DEVOCEAN

아래 두개 글로 나누었습니다.

이제는 Agent 시대! RAG와 함께 Bedrock Agent를 활용해보자 - 1 (이론)

• Amazon Bedrock의 핵심 기능인 Knowledge bases와 Agents 기능의 일반적인 내용에 대해 알아봅니다.

이제는 Agent 시대! RAG와 함께 Bedrock Agent를 활용해보자 - 2 (실습)

• Amazon EKS에 관한 질문에 대해 공식 Kubernetes 문서와 AWS PDF 문서를 기반으로 검색해서 답변하고,

  한글 자연어 요청을 통해서 LLM이 직접 EKS Cluster를 컨트롤 하는 Agent를 만들어 봅니다.

서론

ChatGPT의 등장으로 생성형 AI가 우리의 일상과 업무에 자연스럽게 스며들었습니다.

특히 개발자분들에게는 이제 LLM 기반의 AI 어시스턴트가 가장 중요한 도구 중 하나로 자리잡았다고 해도 과언이 아닐 것 같습니다.

코딩, 문서 작성, 정보 검색 등 다양한 분야에서 생성형 AI의 도움을 받을 수 있게 되면서 업무 효율성이 크게 향상되었죠.

앞으로도 AI 기술의 발전에 따라 우리의 작업 방식에 더욱 혁신적인 변화가 있을 것으로 기대됩니다.

LLM을 통해서 질문하고 답하는 것은 해당 모델이 알고 있는 내용에만 기반해서 답변하게 됩니다.

따라서 모르는걸 거짓말로 아는 척하는 환각 효과가 발생하게 되었지만, 이를 줄이기 위해 여러가지 기법들이 연구 되고 있으며,

검색증강생성(RAG)기법은 뛰어난 효과로 인해 이제 많은 서비스에서 적용된 잘 알려진 방법입니다.

어떻게 보면 RAG 기법까지는 닫혀진 환경으로 여전히 해당 환경내에서의 정보만 가져 올 수 있었습니다.

이제는 Agent 기술을 적용해서 해당 환경만이 아닌 LLM 외부와 통신하며 정보를 획득하거나 상호 작용하는 단계에 이르렀습니다.

기존의 DB에서 데이터를 가지오는 게 아니라 외부의 API 통해서 현시점의 새로운 데이터를 가져올 수도 있고, 반대로 외부에 데이터를 쓰거나 특정 행동을 하게 할 수도 있습니다.

이렇게 되면 아이언맨 영화에서 나오는 J.A.R.V.I.S.가 현실화가 될수 있는것이죠.

아직까지는 API 기반의 통신만 고려하고 있지만, 이러한 Agent 간의 통신이 표준화가 되면 정말로 Agent 끼리 알아서 통신하면서 정보를 수집하고 컨트롤 하는 시대가 곧 올것 같습니다.

ChatGPT-4o(4옴니) [데모 영상]에서 보였던 사용자와의 상호작용은 놀라울 정도록 자연스럽습니다.

여기에 더해 실제 외부 세계의 컨트롤을 LLM이 할 수 있게 한다면 대화를 통해 정말 다양하고 효율적인 일을 시킬수 있을것입니다.

예를 들어 무더운 한여름에 퇴근 30전에 미리 에어컨을 켜놓는 다거나, 상황에 맞게 거실 조명을 제어 한다거나, 평이 좋은 음식 추천을 받고 배달 주문까지 하거나,

집의 로봇 청소기를 돌린다거나, 이메일을 요약하고, 답변 또한 방향성에 맞게 초안을 작성/검토 하는 등 아주 많은 일을 할수 있게 됩니다.

현재 LLM이 외부세계와 통신할 때 핵심적인 요소는 역시 API이며, 수많은 사용 가능한 API중 적절한 API를 선택하고 잘 활용하는것은 바로 Agent의 몫입니다.

이미 ChatGPT 에서도 Plugin 기능을 통해서 어느 정도 가능해진 일이긴합니다.

이런 놀라운 일을 할 수 있는 애플리케이션을 Amazon Bedrock 지식 기반(Knowledge base)와 에이전트(Agent)를 통해서 생각한 대로 손쉽게 구현 할 수 있습니다.

개요

오늘 살펴 볼 이 두 가지 기능은 Amazon Bedrock 메뉴중 오케스트레이션 메뉴의 하위항목입니다.

1. AWS Bedrock의 관리형 RAG 서비스인 - **지식 기반(Knowledge bases)**의 구성을 알아봅니다.

   예시로 Kubernetes 공식 문서 및 Amazon EKS 문서를 데이터 소스로 사용하여 지식 기반을 구성합니다.

   LLM은 특정 질문에 제공된 문서를 기반으로 답할 수 있습니다. 이후 에이전트가 이를 사용해서 질문에 대한 답변을 제공하게 됩니다.

2. AWS Bedrock의 관리형 Agent 서비스인 - **에이전트(Agents)**의 구성을 알아봅니다.

   Agent는 ReAct기법을 사용하여 기존의 CoT 보다 뛰어난 결과물을 제공합니다.

   기존 LLM은 특정 시점까지의 정보를 학습 하였기 때문에, 과거 정보를 기반으로 답변을 생성할 수 있었지만, Agent는 API 통신을 통해서 실시간 정보를 획득 할 수 있습니다.

   또한 LLM이 API를 실행하고 결과 받아 해석할수 있기 때문에 사실상 무한한 기능 확장을 할 수 있습니다.

Amazon Bedrock 지식 기반 (Knowledge bases)

• 개요 : Amazon Bedrock 지식 기반 서비스는 검색 증강 생성(RAG)기술의 관리형 서비스로 데이터 소스에서 정보를 검색하여 모델 응답 생성을 강화할수 있습니다.

  기존에 직접 자료를 임베딩하여 Vector DB를 구축하는 번거로운 과정 단지 자료를 S3에 업로드 하고 관련 API 만 호출해서 사용하면 RAG를 사용할 수 있습니다.

  
  

• 지원되는 데이터 형식은 아래와 같으며, 파일은 Amazon S3에 업로드해야 합니다.

  • .pdf .txt .md .html .doc .docx .csv .xls .xlsx

• 텍스트를 임베딩으로 변환하기 전에 더 작게 청크(chunk)로 분할하는 청킹 전략은 아래 3가지를 지원합니다.

  • 기본 청킹

    • 자동으로 청크 분할. 최대 300 토큰을 포함, 문서가 200개 토큰 미만이면 더 이상 분할되지 않음.

    • 두 개의 연속된 청크 간에는 토큰 20%의 중첩이 유지.

  • 고정 크기 청킹

    • 청크 당 최대 토큰 수와 청크 간 중첩(sliding window) 비율을 직접 지정

  • 청킹 없음

    • 문서를 개별 파일로 분할하여 사전 청킹을 처리한 경우, 추가 청킹 하지 않음.

• 문서를 임베딩(벡터)으로 변환하는 데 사용되는 임베딩 모델

  • Amazon Titan Text Embeddings 모델 : 8,000개 토큰, 25개 이상의 언어를 지원, 차원 크기가 1,536인 임베딩을 생성

• 지원되는 벡터 데이터베이스

  • Amazon OpenSearch Serverless

  • Pinecone

  • Amazon Aurora

  • Redis Enterprise Cloud

  • MongoDB Atlas

Amazon Bedrock 에이전트 (Agents)

• 개요 : Amazon Bedrock용 에이전트는 개발자가 생성형 AI 애플리케이션을 쉽게 만들 수 있도록 도와주는 관리형 서비스입니다.

  이 에이전트는 독자적인 지식을 이용해 다양한 작업을 수행하고 최신 답변을 제공할 수 있습니다.

  이 서비스를 사용하면 수동으로 코드를 작성할 필요 없이 몇 가지 간단한 단계로 작업을 자동으로 분류하고 계획을 세울 수 있습니다.

  에이전트는 API를 통해 회사 데이터에 안전하게 접근하여 데이터를 읽기 쉬운 형식으로 변환하고, 관련 정보를 추가하여 정확한 응답을 제공합니다.

  그리고 이 에이전트는 자동으로 API를 호출해 사용자의 요청을 처리할 수 있습니다.

• 에이전트를 사용하여 Amazon Bedrock의 FM에 기술 자료를 제공할 수 있습니다.

  모델은 이러한 추가 데이터에 액세스하여 관련성이 더 높고 상황에 따라 다르며 정확한 응답을 생성할 수 있습니다.

  이렇게 하면 FM을 지속적으로 재훈련하지 않아도 됩니다.

  에이전트는 사용자 입력을 기반으로 적절한 기술 자료를 식별하고, 관련 정보를 검색하고, 입력 프롬프트에 정보를 추가하여 모델에 더 많은 컨텍스트 정보를 제공함으로써 완성본을 생성합니다.

출처: Agent의 Runtime 프로세스

ReAct(Reasoning + Acting) 기법이란?

• 언어 모델이 추론(Reasoning)과 행동(Acting)을 동시에 수행할 수 있도록 하는 기법입니다.

  기존에는 언어 모델이 질문에 대한 답을 할 때 단순히 추론만 하거나(Chain-of-Thought) 행동만 하는(Action generation) 방식이 주로 사용되었습니다.

  하지만 ReAct에서는 추론과 행동을 연계하여 반복 수행합니다. 즉, 언어 모델이 자연어로 추론을 하면서 동시에 행동을 계획하고, 행동의 결과를 다시 추론에 반영하여 문제 해결을 하는 것입니다.

  질문(Question)→생각(Thought)→행동(Action)→관찰(Observastion)이 CoT처럼 꼬리를 물고 반복하면서 해결책을 찾는 추론을 합니다.

  주로 Q가 주어지면 T→A→O→T→A→O 형태로 반복되는 형태로 진행됩니다.

  
  

Bedrock 에이전트의 런타임 프로세스 단계

1. 사전 처리 (Pre-processing)

   • 사용자 입력을 검증하고 분류하여 올바른 입력만 처리.

2. 오케스트레이션 (Orchestration)

   • 입력 해석: 기본 모델로 사용자 입력을 이해하고 논리 생성.

   • 행동 예측: 어떤 행동을 취할지, 어떤 지식을 조회할지 예측.

   • 행동 실행: 입력에서 파라미터 추출, 필요한 정보 제공 또는 조회.

   • 결과 생성: 행동 실행 또는 지식 조회 결과로 응답 생성.

   • 반복: 최종 응답 반환 또는 추가 정보 요청까지 반복.

3. 후처리 (Post-processing)

   • 최종 응답을 형식화하여 사용자에게 반환 (기본적으로 비활성화).

4. 추적 (Trace)

   • 각 단계에서 에이전트의 논리, 행동, 조회 및 결과 추적.

5. 대화 기록

   • 대화 기록을 보존하여 맥락 유지, 에이전트의 정확도 및 성능 향상.

Agent 실습 예제에서 살펴볼 항목으로 답변에 대한 트레이스 보기 를 열어보면 rationale 항목에서 ReAct관련 항목을 확인 할수 있습니다.

요약 및 결론

지식 기반 (Knowledge Bases)

• 기능: RAG 기술을 이용해 데이터 소스에서 정보를 검색해 LLM의 응답 생성을 강화.

• 특징: 다양한 파일 형식 지원, 간단한 S3 업로드 및 API 호출로 구현, 임베딩 모델 사용.

에이전트 (Agents)

• 기능: API를 통해 실시간 데이터와 상호작용, 다양한 작업 자동화.

• 기술: ReAct 기법으로 추론과 행동을 반복해 문제 해결.

• 프로세스: 사용자 입력 검증, 행동 예측 및 실행, 결과 생성, 대화 기록 유지.

결론

Amazon Bedrock의 지식 기반과 에이전트 기능은 생성형 AI의 활용을 손쉽게 확장할 수 있음을 살펴보았습니다.

이를 통해서 AI 애플리케이션 개발을 단순화하고, 더 정확하고 실시간 정보를 활용한 스마트한 AI 어시스턴트를 가능하게 합니다.

다음 이어지는 글에서는 실제 이를 활용해서 아래 아키텍처를 만들어서 EKS 문서를 RAG로 검색하고,

Agent가 EKS에 API로 직접 명령을 내려서 kubernetes의 데이터를 확인하고, 필요한 작업을 수행 시키는 예제를 구현해보겠습니다.