AWS, AtScale 시맨틱 레이어의 에이전트 연결 방식 공개

AWS가 Amazon Bedrock AgentCore에서 실행되는 Strands 에이전트를 Amazon Redshift 고객 데이터에 연결하는 AtScale 기반 에이전트형 AI 시맨틱 레이어 구성을 설명했습니다. 이 안내는 같은 고객 360 패턴에 Stardog와 Denodo를 사용했던 앞선 게시물에 이어집니다. 기반 모델은 AtScale C2026.7과 쿼리를 계획하고 작성하는 Anthropic Claude Sonnet 4.6입니다.

AtScale은 데이터를 차원, 계층, 팩트, 측정값으로 구성된 차원 모델로 표현합니다. 이는 Stardog의 트리플 그래프나 Denodo의 뷰와 다른 방식입니다. 모델 담당자는 버전 관리 시스템 Git에서 파일을 관리하는 개방형 YAML 명세인 시맨틱 모델링 언어(SML)로 모델을 정의합니다. 배포된 단일 모델은 SQL, 분석용 XML(XMLA), 모델 컨텍스트 프로토콜(MCP)로 같은 정의를 제공해 Strands 에이전트와 기존 비즈니스 인텔리전스 도구가 동일하게 계산된 답을 받을 수 있습니다.

예시는 고객, 주문, 제품, 보상 정보가 여러 시스템에 흩어진 소매업체입니다. 앞선 사례와 달리 AtScale은 차원 쿼리를 네이티브 웨어하우스 SQL로 계획해 단일 엔진에 보냅니다. 안내에서는 분석 데이터를 Amazon Redshift Serverless에 통합합니다. 운영 데이터의 기준 시스템은 Amazon Aurora PostgreSQL이며, AWS Database Migration Service 또는 Aurora 제로 ETL 복제로 Redshift 사본을 최신 상태로 유지합니다. 모델은 Redshift의 고객, 주소, 신용카드, 보상 계정, 구매, 제품, 카테고리, 공급업체 테이블 8개에 연결됩니다. 글은 관심 대상 열 9개를 지정하며, 고객은 cid로 구매 기록에, 구매 기록은 pid로 제품에, 제품은 dept로 카테고리에 연결됩니다.

예시 요청은 평생 지출액 상위 20명 가운데 보상 프로그램에 가입하지 않은 고객을 묻습니다. 모델에는 고객, 주소, 보상, 제품, 날짜, 공급업체 차원을 포함해 차원 7개가 있으며, 제품에서 카테고리로 이어지는 계층도 있습니다. fact_purchase 데이터셋은 총매출(total_revenue: SUM(price × quantity)), 주문 수(order_count: COUNT(id)), 판매 수량(units_sold: SUM(quantity)) 같은 측정값을 지원합니다. 고객 평생 가치(customer_lifetime_value), 큰손 고객(big_spender), 지출 등급(spend_tier) 같은 계산 측정값은 쿼리 시점에 사업 규칙을 적용합니다. 게시물은 기준 금액을 1만 달러에서 1만 5천 달러로 바꾸는 예를 들며, YAML 파일의 정의를 수정하고 풀 리퀘스트로 검토한 뒤 AtScale CI 후크로 배포하는 절차를 설명합니다.

Amazon Bedrock AgentCore는 에이전트 실행 환경과 인증 정보 흐름을 맡습니다. 요청이 들어오면 AgentCore Gateway가 기업 인증 제공자를 기준으로 사용자 JSON 웹 토큰(JWT)을 검증하고 에이전트로 전달합니다. 에이전트가 AtScale MCP 서버를 호출할 때는 Gateway를 거치며 AgentCore Identity가 인증 정보를 주입합니다. AtScale은 개발 및 단일 사용자 식별 환경에서 베어러 토큰을, 운영 환경에서는 내장 Keycloak 인스턴스의 OAuth 2.0 액세스 토큰을 받습니다. AtScale은 호출자를 역할에 연결해 행 단위 보안과 모델 접근 규칙을 적용하며 에이전트는 인증 정보를 볼 수 없습니다.

AtScale의 AI 계산 엔진은 에이전트의 차원 SQL을 분석하고 모델 데이터셋 참조를 해석한 뒤, 호출자의 행 단위 보안을 적용해 Redshift 실행 계획을 세웁니다. 조인은 ETL 파이프라인에서 미리 구체화하지 않고 Redshift의 네이티브 SQL로 수행합니다. 게시물은 쿼리 패턴을 관찰해 비용이 충분히 큰 경우 웨어하우스 요약 테이블을 만드는 AtScale의 자율 집계 관리 기능도 설명합니다. 이후 조건에 맞는 쿼리는 해당 집계를 자동으로 사용할 수 있습니다. 배포된 모델은 SQL 클라이언트, Excel·Power BI 같은 XMLA 도구, MCP 클라이언트에서도 이용할 수 있으며, 안내에는 모델링, 쿼리 계획, 신원 확인과 접근 제어, AtScale Helm 차트와 Kubernetes 블루프린트를 이용한 Amazon EKS 배포가 포함됩니다.

AWS가 Amazon Bedrock AgentCore에서 실행되는 Strands 에이전트를 Amazon Redshift 고객 데이터에 연결하는 AtScale 기반 에이전트형 AI 시맨틱 레이어 구성을 설명했습니다. 이 안내는 같은 고객 360 패턴에 Stardog와 Denodo를 사용했던 앞선 게시물에 이어집니다. 기반 모델은 AtScale C2026.7과 쿼리를 계획하고 작성하는 Anthropic Claude Sonnet 4.6입니다.

AtScale은 데이터를 차원, 계층, 팩트, 측정값으로 구성된 차원 모델로 표현합니다. 이는 Stardog의 트리플 그래프나 Denodo의 뷰와 다른 방식입니다. 모델 담당자는 버전 관리 시스템 Git에서 파일을 관리하는 개방형 YAML 명세인 시맨틱 모델링 언어(SML)로 모델을 정의합니다. 배포된 단일 모델은 SQL, 분석용 XML(XMLA), 모델 컨텍스트 프로토콜(MCP)로 같은 정의를 제공해 Strands 에이전트와 기존 비즈니스 인텔리전스 도구가 동일하게 계산된 답을 받을 수 있습니다.

예시는 고객, 주문, 제품, 보상 정보가 여러 시스템에 흩어진 소매업체입니다. 앞선 사례와 달리 AtScale은 차원 쿼리를 네이티브 웨어하우스 SQL로 계획해 단일 엔진에 보냅니다. 안내에서는 분석 데이터를 Amazon Redshift Serverless에 통합합니다. 운영 데이터의 기준 시스템은 Amazon Aurora PostgreSQL이며, AWS Database Migration Service 또는 Aurora 제로 ETL 복제로 Redshift 사본을 최신 상태로 유지합니다. 모델은 Redshift의 고객, 주소, 신용카드, 보상 계정, 구매, 제품, 카테고리, 공급업체 테이블 8개에 연결됩니다. 글은 관심 대상 열 9개를 지정하며, 고객은 cid로 구매 기록에, 구매 기록은 pid로 제품에, 제품은 dept로 카테고리에 연결됩니다.

예시 요청은 평생 지출액 상위 20명 가운데 보상 프로그램에 가입하지 않은 고객을 묻습니다. 모델에는 고객, 주소, 보상, 제품, 날짜, 공급업체 차원을 포함해 차원 7개가 있으며, 제품에서 카테고리로 이어지는 계층도 있습니다. fact_purchase 데이터셋은 총매출(total_revenue: SUM(price × quantity)), 주문 수(order_count: COUNT(id)), 판매 수량(units_sold: SUM(quantity)) 같은 측정값을 지원합니다. 고객 평생 가치(customer_lifetime_value), 큰손 고객(big_spender), 지출 등급(spend_tier) 같은 계산 측정값은 쿼리 시점에 사업 규칙을 적용합니다. 게시물은 기준 금액을 1만 달러에서 1만 5천 달러로 바꾸는 예를 들며, YAML 파일의 정의를 수정하고 풀 리퀘스트로 검토한 뒤 AtScale CI 후크로 배포하는 절차를 설명합니다.

Amazon Bedrock AgentCore는 에이전트 실행 환경과 인증 정보 흐름을 맡습니다. 요청이 들어오면 AgentCore Gateway가 기업 인증 제공자를 기준으로 사용자 JSON 웹 토큰(JWT)을 검증하고 에이전트로 전달합니다. 에이전트가 AtScale MCP 서버를 호출할 때는 Gateway를 거치며 AgentCore Identity가 인증 정보를 주입합니다. AtScale은 개발 및 단일 사용자 식별 환경에서 베어러 토큰을, 운영 환경에서는 내장 Keycloak 인스턴스의 OAuth 2.0 액세스 토큰을 받습니다. AtScale은 호출자를 역할에 연결해 행 단위 보안과 모델 접근 규칙을 적용하며 에이전트는 인증 정보를 볼 수 없습니다.

AtScale의 AI 계산 엔진은 에이전트의 차원 SQL을 분석하고 모델 데이터셋 참조를 해석한 뒤, 호출자의 행 단위 보안을 적용해 Redshift 실행 계획을 세웁니다. 조인은 ETL 파이프라인에서 미리 구체화하지 않고 Redshift의 네이티브 SQL로 수행합니다. 게시물은 쿼리 패턴을 관찰해 비용이 충분히 큰 경우 웨어하우스 요약 테이블을 만드는 AtScale의 자율 집계 관리 기능도 설명합니다. 이후 조건에 맞는 쿼리는 해당 집계를 자동으로 사용할 수 있습니다. 배포된 모델은 SQL 클라이언트, Excel·Power BI 같은 XMLA 도구, MCP 클라이언트에서도 이용할 수 있으며, 안내에는 모델링, 쿼리 계획, 신원 확인과 접근 제어, AtScale Helm 차트와 Kubernetes 블루프린트를 이용한 Amazon EKS 배포가 포함됩니다.