Agentic AI를 활용한 대화형 대기오염 예측 애플리케이션 구축

프로젝트 개요

본 프로젝트는 EHRNC가 개발한 CMAQ 대리 모델을 기반으로, Amazon Bedrock Agent와 Amazon Q Developer를 활용하여 대화형 대기오염 예측 대시보드 "CMAQ Canvas"를 개발한 사례입니다. 기존의 복잡한 UI와 도메인 지식 요구사항을 자연어 인터페이스로 전환하여, 비전문가도 쉽게 사용할 수 있도록 사용자 경험을 혁신했습니다.

기존 시스템의 한계

• 제어 컴포넌트의 복잡성: CMAQ 시뮬레이션은 수십 개의 파라미터 설정을 요구하며, GUI 부재로 높은 사전 지식을 필요로 합니다.
• 도메인 지식 요구: 전문 용어로 구성된 입력 필드는 비전문가의 이해를 어렵게 합니다.
• 정적 시나리오 분석: "What-if" 분석을 위한 시나리오 설정에 많은 시간과 노력이 소요됩니다.

시스템 아키텍처

• 클라우드 네이티브: Amazon ECS with AWS Fargate를 사용하여 인프라 관리 복잡성을 최소화하고 독립적 스케일링을 구현했습니다.
• 생성형 AI 활용: Amazon Bedrock을 통해 고성능 LLM 모델을 API 형태로 즉시 활용하고, Tool-Use 기능을 통한 Agentic AI 로직 구현을 간소화했습니다.
• 하이브리드 아키텍처: 사용자 접점 (Dashboard), 연산 엔진 (Inference Server), 제어 지능 (Amazon Bedrock Agent)으로 구성됩니다.

핵심 설계 요소

• 기능별 컨테이너 분리: Dash UI (Dashboard Container)와 Inference Server (FastAPI)를 분리하여 관리 효율성을 극대화했습니다.
• Tool-Use 기반 Agentic AI: Bedrock Agent에 제어 함수(예: update_emission_sliders)를 도구(Tool)로 제공하여 자연어 명령으로 시스템을 자율 제어합니다.
• 비동기 상태 동기화: ChatDataManager를 통해 AI 에이전트의 변경 사항과 UI 간의 데이터 일관성을 유지합니다.

Amazon Q Developer 활용

• JSON Schema 자동 생성: Bedrock Tool Config 생성을 자동화하여 개발 시간을 단축했습니다.
• 복잡한 Tool-Use 로직 구현: N-pass Loop 로직 구현 및 Tool-Use 함수 코드를 생성하여 개발 생산성을 향상시켰습니다.
• RAG 데이터셋 구축: 대규모 메타데이터 생성을 자동화하여 Agent의 정확한 답변 생성을 지원했습니다.

프로젝트 결과 및 성과

• 개발 생산성 향상: Amazon Q Developer 활용으로 개발 시간을 약 78% 단축했습니다.
• 사용자 경험 개선: 자연어 명령 1문장으로 시뮬레이션 수행이 가능해져 비전문가도 쉽게 접근할 수 있게 되었습니다.
• 의사결정 속도 향상: LLM 기반 자동 보고서 생성으로 정책 입안자의 분석 시간을 50% 이상 단축했습니다.
• 비즈니스 성과: 대리 모델을 실무 활용 가능한 SaaS 서비스로 발전시킬 가능성을 열었습니다.

결론

본 프로젝트는 Agentic AI 시스템 구축에 있어 Amazon Q Developer의 혁신적인 개발 생산성 향상 효과와 사용자 경험 개선을 입증하는 성공 사례입니다. EHRNC는 향후 이 경험을 바탕으로 사용자 제약 없는 지능형 환경 솔루션을 지속적으로 개발할 계획입니다.