Day 4 - AWS AI 서비스 (2) + Amazon Q: 챗봇·검색·추천·예측과 생성형 비서

Lex: 대화형 챗봇·음성봇 만들기

어제는 이미지·문서·텍스트·음성을 다루는 6개 AI 서비스를 봤다. 오늘은 나머지 핵심 서비스인 Lex(챗봇), Kendra(검색), Personalize(추천), Forecast(예측)와 AWS 의 생성형 AI 비서 Amazon Q 를 보고, 지금까지 본 모든 서비스를 "무엇을 고를까" 기준으로 묶는다. 핵심은 여전히 용도 매핑, 곧 "이 시나리오엔 어떤 서비스인가?"다.

Amazon Lex 는 챗봇과 음성봇을 만드는 서비스다. Amazon Alexa 에 쓰인 것과 같은 계열의 대화 기술을 서비스로 내놓은 것으로 소개돼 왔다. Lex 의 두 핵심 개념:

• 인텐트(Intent): 사용자가 하려는 의도(예: "항공편 예약하기").
• 슬롯(Slot): 그 의도를 채우는 데 필요한 정보(예: 출발지, 도착지, 날짜).

Lex 는 사용자의 말에서 인텐트를 파악하고 부족한 슬롯을 되물으며 대화를 이끈다. 실제 처리(예약 실행)는 Lambda 로 연결한다.

사용자: "내일 부산 가는 비행기 예약해줘"
  └ 인텐트 판별 → 항공편 예약
  └ 슬롯 채우기 → 도착지=부산, 날짜=내일, 출발지=(비어 있음)
Lex   : "어디에서 출발하시나요?"          ← 빈 슬롯을 되묻는다
사용자: "서울이요"
  └ 슬롯 완성 → Lambda 호출(예약 실행) → "예약이 완료됐습니다"

• 봇을 만드는 사람은 인텐트마다 예시 문장 몇 개를 적어 준다. Lex 가 그것으로 언어 모델을 만들어 "부산행 표 끊어줘" 같은 다른 표현도 같은 인텐트로 알아듣는다.
• 음성 입력은 Lex 안의 음성 인식(ASR)이 텍스트로 바꾼 뒤 처리한다. 음성봇을 만들 때 Transcribe 를 따로 붙일 필요가 없다.
• 요금은 처리한 텍스트·음성 요청 수에 따라 든다.

💡 관련 이론: Lex 는 음성/텍스트 입력을 이해하는 NLU(자연어 이해) 와 대화 관리를 제공한다. "고객 문의를 처리하는 대화형 봇을 만들고 싶다"는 단서가 Lex 신호다. Bedrock Agents 와 헷갈릴 수 있는데, Lex 는 인텐트/슬롯 기반의 정형화된 대화 봇 구축에, Bedrock Agents 는 FM 의 추론으로 더 유연하게 다단계 작업을 수행하는 데 강하다.

Kendra: 똑똑한 기업 내부 검색

Amazon Kendra 는 머신러닝 기반의 기업 내부 검색(enterprise search) 서비스다. 사내 위키, PDF, SharePoint, S3 등에 흩어진 문서를 색인해, 직원이 자연어로 질문하면 정확한 답이 있는 위치를 찾아준다.

단순 키워드 검색이 아니라 "질문의 의미"를 이해해 답을 찾는다. "휴가는 며칠인가요?"라고 물으면 관련 규정 문서의 정확한 문단을 짚어준다.

• 여러 저장소를 커넥터로 연결해 하나의 색인으로 모은다.
• 검색 결과에 조직의 접근 권한을 반영할 수 있다. 볼 수 없는 문서는 검색에도 나오지 않게 거른다.
• 색인은 프로비저닝하는 순간부터 비어 있어도, 질의가 없어도 과금된다. "쓴 만큼"이 아니라 "띄워 둔 만큼"에 가깝다.
• 현재 상태: Kendra 는 신규 고객에게 더는 열려 있지 않고(기존 고객은 계속 사용), AWS 는 비슷한 용도로 Amazon Bedrock Knowledge Bases 를 안내한다. 최신 시험 가이드의 범위 내 서비스 목록에도 Kendra 는 없다. 다만 "사내 문서 자연어 검색 = Kendra"라는 짝은 기출 유형과 학습 자료에 널리 남아 있으니 알아 둔다.

🔍 더 깊이: Kendra 는 RAG 의 "검색(retrieval)" 부분을 강력하게 담당할 수 있어, Bedrock 과 결합해 생성형 Q&A 의 백엔드로 쓰인다. "사내 여러 문서를 가로질러 자연어로 검색"이면 Kendra 다. Comprehend(텍스트 의미 분석)와 구분해야 한다 — Kendra 는 "찾기", Comprehend 는 "분석하기"다.

Personalize & Forecast: 추천과 예측

이 둘은 전통 ML 작업을 관리형으로 제공한다.

• Amazon Personalize: 실시간 추천 시스템. Amazon닷컴의 추천 기술을 서비스화한 것으로, "이 상품을 본 사람이 좋아할 만한 것"을 추천한다.
• Amazon Forecast: 시계열 예측. 과거 데이터를 바탕으로 미래 수요·판매·재고를 예측한다.

둘은 "과거 데이터로 무언가를 내놓는다"는 점이 닮아 헷갈린다. 먹고 사는 데이터와 내놓는 답이 다르다.

• Personalize 는 CSV 로 올린 과거 기록과 앱에서 들어오는 실시간 이벤트를 함께 쓴다. 방금 본 상품이 곧바로 추천에 반영되는 이유다.
• 현재 상태: Forecast 는 신규 고객에게 더는 열려 있지 않고 AWS 는 SageMaker Canvas 의 시계열 예측으로 옮겨 가도록 안내한다. 최신 시험 가이드의 범위 내 서비스 목록에도 없다. "예측(forecasting)"이라는 작업 유형 자체는 여전히 시험 범위다.

가상의 사례로, 한 이커머스 기업은 Forecast 로 매장별·상품별 수요를 예측해 재고를 최적화하고, Personalize 로 사용자별 추천을 제공했다. 둘 다 데이터 과학팀 없이 관리형 API 로 구현했다. "미래 수치를 예측"이면 Forecast, "사용자에게 맞춤 추천"이면 Personalize 다.

Amazon Q: AWS의 생성형 AI 비서

Amazon Q 는 생성형 AI 기반의 비서(어시스턴트)다. 용도에 따라 두 갈래로 나뉜다.

• Amazon Q Business: 사내 데이터에 연결해 직원이 자연어로 질문하면 근거와 함께 답해주는 업무용 비서. (사내 RAG 챗봇을 완제품으로 제공하는 느낌.)
• Amazon Q Developer: 코드 작성·설명·디버깅을 돕고 AWS 인프라 관련 질문에 답하는 개발자 비서. (과거 CodeWhisperer 의 후속/확장.)

두 제품 모두 Amazon Bedrock 위에서 만들어졌다. Q Business 의 특징은 셋이다.

• 답에 출처(인용) 를 붙인다.
• 질문한 사람이 볼 권한이 있는 문서만 근거로 쓴다. 인사 문서를 볼 수 없는 직원에게는 그 내용으로 답하지 않는다.
• 플러그인으로 휴가 신청 같은 간단한 업무 처리까지 한다.

Bedrock 과 Amazon Q 는 성격이 다르다. Bedrock 은 "내가 직접 생성형 앱을 만드는 빌딩 블록(API)"이고, Amazon Q 는 "이미 완성된 생성형 비서 제품"이다. 직접 챗봇을 설계·개발할 거면 Bedrock, 곧바로 쓸 수 있는 업무/개발 비서가 필요하면 Amazon Q 다.

바뀌는 이름들: Amazon Quick 과 Kiro

이 영역은 제품 이름이 빠르게 바뀐다. 시험 가이드 최신판이 드는 이름과 옛 이름을 함께 알아 둔다.

• Amazon Quick: 자연어 채팅으로 업무 자동화, 데이터 분석, 조사, 간단한 웹 앱 제작을 하는 서비스다. 사내 문서와 데이터 소스를 연결해 답의 근거로 삼는 색인(Quick Index), 반복 업무 자동화(Quick Flows, Quick Automate), 출처가 달린 조사 보고서(Quick Research), 대시보드(Quick Sight)를 한곳에 묶었다.
• Kiro: AI 기반 개발 환경이다. IDE 와 CLI 에서 에이전트가 코드를 작성하고, 요구사항 → 설계 → 작업 목록으로 기능을 계획하는 스펙(spec) 방식을 쓴다.
• 최신 시험 가이드는 GenAI 애플리케이션을 만드는 서비스의 예로 Bedrock, SageMaker AI, JumpStart, Amazon Quick, Kiro, Strands Agents, Bedrock AgentCore 를 든다. 가이드의 개정 이력은 Amazon Q 도 범위 내 서비스로 적는다. 그러니 옛 이름과 새 이름 어느 쪽이 보기에 나와도 역할로 읽으면 된다. "직원용 완성형 비서"와 "개발자용 코딩 비서"라는 두 자리는 그대로다.

닮은 서비스 가려내기

대화형 서비스 셋. 모두 "챗봇"처럼 보이지만 만드는 방식이 다르다.

검색·지식 서비스 넷.

서비스 선택 기준: 한 장으로 정리

시험에서 가장 중요한 건 "단서 → 서비스" 연결이다.

이 표가 Week 4 의 결론이자, 시험 점수를 좌우하는 핵심 자산이다. 표의 단서가 살짝 비틀려 나올 때를 대비해 갈림길만 따로 모았다.

비용이 드는 지점도 서비스마다 결이 다르다.

• Lex: 요청 수. 띄워 둘 서버가 없다.
• Kendra: 색인을 띄워 둔 시간과 문서 동기화. 쓰지 않아도 든다.
• Personalize: 데이터 처리량, 모델 학습 시간, 추천 요청 수.
• Forecast: 학습 시간, 저장한 데이터, 생성한 예측 수.
• Q Business: 사용자별 구독료와 색인 용량. 토큰 단위가 아니라 사람 수 기준이라는 점이 Bedrock 과 다르다.

내일은 Week 4 전체를 종합 복습한다. 모든 AI/ML 서비스를 용도 매핑표로 한 번에 정리하고, 시험에서 헷갈리기 쉬운 서비스 쌍들을 비교한다.

📖 용어

• 인텐트(intent) : 사용자가 그 말로 하려는 일. "예약하기", "잔액 조회" 같은 의도 단위.
• 슬롯(slot) : 인텐트를 실행하는 데 필요한 값. 날짜, 장소, 수량 등.
• NLU(자연어 이해) : 문장에서 의도와 필요한 정보를 알아내는 기술.
• 기업 내부 검색 : 여러 사내 저장소의 문서를 한 번에 색인해 찾는 검색.
• 커넥터 : SharePoint, S3 같은 외부 저장소를 서비스에 연결해 문서를 가져오는 통로.
• 상호작용 데이터 : 사용자가 아이템을 클릭·구매·시청한 기록. 추천 모델의 주재료다.
• 시계열 데이터 : 시간 순서로 기록된 수치. 일별 판매량, 시간별 트래픽 등.
• 빌딩 블록 : 직접 조립해 제품을 만드는 부품 성격의 서비스. Bedrock 이 대표적이다.
• Amazon Quick : 채팅으로 업무 자동화·분석·조사를 하는 서비스. 옛 QuickSight 가 그 안의 기능이 됐다.
• Kiro : AWS 가 Q Developer IDE 플러그인의 후속으로 안내하는 AI 개발 환경.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

인텐트와 슬롯 개념을 사용해 고객 문의를 처리하는 대화형 챗봇/음성봇을 만들려 한다. 가장 적합한 서비스는?

• AAmazon Kendra
• BAmazon Lex
• CAmazon Forecast
• DAmazon Polly

문제 2

직원이 사내 위키·PDF·SharePoint에 흩어진 문서를 자연어 질문으로 검색해 정확한 답의 위치를 찾게 하려 한다. 가장 적합한 서비스는?

• AAmazon Comprehend
• BAmazon Translate
• CAmazon Kendra
• DAmazon Personalize

문제 3

사용자의 과거 행동을 바탕으로 "좋아할 만한 상품"을 실시간으로 추천하려 한다. 적합한 서비스는?

• AAmazon Forecast
• BAmazon Personalize
• CAmazon Lex
• DAmazon Textract

문제 4

개발자가 IDE 안에서 코드 생성·설명·디버깅과 AWS 관련 질문에 대한 도움을 즉시 받고 싶다. 가장 적합한 것은?

• AAmazon Q Developer
• BAmazon Q Business
• CAmazon Forecast
• DAmazon Comprehend

문제 5

직접 챗봇을 설계·개발하지 않고, 사내 데이터에 연결해 직원 질문에 근거와 함께 답하는 "완성형 업무용 생성형 비서"를 바로 도입하려 한다. 가장 적합한 것은?

• AAmazon Bedrock
• BAmazon Q Business
• CAmazon SageMaker
• DAmazon Lex