AWS 기술 블로그

IMS Mobility의 Amazon Connect를 활용한 AI Agent 기반 콜센터 (AICC) 구현 여정

IMS 모빌리티는 렌터카, 탁송, 보험, 차량 관리 등 여러 영역으로 파편화된 모빌리티 시장을 하나의 클라우드 시스템으로 통합하는 토탈 모빌리티 솔루션 기업입니다. 분산된 시장이 초래하는 데이터 단절과 운영 비효율성의 문제를 기술의 힘으로 해결하고, 차량 구매부터 이용, 관리 그리고 판매까지 필요한 모든 솔루션을 유기적으로 연결하는 모빌리티 생태계를 구축하는 것을 목표로 합니다.

IMS 모빌리티는 탁송 (고객의 차량을 대신 운전하여 원하는 장소로 운송해주는 서비스) 사업을 운영하며, 차량 운송을 위한 기사 배정 및 고객과의 커뮤니케이션을 위하여 오랜 기간 콜센터를 운영해왔습니다. 그러나 기존 콜센터 운영에 높은 운영 비용이 따랐던 데다 한정된 인력으로 모든 업무를 대응하는 데에 한계를 느껴, 최근 이를 해결하기 위해 Amazon Connect와 Amazon Bedrock을 중심으로 AI 컨택센터 (AICC)로의 전환을 마쳤습니다. 이 블로그에서는 IMS 모빌리티가 2가지의 반복적인 콜센터 시나리오를 자동화한 여정부터, 자세한 시스템 아키텍처, 그리고 도입을 통해 얻을 수 있었던 효과를 상세히 공유합니다.

AICC 도입 전, IMS 콜센터의 모습

IMS 모빌리티는 탁송 사업을 운영하며 고객이 차량을 인도받기 전까지 최고의 경험을 제공하는 것을 목표로 삼고 있습니다. 이를 위해 탁송을 요청한 고객과 운전 기사님 간 커뮤니케이션을 문제없이 제공하는 것은 물론, 기사님들이 업무를 숙지하여 일관된 서비스를 제공하도록 돕고 있습니다. 운영팀은 기사님들과의 소통을 위해 모바일 앱을 통한 매칭 서비스와 챗봇/이메일을 통한 QnA 창구를 마련했으나, 대부분의 운전 기사님들의 연령대가 높아 디지털 채널보다 전화 통화를 선호하는 경향이 강하여 콜센터 운영은 피할 수 없는 선택이었습니다. 최근 사업이 성장하면서 기사님들의 전화 문의량도 전년(24년 11월 기준) 대비 40% 급증했고, 이는 상담 인력 확충이라는 부담으로 이어졌습니다. 하지만 단순히 인력을 늘리는 것은 비용 부담만 가중시킬 뿐 근본적인 운영 효율 개선으로 이어지지 않는다고 판단했습니다. 이와 같은 인력 의존적인 구조에서 벗어나기 위해 아래의 2가지 시나리오에 대해서 Amazon Connect 및 Amazon Bedrock을 통한 AI 기반 콜센터로의 전환을 실험적으로 시작해보게 되었습니다.

2개의 도전 과제

IMS Mobility가 해결하고자 했던 첫 번째 도전 과제는, 인바운드 콜 기반의 기사 배정 시스템이었습니다. 콜센터 업무를 가중시키는 주요 원인 중 하나는, 기사님들이 좋은 탁송 건을 먼저 확보하기 위해 원하는 업무를 선점한 뒤 빠른 배차 확정을 위해 운영팀에 직접 전화를 하는 관행에서 비롯되었습니다. 전화를 받은 운영팀은 기사님의 과거 업무 이력을 시스템에서 일일이 조회하고, 첫 업무일 경우 절차를 구두로 안내한 후 수동으로 배차를 확정해야 했습니다. 사업이 성장하면서 이러한 단순 반복 업무의 양이 계속 증가했기에 운영팀이 더 복잡하고 중요한 문제 해결에 집중할 수 있도록 기사 배정 프로세스를 자동화하는 것을 첫 번째 목표로 삼았습니다. 이는 이후 솔루션 1: 인바운드 콜 기반 기사 배정 시스템 아키텍처 및 구현 상세 섹션에서 이어집니다.

두 번째 도전 과제는 아웃바운드 콜 기반의 탁송 신청 정보 확인 및 변경 시스템이었습니다. 탁송 사업을 운영하다 보면 당일 고객의 일정이나 위치 정보가 변경되기도 하며, 이 경우 이미 배정된 기사님과 일정 및 금액을 재협의해야 하는 복잡한 문제가 자주 발생합니다 (실제로 일 평균 약 30%의 고객이 당일 정보 변경을 요청합니다). 특히 약속 시간이 얼마 남지 않은 상황에서 고객이 일정을 변경할 경우 고객은 변경 수수료를 지불하면서도 새로운 기사님 섭외가 되지 않아 배송이 지연되는 문제가 발생합니다. 이러한 문제를 사전에 방지하기 위해 IMS 운영팀은 차량 출발 전날 고객에게 직접 전화를 걸어 변동 사항을 확인하는 절차를 진행해왔습니다. 그러나 사업이 성장하며 이러한 프로세스의 운영적 비효율성이 두드러졌고, 이에 IMS 개발팀은 AI Agent 기반의 AICC를 구현함으로써 AI Agent가 고객에게 직접 확인 전화를 걸어 일정 변경 사항을 확인, 필요 시 고객 일정 정보를 업데이트하는 과정 전반을 자동화할 것을 두 번째 도전 과제로 삼았습니다. 이는 이후 솔루션 2: 아웃바운드 콜 처리 아키텍처 및 구현 상세 섹션에서 이어집니다.

솔루션 1: 인바운드 콜 기반 기사 배정 시스템 아키텍처 및 구현 상세

첫 번째 시나리오인 인바운드 기사 자동 배정은 아래 아키텍처와 같이 Amazon Connect와 AWS Lambda를 중심으로 구현할 수 있었습니다. Amazon Connect를 통해 전화가 인입되면, Lambda 함수를 호출하여 발신자 번호를 통해 기사님을 식별하고, 요청된 건이 배차 확정이 가능한지를 EC2 서버에 요청을 보내 조회함으로써 배정 가능한 업무 정보를 실시간으로 조회하는 과정을 거칩니다.

Figure 1. 인바운드 기사 배정 솔루션 아키텍처

더 자세히 살펴볼까요? [Figure 2]는 이를 구현한 Amazon Connect의 Flow Designer 화면입니다. Flow Designer는 아래와 같이 드래그-앤-드롭 UI를 통해 프롬프트 재생부터 AWS Lambda 함수 호출까지 내가 원하는 IVR 흐름을 손쉽게 설계할 수 있도록 합니다.

Figure 2. 인바운드 기사 배정 솔루션의 Amazon Connect Flows

기사님의 전화가 인입되면, IVR 안내 멘트가 재생되는 동안 비동기적으로 Lambda 함수를 호출하여 발신자 번호로 기사 정보를 식별합니다. 이후 EC2 서버에서 배정 가능한 업무 정보를 실시간으로 조회합니다. 이후 조회된 정보는 다시 IVR 음성을 통해 기사님에게 안내되며, 기사님은 ARS 메뉴에 따라 키패드로 1번 (업무를 수락) 혹은 2번 (상담사 직접 연결)을 눌러 다음 단계를 선택할 수 있습니다. 업무 수락 시, 또 다른 Lambda 함수가 호출되어 EC2 서버에 배정을 확정하고 “배정이 완료되었습니다”라는 음성 안내와 함께 통화는 자동으로 종료됩니다. 만약 2번을 눌러 상담사 연결을 선택할 경우 IMS 고객 센터로 통화가 착신 전환됩니다.

디지털 콜센터의 경우 필요한 로직을 뒷단에서 알맞게 처리하면서도 고객에게 빠르게 응답하도록 구성하는 것이 중요하기에, IMS 개발팀은 여러 번의 테스트를 통해 몇 초의 제한시간을 두는 게 고객 경험에 있어 적합한지 검토하는 과정을 거쳤습니다. 이에 통화를 시작할 때 기사님 정보를 가져오고 연락처 속성을 확인하는 초기 로직은 3초 간의 안내 멘트 재생을 포함해 최대 5초 안에 응답을 받아 처리하도록 했으며 (대기 2초 이내에 응답 시 다음 단계로 진행), Lambda로부터 받은 응답 값에 따라 다음 프로세스가 진행되도록 설계했습니다. 아래 [Figure 3]와 같이 Flow Designer에서 제공하는 손쉬운 UI를 통해 각 노드 별 몇 초의 제한시간을 둘 지, 언제 어떤 이벤트가 발생했을 때 Lambda 로직을 수행할 것인지와 같은 구성을 상세히 설정할 수 있었습니다.

Figure 3. Amazon Connect Flows의 UI

이렇게 첫 인바운드 솔루션을 성공적으로 구축하고 기사님들이 안정적으로 서비스를 이용하는 것을 확인하며, Amazon Connect를 통한 디지털 콜센터 운영에 대한 확신을 갖게 되었습니다. 이에 더 복잡한 시나리오에 도전하기로 했고, AI Agent를 활용한 아웃바운드 자동화 구축에 나섰습니다. 해당 시나리오는 바로 아래 섹션에서 이어집니다.

솔루션 2: 아웃바운드 콜 처리 아키텍처 및 구현 상세

두 번째 시나리오인 아웃바운드 콜을 통해 고객의 탁송 일정 변경을 확인하는 시스템은 아래 [Figure 4]의 아키텍처와 같이 Amazon Bedrock, Amazon Lex 등의 AI 서비스와 AWS Step Functions, Amazon SQS와 같은 서버리스 서비스로 구성했습니다.

아래 예시 음성을 통해 시나리오를 더욱 쉽게 이해할 수 있습니다.

Figure 4. 아웃바운드 콜 처리 솔루션 아키텍처

아웃바운드 콜 자동화는 Amazon S3 버킷에 통화 대상자 목록이 담긴 엑셀 파일을 업로드하면서 시작됩니다. 파일이 업로드되면 AWS Lambda를 실행하여 데이터를 Amazon DynamoDB에 저장하고, 곧바로 AWS Step Functions 워크플로를 실행시킵니다.

아웃바운드 시나리오의 경우, 엑셀 파일에 있는 대상자들에게 통화 요청을 하고, 통화 연결이 될 때까지 기다렸다가, 연결이 되지 않을 경우 최대 3회까지 재시도하고 문자를 전송하는 등의 복잡한 비즈니스 로직을 구현해야 했습니다. 이를 해결하기 위해 AWS Step Functions를 활용해 여러 AWS 서비스를 통합하는 비즈니스 워크플로를 설계했습니다. Step Functions가 호출하는 Lambda 함수에서는 SDK를 통해 Amazon Connect, Amazon Lex, Amazon Bedrock Agent를 호출하여 고객이 전화로 요청한 내용을 AI가 분석하여 DynamoDB 테이블에 업데이트하는 과정을 거칩니다. 이 Step Functions 워크플로에서 수행하는 비즈니스 로직은 [Figure 5]에 더 자세히 나와있습니다.

Figure 5. Step Functions 상태머신 로직

실행된 Step Functions는 다음과 같은 단계로 진행됩니다.

  1. Map state: 아래 2번부터 6번까지의 로직을 동시에 병렬로 실행하기 위해 Step Functions의Map state를 활용합니다. Map state의 MaxConcurrency (최대 동시성)을 100으로 설정하여 한 번의 실행으로 여러 통화 요청을 병렬 처리할 수 있도록 합니다. (이 요청은 원활한 동시성 관리를 위해 Amazon SQS Queue로 전달됩니다)
  2. ‘아웃바운드 콜 실행’ Lambda 함수: 해당 Lambda 함수는 내부에서 Amazon Connect, Lex, SQS 큐와 상호작용하며 아래와 같은 역할을 수행합니다.
    • Amazon Connect의 API 호출량을 안정적으로 제어하며 순차적으로 통화를 요청하기 위해 Lambda 함수에서 SQS Queue 의 작업을 제어하는 로직을 수행합니다. (통화 요청 후, Step Functions의 콜백 대기 기능을 활용해 태스크 토큰을 받고 해당 state의 실행을 일시중지 시킵니다. 이 상태는 최대 10분간 콜백을 대기합니다.)
    • 통화가 연결되면, 고객님에게 탁송 정보를 변경할 것인지 여부를 질문합니다. 고객님은 ‘변경’ 또는 ‘없음’이라고 답변할 수 있으며, 고객님이 ‘변경’이라고 응답한 경우 Amazon Lex에 등록되어 있는 의도가 트리거되어 Lex에 정의되어 있는 통화 시나리오가 수행됩니다.
    • Lex가 내장된 STT 기능을 통해 고객의 음성을 FreeFormInput 형태의 텍스트로 변환하고 이를 Amazon Bedrock Agent에 전달합니다. Bedrock Agent는 LLM 모델을 통해 고객의 요청사항이 무엇인지 파악하고, 요청이 탁송 일정/주소 변경 건인 경우 액션 그룹을 통해 요청을 처리합니다. Bedrock Agent가 DynamoDB 테이블을 업데이트할 수 있도록 액션 그룹을 연결해두었기 때문에, 고객의 일정/주소 변경 요청사항을 DB 테이블에 업데이트합니다.
    • 통화가 종료되고 Bedrock Agent 로직까지 모두 수행되면, Amazon Connect 흐름에서 Step Functions로 작업이 완료되었음을 알리기 위해 SendTaskSuccess API를 호출, a에서 발급 받은 태스크 토큰을 함께 전달해줍니다. 이를 통해 고객과의 통화가 끝나면 일시중지시켰던 Step Functions의 실행을 재개하도록 합니다.
  3. ‘통화 시작했는지 확인’ Choice state: 첫 통화 연결 시도 후 통화 기록 (Contact Trace Record)이 전달되면 해당 state에서 고객과의 통화 연결 여부를 확인합니다. 만약 고객이 전화를 받아 통화가 연결되었다면 아래 4-5번으로, 연결되지 않았다면 6번으로 넘어갑니다.
  4. ‘아웃바운드 콜 3회 이상 확인’ Choice state: 첫 통화가 연결되지 않으면 15분 대기 후 총 3회까지 통화 요청을 재시도합니다.
  5. DynamoDB GetItem API 호출 state: 통화가 완료되면 DynamoDB에 업데이트한 탁송 정보 데이터를 가져옵니다. 추후 엑셀로 변환하기 위해 각 통화 별 데이터를 뽑아옵니다.
  6. ‘문자 보내기’ Lambda 함수: 만약 통화 연결이 되지 않은 경우 고객에게 안내 문자를 보내는 Lambda 함수를 실행합니다.
  7. ‘엑셀 파일 만들어 슬랙으로 전송’ Lambda 함수: 100회의 동시 요청이 모두 완료되었다면, 해당 state로 넘어가 각 통화 연결에 대한 정보를 Lambda 함수가 엑셀 파일에 저장하고 슬랙으로 결과를 전송하며 상태머신이 종료됩니다.

이와 같이 Amazon Connect는 SDK를 제공하고 있어 타 AWS 서비스와의 통합 및 비즈니스 로직 구현이 유연하고, 기본으로 Amazon Lex, Amazon Bedrock Agent와의 통합을 제공하고 있어 Speech-to-Text 및 LLM을 활용한 자연스러운 응답 생성까지의 과정을 통합 처리할 수 있는 장점이 있습니다. 그 결과, 복잡해서 자동화가 불가능할 것으로 예상했던 아웃바운드 탁송 일정 변경 시나리오도 AWS 환경에서 성공적으로 자동화하며 AICC 전환에 크게 기여했습니다.

Amazon Connect와 Amazon Lex, Bedrock Agent를 결합하여 AI 컨택센터를 구축하는 방법에 대해 더 자세히 알아가고 싶으신 분은 다음 워크샵을 참고해보세요.

Amazon Connect 도입 후 개선 효과

AICC로의 전환은 인바운드와 아웃바운드 양쪽에서 측정 가능한 성과를 가져왔습니다.

1.  운영 효율성 극대화 및 비용 절감

운영팀은 아웃바운드 업무에서 1인당 하루 최대 2시간 30분, 인바운드 업무에서 일 평균 54분의 통화 시간을 절약할 수 있었습니다. 인바운드 기사 배정 솔루션을 통해 기사님들의 단순 문의 건들이 IVR 단계에서 자동 해결되면서 운영팀으로 인입되는 전체 콜 수가 40% 가량 감소하였고, 아웃바운드 고객 일정 확인 솔루션을 통해서는 매일 처리되는 전체 탁송 건의 70%에서 80%가 운영팀의 개입 없이 AI Agent를 통해 자동으로 배정되고 있습니다. 이러한 자동화 덕분에 팀의 업무 집중도가 크게 향상되었습니다.

2. AI 기반 업무 처리 성과

AI Agent를 통한 아웃바운드 콜 자동화는 IMS 팀에게도 새로운 도전이었습니다. 초반에 Amazon Bedrock Agent를 사용하며 AI가 고객의 요청을 이해하고 실제 시스템과 상호작용할 수 있다는 것을 확인한 후, 아웃바운드 콜 시나리오를 AI Agent로 실험적으로 대체하여 AICC 전환 시 성공률과 성능을 검증하고자 했습니다. 그리고 약 3개월 간 해당 시나리오로 AICC를 운영해본 결과, AI의 처리 성능에 만족하여 다른 시나리오로의 확장을 고려하고 있습니다. Amazon Bedrock Agent는 고객이 탁송 시간을 변경하는 경우 요청을 98%의 높은 정확도로 처리하고 있으며, 고객이 복잡한 주소 변경을 요청한 경우에도 약 65%의 성공률을 보였습니다. 현재 070 번호로 운영 중인 아웃바운드 콜의 고객 연결 성공률도 60%에 달하여 이미 운영팀의 부담을 많이 덜어주고 있으며, 이 수치는 향후 대표번호로 변경 시 더욱 높아질 것으로 기대하고 있습니다.

IMS 모빌리티 팀이 Amazon Connect를 선택한 이유

1. 확장성이 뛰어난 통합 컨택센터 플랫폼

Amazon Connect는 다른 AWS 서비스와의 통합이 매우 유연했는데, 이러한 점이 다양한 시나리오를 구현하고자 했던 IMS 팀에 큰 매력 포인트로 다가왔습니다. Amazon Bedrock에 새로운 버전의 모델이 추가될 때마다 복잡한 과정 없이 간단한 파라미터 변경만으로 최신 모델을 즉시 테스트하고 시스템에 적용할 수 있다는 점은 미래 확장성 측면에서도 큰 도움이 될 것으로 판단했고, 필요에 따라 Amazon Lex, AWS Step Functions와 같은 다른 AWS의 서비스들을 자유롭게 연동하여 시스템을 고도화할 수 있다는 점도 큰 장점이었습니다.

2. 코딩 없이 빠른 프로토타입 구현이 가능한 직관적인 UI

Amazon Connect의 Flow Designer를 이용하면 코드를 짜지 않아도 직관적인 UI를 통해 블록을 연결하는 것만으로 전체적인 통화 흐름을 한눈에 파악하고 설계할 수 있습니다. 덕분에 코딩 지식이 없는 실무자도 직접 아이디어를 빠르게 프로토타입으로 구현할 수 있어 신속한 개발이 가능했으며, 실제로 구현된 플로우를 전화번호에 연결하기만 하면 바로 상용 서비스를 시작할 수 있을 정도로 간편했습니다. 이는 현업의 요구사항을 즉시 반영하고 수정할 수 있다는 점에서 큰 장점이었습니다.

3. AWS 연동을 통한 쉬운 도입 프로세스와 합리적인 비용 구조

Amazon Connect는 초기 인프라 구축 비용 없이 사용한 만큼만 지불하는 합리적인 종량제 요금 정책을 제공하여 비용 부담을 크게 줄여주었습니다. 특히 기존에 사용하던 AWS 결제 시스템에 요금이 추가되는 단순한 구조 덕분에, 복잡한 추가 계약이나 별도의 재무 검토 과정 없이 신속하게 서비스를 도입하고 테스트를 시작할 수 있었습니다.

향후 계획

IMS 모빌리티는 AICC의 성공적인 도입 경험을 바탕으로, 다음과 같이 기술적 발전과 비즈니스 확장의 두 가지 방향으로 시스템을 더욱 고도화해 나갈 계획입니다.

기술적으로는 아래와 같은 작업을 통해 시스템을 발전시켜갈 예정입니다.

1. AI 주소 인식률 고도화

오프라인 탁송 접수 업무의 디지털 전환을 위해, AICC의 핵심 기술인 AI 주소 인식률을 90% 이상으로 끌어올릴 예정입니다. 이는 전국 각지에서 유선으로 접수되는 비정형적인 주소 데이터를 정확하게 인식하고 처리하는 기술적 기반이 될 것으로 기대하고 있습니다.

2. 아웃바운드 솔루션 아키텍처 개선

앞서 소개된 아웃바운드 탁송 일정 변경 솔루션은 빠른 개발 및 검증에 초점을 두고 구현되었습니다. 빠르게 검증을 완료한 현재는 앞으로의 운영 효율성과 확장성을 고려하여 더 단순하고 안정적인 구조로 개선하고자 합니다.

먼저 기존의 복잡한 AWS Step Functions 워크플로를 Amazon Connect Outbound Campaign으로 전환하는 것을 1차적인 목표로 잡고 있습니다. Amazon Connect Outbound Campaign은 단일 서비스 내에서 음성, SMS 등 다채널 캠페인을 손쉽게 설계하고, 예측 다이얼러와 머신러닝 기반의 최적화 기능을 기본으로 제공한다는 장점이 있습니다. 따라서 이 솔루션으로 변경 시, 복잡한 로직 관리에서 벗어나 운영 효율성을 크게 향상시킬 수 있으며, 워크플로 개발 및 유지보수에 투입되던 리소스 절감 효과와 함께 향후 대규모 캠페인까지 안정적으로 수행할 수 있는 확장성을 확보할 수 있을 것으로 기대합니다.

또한 AICC 비즈니스 확장에 있어서는 아래와 같은 목표를 잡고 있습니다.

1. 인바운드 프로세스 완전 자동화

현재 일부 업무에만 적용된 AICC 자동화 범위를 전체 인바운드 프로세스로 확대할 계획입니다. 이를 통해 사고 접수와 같이 상담원의 전문적인 판단이 필요한 특수 경우를 제외하고는, 상담원의 개입이 필요한 인바운드 콜 자체를 최소화하여 운영 효율을 극대화하는 것을 목표로 합니다.

2. 타 사업부로의 점진적 확장

이번 탁송 사업부 AICC 프로젝트의 성공 경험을 발판 삼아, 중고차 홈서비스 등 다른 사업부의 인바운드 및 아웃바운드 프로세스에도 AICC를 순차적으로 적용할 계획입니다. 이를 통해 전사적인 업무 효율성을 극대화하고 일관된 고객 경험을 제공하고자 합니다.

3. 오프라인 탁송 시장의 확장 및 통합

기술적으로 AI 주소 인식률 90% 이상을 달성한 후, 이를 기반으로 전국 각지에서 유선으로 처리되던 오프라인 탁송 접수 업무를 저희 디지털 플랫폼으로 통합하고 AICC를 통해 자동화할 예정입니다. 이는 오프라인 시장의 고객을 디지털 생태계로 유입시켜 새로운 사업 기회를 창출하는 핵심 전략이 될 것입니다.

마무리

지금까지 IMS 모빌리티가 Amazon Connect와 Amazon Bedrock을 중심으로 어떻게 AI 컨택센터를 구축하고, 이를 통해 파편화된 모빌리티 시장의 운영 비효율 문제를 해결했는지 소개해드렸습니다.

IMS 모빌리티는 앞으로도 생성형 AI와 같은 혁신 기술을 적극적으로 활용하여, 차량 구매부터 관리, 판매에 이르는 모든 과정을 유기적으로 연결하는 모빌리티 생태계를 구축해나갈 예정입니다. 이번 AICC 도입을 시작으로 더욱 고도화될 IMS 솔루션이 모빌리티 시장에 참여하는 모든 파트너와 고객의 경험을 혁신할 수 있기를 기대합니다.

해당 솔루션을 만드는 데 사용된 AWS 서비스들의 더 자세한 사용법 및 사용 사례가 궁금하신 분들은 아래의 자료를 참고해보세요.

Seungtae Park

박승태님은 IMS 모빌리티에서 모바일팀을 리드하고 있으며, 데이터 기반의 빠른 실행력으로 가설을 검증하며 팀원들과 함께 성과를 만들어가고 있습니다.

Seunghyeon An

안승현님은 IMS 모빌리티 모바일팀에서 안드로이드 앱 개발을 담당하고 있으며, 아이디어를 기술로 구현하여 사용자에게 실질적인 가치를 제공하기 위해 노력하고 있습니다.

Yoonseo Kim

Yoonseo Kim

김윤서 솔루션즈 아키텍트는 고객들의 비즈니스 문제를 AWS의 기술을 통해 해결하고 구현하는 데 도움을 드리고 있습니다.

Hajeong Ryoo

Hajeong Ryoo

류하정 클라우드 영업 담당자는 고객과 함께 문제를 깊이 이해하고, AWS 클라우드와 AI 솔루션으로 창의적인 해결방안을 모색합니다. 기술을 통한 비즈니스 가치 창출에 집중하여 고객의 성공을 함께 만들어갑니다.

Sukwon Lee

Sukwon Lee

이석원 솔루션즈 아키텍트는 고객들의 비즈니스 문제를 AWS의 기술을 통해 해결하고 구현하는데 도움을 드리고 있습니다.