아마존의 가정용 보안 자회사인 Ring이 기존의 경직된 규칙 기반 챗봇에서 벗어나 글로벌 고객 서비스 운영을 성공적으로 개편했다. Amazon Lex를 기반으로 구축되었던 이전 시스템은 다양한 고객 문의의 미묘한 차이를 파악하는 데 한계가 있었으며, 특히 여러 국제 시장을 관리하는 과정에서 막대한 엔지니어링 오버헤드가 발생해왔다.

이를 해결하기 위해 Ring은 Amazon Bedrock Knowledge Bases를 활용하여 다중 로케일 지원 시스템을 구축했다. 이 아키텍처는 Retrieval-Augmented Generation (RAG) 기술을 활용하는데, 이는 AI가 답변을 생성하기 전에 방대한 제품 매뉴얼과 문제 해결 가이드 라이브러리에서 정확한 정보를 추출하도록 돕는다. 특히 지식 정보를 중앙에서 관리하면서 영국의 'en-GB'와 같은 메타데이터 태그로 특정 지역을 필터링하는 방식을 채택하여, 서비스 국가마다 별도의 기술 환경을 구축해야 하는 번거로움을 제거했다.

도입 결과는 상당히 인상적이다. 새로운 지역 서비스를 추가하는 비용이 21% 감소했으며, 시스템은 트래픽 급증 시에도 안정적인 성능을 유지하고 있다. 또한 Ring은 강력한 언어 모델이 '판사' 역할을 수행하며 정답 사례를 바탕으로 봇의 답변 정확도를 평가하는 자동 품질 관리 계층을 도입했다. 덕분에 전 세계 고객들은 자신의 거주 지역 사양에 맞는 신뢰도 높은 기술 지원을 받을 수 있게 되었다.

아마존의 가정용 보안 자회사인 Ring이 기존의 경직된 규칙 기반 챗봇에서 벗어나 글로벌 고객 서비스 운영을 성공적으로 개편했다. Amazon Lex를 기반으로 구축되었던 이전 시스템은 다양한 고객 문의의 미묘한 차이를 파악하는 데 한계가 있었으며, 특히 여러 국제 시장을 관리하는 과정에서 막대한 엔지니어링 오버헤드가 발생해왔다.

이를 해결하기 위해 Ring은 Amazon Bedrock Knowledge Bases를 활용하여 다중 로케일 지원 시스템을 구축했다. 이 아키텍처는 Retrieval-Augmented Generation (RAG) 기술을 활용하는데, 이는 AI가 답변을 생성하기 전에 방대한 제품 매뉴얼과 문제 해결 가이드 라이브러리에서 정확한 정보를 추출하도록 돕는다. 특히 지식 정보를 중앙에서 관리하면서 영국의 'en-GB'와 같은 메타데이터 태그로 특정 지역을 필터링하는 방식을 채택하여, 서비스 국가마다 별도의 기술 환경을 구축해야 하는 번거로움을 제거했다.

도입 결과는 상당히 인상적이다. 새로운 지역 서비스를 추가하는 비용이 21% 감소했으며, 시스템은 트래픽 급증 시에도 안정적인 성능을 유지하고 있다. 또한 Ring은 강력한 언어 모델이 '판사' 역할을 수행하며 정답 사례를 바탕으로 봇의 답변 정확도를 평가하는 자동 품질 관리 계층을 도입했다. 덕분에 전 세계 고객들은 자신의 거주 지역 사양에 맞는 신뢰도 높은 기술 지원을 받을 수 있게 되었다.