AWS, 항공우주 부품 검토용 멀티 에이전트 도우미 공개

노후화되거나 납기가 늦어진 항공우주 부품의 대체품을 검토하는 엔지니어는 공급업체 데이터시트, 인터페이스 제어 문서(ICD), 인증 기록을 비교하는 데 며칠을 쓸 수 있습니다. AWS는 대체 근거를 모으고 평가 초안을 작성하는 멀티 에이전트 도우미를 Amazon Bedrock AgentCore, Amazon Nova Multimodal Embeddings(멀티모달 임베딩), 오픈소스 Strands Agents SDK로 구축하는 방안을 공개했습니다. 대체 여부를 결정하고 승인하는 일은 시스템이 맡지 않으며, 모든 판단은 엔지니어가 내립니다.

플래너가 질의를 카탈로그, 평가, 지식 전문 에이전트에 배분합니다. 이들은 텍스트와 시각 자료를 검색하고, 실시간 단종 정보를 확인하며, 후보 부품을 비교하고 Python 허용 오차 규칙을 적용합니다. 여러 에이전트가 참여하면 감독 에이전트가 결과를 취합합니다. 시스템은 검토용 근거 메모와 통합 영향 평가서를 작성하고, AS9100의 8.4절 및 8.5.6절에 부합하는 감사 기록을 남깁니다.

구성 예시에서 질의 분배에는 Claude Haiku 5.5, 전문 도구에는 Claude Sonnet 5.5, 여러 결과의 종합에는 Claude Opus 5.5를 사용합니다. 예시 지식 기반에는 운동량 저장량이 0.003~5.0 Nms인 가상의 AnyCompany 반작용 휠 7개가 들어 있습니다. 구조화된 사양은 재현 가능한 적합도 점수 산출을 지원하며, 사진과 데이터시트 페이지, 차트 영역은 텍스트 항목에 없는 정보를 보탭니다. 구조화 데이터의 공급업체 값이 기준이므로 파일명이나 이미지, 웹 검색 결과만으로 제조사를 추측하지 않습니다.

Nova Multimodal Embeddings는 토크 곡선 같은 질의를 포함한 텍스트·문서 검색을 지원하고, Amazon S3 Vectors 색인을 통해 이미지 검색도 지원합니다. 관리형 지식 기반 검색 API는 이미지를 입력받지 않으므로 업로드된 차트나 사진은 별도 색인에서 검색합니다. 사진 비교는 코사인 유사도(두 벡터 방향의 유사성을 나타내는 값) 점수를 산출하며, 같은 제품군 휠은 약 0.84, 서로 다른 등급의 휠은 0.40인 사례가 제시됐습니다. 점수는 사양 적합성 판단을 뒷받침하지만 이를 대신하지는 않습니다.

AWS는 차트 영역을 잘라 색인했을 때 업로드 차트 검색 결과가 전체 페이지 색인의 7개 중 3개 정답에서 차트 띠 영역 색인의 7개 중 7개 정답으로 향상됐다고 밝혔습니다. 엔지니어가 부품명을 지정하면 도구는 해당 부품에 색인된 콘텐츠로 결과를 제한합니다. 이미지 검색 경로에 오류가 나면 텍스트 검색으로 조용히 대체될 수 있습니다. AWS는 런타임 역할에 s3vectors:QueryVectors 권한이 빠진 경우 등을 예로 들며, 이때 다른 부품을 높은 확신도로 지목할 수 있다고 설명했습니다. 이에 따라 도구는 이미지 경로가 대체 검색으로 전환될 때 명시적인 실패 경고를 기록합니다. 샘플은 독립 실행형 Jupyter 노트북 5개로 제공되며, Python 3.10 이상, 지정된 Bedrock 모델 접근 권한을 갖춘 미국 동부(버지니아 북부) AWS 계정, 지식 기반, S3 Vectors 색인 및 AgentCore Gateway가 필요합니다.

노후화되거나 납기가 늦어진 항공우주 부품의 대체품을 검토하는 엔지니어는 공급업체 데이터시트, 인터페이스 제어 문서(ICD), 인증 기록을 비교하는 데 며칠을 쓸 수 있습니다. AWS는 대체 근거를 모으고 평가 초안을 작성하는 멀티 에이전트 도우미를 Amazon Bedrock AgentCore, Amazon Nova Multimodal Embeddings(멀티모달 임베딩), 오픈소스 Strands Agents SDK로 구축하는 방안을 공개했습니다. 대체 여부를 결정하고 승인하는 일은 시스템이 맡지 않으며, 모든 판단은 엔지니어가 내립니다.

플래너가 질의를 카탈로그, 평가, 지식 전문 에이전트에 배분합니다. 이들은 텍스트와 시각 자료를 검색하고, 실시간 단종 정보를 확인하며, 후보 부품을 비교하고 Python 허용 오차 규칙을 적용합니다. 여러 에이전트가 참여하면 감독 에이전트가 결과를 취합합니다. 시스템은 검토용 근거 메모와 통합 영향 평가서를 작성하고, AS9100의 8.4절 및 8.5.6절에 부합하는 감사 기록을 남깁니다.

구성 예시에서 질의 분배에는 Claude Haiku 5.5, 전문 도구에는 Claude Sonnet 5.5, 여러 결과의 종합에는 Claude Opus 5.5를 사용합니다. 예시 지식 기반에는 운동량 저장량이 0.003~5.0 Nms인 가상의 AnyCompany 반작용 휠 7개가 들어 있습니다. 구조화된 사양은 재현 가능한 적합도 점수 산출을 지원하며, 사진과 데이터시트 페이지, 차트 영역은 텍스트 항목에 없는 정보를 보탭니다. 구조화 데이터의 공급업체 값이 기준이므로 파일명이나 이미지, 웹 검색 결과만으로 제조사를 추측하지 않습니다.

Nova Multimodal Embeddings는 토크 곡선 같은 질의를 포함한 텍스트·문서 검색을 지원하고, Amazon S3 Vectors 색인을 통해 이미지 검색도 지원합니다. 관리형 지식 기반 검색 API는 이미지를 입력받지 않으므로 업로드된 차트나 사진은 별도 색인에서 검색합니다. 사진 비교는 코사인 유사도(두 벡터 방향의 유사성을 나타내는 값) 점수를 산출하며, 같은 제품군 휠은 약 0.84, 서로 다른 등급의 휠은 0.40인 사례가 제시됐습니다. 점수는 사양 적합성 판단을 뒷받침하지만 이를 대신하지는 않습니다.

AWS는 차트 영역을 잘라 색인했을 때 업로드 차트 검색 결과가 전체 페이지 색인의 7개 중 3개 정답에서 차트 띠 영역 색인의 7개 중 7개 정답으로 향상됐다고 밝혔습니다. 엔지니어가 부품명을 지정하면 도구는 해당 부품에 색인된 콘텐츠로 결과를 제한합니다. 이미지 검색 경로에 오류가 나면 텍스트 검색으로 조용히 대체될 수 있습니다. AWS는 런타임 역할에 s3vectors:QueryVectors 권한이 빠진 경우 등을 예로 들며, 이때 다른 부품을 높은 확신도로 지목할 수 있다고 설명했습니다. 이에 따라 도구는 이미지 경로가 대체 검색으로 전환될 때 명시적인 실패 경고를 기록합니다. 샘플은 독립 실행형 Jupyter 노트북 5개로 제공되며, Python 3.10 이상, 지정된 Bedrock 모델 접근 권한을 갖춘 미국 동부(버지니아 북부) AWS 계정, 지식 기반, S3 Vectors 색인 및 AgentCore Gateway가 필요합니다.