다. 최적 제품 매칭을 통해 구매 전환율이 향상되어 매출 증대 효과를 기대할 수 있습니다. 또한 상담 자동화로 고객 응대 리소스가 절감되어 상담사는 더 복잡한 문의에 집중할 수 있습니다.

자연어 기반 데이터 추출 AI 에이전트

관리자는 데이터 분석팀의 지원 없이도 자연어로 질문하여 실시간 데이터를 즉시 조회할 수 있어 업무 효율이 크게 향상됩니다. 즉각적인 데이터 접근을 통해 의사결정 속도가 가속화되며, 비즈니스 기회를 놓치지 않고 신속하게 대응할 수 있습니다. 반복적인 데이터 추출 요청이 줄어들어 개발 리소스가 절감되고, 개발팀은 더 가치 있는 업무에 집중할 수 있습니다.

결론

이번 AWS 생성형 AI 챌린지를 통해 기존의 추천 시스템의 개발이 아닌, Amazon Bedrock Nova Pro와 머신러닝을 통해, 렌탈 서비스 업계의 고질적인 문제를 근본적으로 해결할 수 있는 혁신적 솔루션을 구현했습니다. 생성형 AI는 단순히 효율성을 높이는 도구가 아니라, 고객과 기업 사이의 진정한 소통을 가능하게 하는 촉매제가 될 수 있음을 확인했습니다.

앞으로도 계속해서 고객의 목소리에 귀 기울이며, 기술과 인간의 따뜻함이 조화를 이루는 더 나은 서비스를 만들어가겠습니다. 우리의 혁신이 렌탈 서비스 업계뿐만 아니라, 모든 고객 접점에서 더 나은 경험을 만들어가는 촉매가 되기를 기대합니다

AWS 기술 블로그

AWS와 함께하는 웅진 AI Runner Challenge – 3부: Amazon Bedrock 기반의 렌탈 제품 추천 AI 에이전트

참가팀 소개

프로젝트 배경

전체 아키텍처 개요

고객 맞춤형 제품 추천 AI 에이전트

주요 기능

기술 요소

1. 머신러닝 모델: 다중 분류(Multiclass Classification)

2. 자연어 처리: Amazon Bedrock (Nova Pro)

처리 흐름

기술 스택

프롬프트 전략

작동 방식

자연어 기반 데이터 추출 AI 에이전트

주요 기능

기술 구성

1. 자연어에서 SQL 변환

2. 데이터 조회

3. 자연어 응답 생성

4. 자동 시각화

기술 스택

기대 효과

고객 맞춤형 제품 추천 AI 에이전트

자연어 기반 데이터 추출 AI 에이전트

결론

시리즈 바로 가기

주요 링크 모음

팔로우하기

알아보기

리소스

개발자

도움말