기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

계층 4: 일반적인 생성형 AI 사용 사례를 위한 반복 가능한 애플리케이션 패턴

기업이 생성형 AI를 채택함에 따라 조직이이 기술을 사용하여 비즈니스 가치를 창출하는 방법에 대한 명확한 패턴이 등장했습니다. 이러한 일반적인 사용 사례는 다양한 비즈니스 기능에 생성형 AI를 적용하는 검증된 접근 방식을 보여줍니다. 이러한 사용 사례는 조직이 자체 구현 기회를 식별하고 우선순위를 지정하는 데 도움이 될 수 있습니다.

이러한 확립된 사용 사례를 이해하면 조직은 생성형 AI가 가장 즉각적인 영향을 제공하는 동시에 더 광범위한 채택을 위한 기반을 구축할 수 있는 위치를 더 잘 평가할 수 있습니다. 이 섹션에서는 기업이 생성형 AI 솔루션을 성공적으로 배포하는 주요 영역에 대해 설명합니다.

생성형 AI 기반 어시스턴트

생성형 AI 기반 어시스턴트는 다양한 비즈니스 기능에서 개인화된 컨텍스트 인식 지원을 제공합니다. 이러한 도구는 고급 사용자에게 적합합니다. 워크플로에 통합하는 방법을 배우는 직원의 출력을 강화합니다. 이러한 어시스턴트는 언어 모델을 사용하여 조직 전반의 효율성, 생산성 및 사용자 만족도를 향상시킵니다.

AWS 는 즉시 사용할 수 있고 고도로 사용자 지정 가능한 엔터프라이즈급 AI 어시스턴트인 Amazon Q Business를 제공합니다. 구현에는 정확하고 관련 있는 응답을 유도하기 위해 조직별 데이터로 지식 기반을 조정하는 작업이 포함됩니다. 고객 관계 관리(CRM) 및 엔터프라이즈 리소스 계획(ERP) 시스템과의 통합은 유틸리티를 개선하고 엔터프라이즈 전체에서 원활한 데이터 흐름과 전체 기능을 촉진합니다.

소프트웨어 개발 팀의 경우 Amazon Q Developer를 AWS 제공합니다. 이 코딩 도우미는 코드 생성, 버그 감지, 리팩터링 제안 및 설명서 생성을 지원하여 생산성을 높이도록 설계되었습니다. 통합 개발 환경(IDEs)에 원활하게 통합되면 개발자는 일반적인 코딩 환경 내에서 기능에 직접 액세스할 수 있으므로 워크플로를 간소화하고 컨텍스트 전환을 줄일 수 있습니다. 자세한 내용은이 전략 문서의 섹션을 참조코드 생성 및 분석하세요.

생성형 AI 기반 어시스턴트의 일반적인 사용 사례는 다음과 같습니다.

생성형 AI 기반 어시스턴트의 효과를 극대화하려면 특정 부서 내에서와 같은 대상 배포로 시작하는 것이 좋습니다. 이를 통해 개발 팀은 조직 전체에 더 광범위하게 배포하기 전에 영향을 평가하고 사용자 피드백을 수집할 수 있습니다. 이 단계별 접근 방식은 채택 프로세스를 원활하게 하고 어시스턴트가 엔터프라이즈 요구 사항에 맞게 조정하도록 최적화합니다.

엔터프라이즈 생성형 AI 기반 어시스턴트 구축에 대한 자세한 내용은 Amazon Bedrock 에이전트 및 지식 기반을 사용하여 완전 자동화된 채팅 기반 어시스턴트 개발을 참조하세요.

RAG 채팅 기반 어시스턴트

Out-of-the-box 파운데이션 모델은 강력하지만 사전 훈련 데이터에 의해 제한됩니다. 교육 마감 날짜 이후의 최근 이벤트에 대한 지식이 부족하고 회사별 프로세스 또는 사용자 지정 데이터를 이해하지 못합니다. 이러한 제한으로 인해 조직에 대한 지식이 필요한 많은 비즈니스 사용 사례에 적합하지 않습니다.

미세 조정을 통한 모델 사용자 지정은 복잡하고 비용이 많이 드는 프로세스이며 이에 대한 고품질 훈련 데이터를 수집하는 것은 어려울 수 있습니다. 검색 증강 생성(RAG)은 대규모 언어 모델(LLMs)을 조직의 독점 데이터와 결합하여 이러한 제한 사항을 해결합니다. RAG 접근 방식은 특정 도메인 지식의 영향을 받는 AI 기반 상호 작용을 생성합니다. RAG 및 미세 조정에 대한 자세한 내용은 사용자 지정 문서 쿼리를 위한 생성형 AI 옵션을 참조하세요.

RAG 채팅 기반 어시스턴트의 일반적인 사용 사례는 다음과 같습니다.

AWS 는 Amazon Bedrock 지식 기반을 통해 RAG 채팅 기반 어시스턴트의 구현을 간소화합니다. 이 서비스는 사용자 지정 문서에서 데이터를 쿼리하고 검색하도록 벡터 데이터베이스를 설정하는 데 도움이 됩니다. 주요 기능으로는 데이터 스토리지를 위한 Amazon Simple Storage Service(Amazon S3)와의 통합, 타사 서비스(예: Microsoft SharePoint 및 Atlassian Confluence)와의 호환성, 관련 문서 검색을 위한 효율적인 벡터 검색 기능, 대화형 채팅 기반 어시스턴트를 구축하기 위한 파운데이션 모델(예: Anthropic Claude)과의 통합 등이 있습니다. 시작하려면 잘 정의되고 범위가 제한된 지식 기반을 식별하고 이를 사용하여 proof-of-concept RAG 채팅 기반 어시스턴트를 생성합니다. 구현 규모가 조정되면 데이터 최신성과 대규모 검색 작업의 계산 비용에 주의를 기울이세요.

RAG 채팅 기반 어시스턴트 빌드에 대한 자세한 내용은 다음을 참조하세요.

생성형 AI 에이전트

생성형 AI 에이전트는 복잡한 비즈니스 프로세스를 자동화하는 데 있어 상당한 발전을 나타냅니다. 이러한 에이전트는 작업을 분류하고 다양한 시스템과 상호 작용하여 전통적으로 사람의 개입이 필요한 정교한 워크플로를 처리할 수 있습니다.

생성형 AI 에이전트의 일반적인 애플리케이션에는 다단계 비즈니스 프로세스를 위한 자동화된 워크플로 오케스트레이션, 부서 간 작업 완료를 위한 지능형 가상 어시스턴트, 여러 데이터베이스를 쿼리할 수 있는 데이터 분석 및 보고서 생성 에이전트가 포함됩니다.

AWS 는 AI 에이전트를 생성하고 배포하는 데 도움이 되는 Amazon Bedrock Agents와 같은 도구를 제공합니다. 구현에는 비즈니스 요구 사항에 맞는 사용자 지정 작업 및 API 통합 정의가 포함됩니다. 또한 강력한 오류 처리 및 로깅 메커니즘을 설정해야 합니다. 서버리스 함수 실행AWS Lambda, Amazon API Gateway를 사용하여 APIs를 관리하고 워크플로 오케스트레이션AWS Step Functions에를 사용할 수 있습니다.

조직은 반복적인 다단계 프로세스를 식별하고 결정 지점과 시스템 상호 작용을 매핑하는 것부터 시작할 수 있습니다. 이는 초기 생성형 AI 에이전트의 청사진 역할을 합니다. 주요 고려 사항에는 적절한 오류 처리 검증과 의사 결정 프로세스의 투명성 유지가 포함됩니다.

지능형 문서 처리

지능형 문서 처리(IDP)는 생성형 AI 및 자연어 처리(NLP)를 사용하여 다양한 유형의 문서에서 정보를 자동으로 추출, 분류 및 처리합니다. IDP는 비정형 문서 처리를 확장 가능한 자동화된 워크플로로 변환할 수 있습니다.

최신 IDP 솔루션은 기존 파이프라인 기반 처리 또는 파운데이션 모델을 통한 직접 멀티모달 처리라는 두 가지 접근 방식을 취할 수 있습니다. 기존 파이프라인을 구축하려면 광학 문자 인식(OCR)을 위한 Amazon Textract와 고급 분석을 위한 Amazon Bedrock 파운데이션 모델을 문서 이해와 결합 AWS하면 됩니다. 또는 파운데이션 모델을 통한 직접 멀티모달 처리의 경우 state-of-the-art 파운데이션 모델(예: Amazon Bedrock의 Anthropic Claude)을 사용하여 이미지, PDFs 및 스캔 문서를 한 번에 직접 처리할 수 있습니다.

조직은 특정 요구 사항에 따라 접근 방식을 선택할 수 있습니다. 기존 파이프라인은 세분화된 제어가 필요한 대량 처리 및 시나리오에서 뛰어납니다. 파운데이션 모델을 통한 직접 멀티모달 처리는 정교한 컨텍스트 이해를 통해 정확도를 개선해야 하는 복잡한 문서에 적합합니다.

IDP의 일반적인 사용 사례는 다음과 같습니다.

구현은 일반적으로 Amazon S3 AWS Lambda및 Amazon Simple Queue Service(Amazon SQS)를 사용하는 이벤트 기반 아키텍처를 사용합니다. Amazon S3 버킷에 문서를 업로드하면 처리 워크플로가 시작됩니다. 결과는 Amazon DynamoDB와 같은 데이터베이스에 저장되거나 APIs. 최적의 결과를 얻으려면 조직은 일괄 처리 전략, 강력한 오류 처리 및 감사 추적을 구현해야 합니다. 범위를 확장하기 전에 특정 문서 유형으로 시작합니다.

이 자동화는 수동 개입, 처리 시간 및 인적 오류를 크게 줄입니다. 또한 직원이 판단력과 전문 지식이 필요한 활동에 집중할 수 있도록 도와줍니다.

문서 처리 워크플로에 대한 자세한 내용은 Amazon Textract를 사용하여 PDF 파일에서 콘텐츠 자동 추출을 참조하세요.

콘텐츠 생성 및 요약

생성형 AI 모델은 콘텐츠를 생성하고 요약하는 데 뛰어납니다. 따라서 다양한 비즈니스 애플리케이션에 유용한 도구가 됩니다. 대규모 언어 모델의 자연어 처리 기능을 사용하여 텍스트 기반 정보를 생성하거나 압축할 수 있습니다.

콘텐츠 생성 및 요약에 대한 일반적인 사용 사례는 다음과 같습니다.

의 구현에는 AWS 일반적으로 텍스트 생성 및 요약 작업에 Amazon Bedrock을 사용하는 것이 포함됩니다. Amazon Comprehend를 개체 인식 및 감정 분석에 사용하여 생성된 콘텐츠의 컨텍스트와 품질을 개선할 수 있습니다.

콘텐츠 생성 및 요약 애플리케이션의 모범 사례에는 콘텐츠 검토 및 품질 관리를 위한 human-in-the-loop 프로세스 구현, 도메인별 콘텐츠 생성을 위한 미세 조정된 모델 사용, 브랜드 일관성과 지침 준수를 보장하기 위한 콘텐츠 필터 구현이 포함됩니다.

예를 들어 생성형 AI를 사용하여 환자 임상 데이터를 분석하고 요약 및 임상 메모를 생성할 수 있습니다. 자세한 내용은 증강 환자 데이터로 의료 인텔리전스 애플리케이션 구축을 참조하세요.

코드 생성 및 분석

생성형 AI 모델에는 다양한 프로그래밍 언어에서 코드를 이해하고 생성할 수 있는 뛰어난 기능이 있습니다. 개발자는 이러한 기능을 사용하여 코드 작성, 리팩터링 및 분석을 지원할 수 있습니다.

일반적인 사용 사례는 다음과 같습니다.

AWS 는이 패턴을 지원하는 데 도움이 되는 여러 서비스를 제공합니다. Amazon Q Developer는 AI 지원 코드 생성을 제공하므로 개발자가 더 빠르고 적은 오류로 코드를 작성할 수 있습니다. Amazon CodeGuru는 지능형 코드 검토 및 성능 권장 사항을 제공합니다. 서버리스 코드 실행 및 테스트를 AWS Lambda 위해 이러한 서비스를와 통합할 수 있습니다.

코드 생성 및 분석 애플리케이션의 모범 사례에는 AI 지원 코딩 도구를 기존 개발 환경에 통합하는 것이 포함됩니다. 생성된 코드가 품질 표준을 충족하는지 확인하려면 엄격한 코드 검토 프로세스를 구현하는 것이 좋습니다. 초기 코드 초안에는 AI를 사용하지만 최종 구현 결정을 위해서는 인적 전문 지식에 의존합니다.

코딩 어시스턴트 빌드에 대한 자세한 내용은 Amazon Q Developer를 코딩 어시스턴트로 사용하여 생산성 향상을 참조하세요.

멀티모달 AI 애플리케이션

멀티모달 AI 애플리케이션은 텍스트, 이미지, 오디오 및 비디오와 같은 다양한 유형의 데이터 입력 및 출력을 결합합니다. 이 패턴은 고급 생성형 AI 모델의 기능을 사용하여 여러 양식의 콘텐츠를 이해하고 생성합니다.

멀티모달 AI 애플리케이션의 일반적인 사용 사례는 다음과 같습니다.

에서 Amazon Bedrock을 멀티모달 파운데이션 모델에 사용할 AWS수 있습니다. 추가 서비스에는 이미지 및 비디오 분석을 위한 Amazon Rekognition, speech-to-text트 변환을 위한 Amazon Transcribe, text-to-speech 위한 Amazon Polly가 포함됩니다. 이러한 서비스는 애플리케이션의 멀티모달 기능을 향상시킬 수 있습니다.

멀티모달 AI 애플리케이션의 모범 사례에는 훈련을 위한 고품질의 다양한 데이터 세트를 보장하고 멀티모달 모델을 미세 조정하는 것이 포함됩니다. 또한 다양한 입력 양식에 대해 강력한 오류 처리를 구현하고 멀티모달 AI 시스템의 윤리적 영향과 잠재적 편향을 신중하게 고려하세요.

멀티모달 애플리케이션 빌드에 대한 자세한 내용은 Amazon Bedrock 및 Amazon Transcribe를 사용하여 음성 입력에서 제도적 지식 문서화를 참조하세요.

구현 권장 사항

조직 전체에서 생성형 AI에 대해 반복 가능한 애플리케이션 패턴을 효과적으로 구현하려면 다음 권장 사항을 고려하세요.