AWS 베드록 에이전트코어 메모리의 메타데이터 필터링 도입

주장아마존 베드록(Amazon Bedrock)의 에이전트코어 메모리는 기존 의미론적 검색의 한계를 극복하고자 메타데이터 기반의 필터링 기능을 도입했습니다. 이 기능은 에이전트가 방대한 대화 기록에서 비즈니스 환경에 적합한 정보를 정확하게 찾도록 지원합니다.

팩트에이전트코어 메모리는 네임스페이스(Namespace)로 데이터를 격리하고 그 위에 우선순위, 부서, 시간 범위 등 속성 기반 필터를 계층화합니다. 이 구조는 검색 전 단계에서 불필요한 데이터를 효과적으로 제거합니다.

팩트151개 질문으로 구성한 장기 기억 벤치마크 테스트 결과, 메타데이터 필터링 적용 시 전체 답변 정확도는 40%에서 64%로 상승했습니다. 시간 제한이나 우선순위 등 문맥적 경계가 중요한 질문에서는 정확도가 16%에서 69%까지 증가했습니다.

교차검증네임스페이스만으로는 데이터의 물리적 분리는 가능하지만, 동일한 네임스페이스 내에 쌓인 방대한 정보 간의 문맥적 차이를 구분하기 어렵습니다. 따라서 메타데이터 필터링은 대규모 환경에서 발생하는 검색 정밀도 저하 문제를 해결하는 필수 보완책입니다.

팩트메타데이터의 수명 주기는 구성, 수집, 검색의 3단계로 진행됩니다. 사용자는 구성 단계에서 인덱싱할 키를 선언하고, 수집 단계에서 모델이 값을 추출하며, 검색 단계에서 이를 활용해 데이터를 필터링합니다.

팩트에이전트코어 메모리는 단기 기억과 장기 기억 모두에서 문자열 기반의 키-값 쌍을 지원합니다. 단기 기억에서 태깅된 정보는 장기 기억으로 통합되는 과정에서 필터링 가능한 차원으로 변환되어 유지됩니다.

주장메타데이터 스키마를 설정할 때는 대규모 언어 모델(LLM, Large Language Model)에 명확한 추출 지침을 제공해야 합니다. 정의 필드로 항목의 의미를 명확히 하고, 추출 지침을 통해 데이터 충돌 해결 방식과 검증 규칙을 설정합니다.

팩트추출 설정 내의 검증 필드는 허용된 값, 항목 수, 숫자 범위 등을 제한하여 데이터 일관성을 유지합니다. 이는 하위 시스템에서 필터링을 수행할 때 데이터 오류를 방지합니다.

교차검증메타데이터 필터링은 강력한 도구이지만, 초기 구성 단계에서 비즈니스 요구사항에 맞는 스키마를 설계하는 데 추가적인 노력이 필요합니다. 잘못 설계된 메타데이터는 오히려 검색 효율을 떨어뜨릴 수 있으므로 신중한 접근이 필요합니다.

주장데이터 일관성을 유지하는 검증 필드는 검색의 신뢰도를 결정짓는 핵심 요소입니다. 정확한 스키마 설계는 에이전트의 응답 품질을 높이는 기반이 됩니다.

팩트에이전트코어 메모리는 이러한 필터링 체계를 통해 비즈니스 데이터의 복잡성을 관리합니다. 사용자는 이를 통해 정교한 데이터 관리 환경을 구축할 수 있습니다.

출처아마존 웹 서비스 공식 블로그의 'Structured memory filtering with metadata in AgentCore memory' 게시물을 교차 검증했습니다.