베스핀글로벌이 제안하는 ‘성과 중심’ Gen AI 활용법 TREND by Sangmi Park 2025년 08월 07일 AI, 도입만으로 충분할까요? 이제는 실질적 성과로 이어질 전략이 필요합니다. Google Gen AI와 실제 기업 적용 사례, 베스핀글로벌의 실행 경험을 꽉 차게 담은 ‘성과 중심’ 생성형 AI 활용 전략 리포트를 소개합니다. 기업의 AI 활용은 더 이상 실험이 아닌 생존 전략입니다. 생성형 AI는 데이터 분석, 자동화, 개인화된 서비스 제공 등 다양한 영역에서 업무 효율과 고객 경험을 동시에 혁신하고 있는데요. 시간 단축과 비용 절감의 실질적인 이점을 증명하면서, Gen AI 솔루션에 대한 수요 역시 더욱 가속화되고 있습니다. AI 모델은 업무 생산성 향상을 넘어, 기업의 운영 방식과 고객 경험, 의사결정 구조를 근본적으로 변화시키고 있습니다. Google의 Gemini 2.5는 멀티모달 기능, 대용량 컨텍스트 처리, 추론·코딩·수학 능력의 비약적 발전을 이루며,‘스스로 생각하는 AI’에 가까워지고 있다는 평가를 받고 있습니다. 이제 기업의 경쟁력을 좌우하는 것은 ‘AI를 도입했는가’가 아니라, ‘어떻게 잘 활용하고 성과를 냈는가’입니다.Google Cloud의 프리미어 파트너이자 AI에 특화된 매니지드 서비스 기업인 베스핀글로벌은 생성형 AI를 실무에 효과적으로 안착시키기 위한 접근법을 리포트에 담았습니다. 「비즈니스 성과를 극대화하는 Gen AI 활용 전략」은 단순한 기술 소개가 아닌, 실행 가능한 전략과 실제 기업 사례를 통해 AI 도입의 실질적 해답을 제시합니다. 리포트는 다음의 5가지 핵심 주제로 구성되어 있습니다. 1.Gemini, 새로운 에이전트 시대를 열다 Gemini 2.0 Flash-Lite, Gemini 2.0 Flash, Gemini 2.0 Flash Thinking Experimental, Gemini 2.0 Pro, Gemini 2.5 Pro Experimental 등 Gemini 모델의 기술적 진화를 조명하며, 기존 생성형 AI와의 차별성을 설명합니다. 이와 더불어 실제 업무 효율과 정확성을 개선할 수 있는 업무 영역을 소개합니다. 2. 비즈니스 혁신을 가속화하다: Gemini와 Vertex AI 구글 클라우드의 머신러닝 플랫폼인 ‘Vertex AI’를 통해 AI 애플리케이션을 개발·운영한 S사, V사, B사 등의 실제 성과를 살펴봅니다. AI 챗봇, 스마트 비서, AI 고객 지원 시스템, AI 자막 생성 등 실제 혁신 과정을 확인할 수 있습니다. 3. 업무 효율성을 재정의하다: Gemini와 Google Workspace Gemini와 Google Workspace의 접목을 소개하며, Google Workspace에서 지원하는 다양한 AI 기능을 설명합니다. Gemini AI 어시스턴트, 복잡한 프로젝트를 처리하는 고도화된 모델 Gemini Advanced, 사용자를 위한 맞춤형 AI 리서치 어시스턴트인 NotebookLM Plus 등을 활용해 기업들이 영업·마케팅·고객 응대 등 생산성과 협업을 개선한 사례를 공유합니다. 4. 데이터 분석을 혁신하다: SQL GENie 베스핀글로벌은 Gemini를 활용하여 복잡한 데이터 분석을 누구나 쉽게 할 수 있는 SQL GENie를 개발했습니다. 사용자가 입력한 요청사항을 바탕으로 데이터를 추출할 수 있는 SQL문을 자동으로 생성하기 때문에 데이터 분석에 대한 지식 없이도 누구나 데이터를 추출, 시각화하여 새로운 인사이트를 얻을 수 있습니다. 마케팅, 데이터 분석, 상품 기획 등 다양한 예시를 함께 담아 직접적인 성과를 창출하는 데 유용합니다. 5. 성공적인 Google Gen AI 도입 전략 Gen AI를 조직 내에 성공적으로 도입하기 위해서는 꼭 필요한 조건을 갖추어야 합니다.명확한 비즈니스 목표 수립, 적합한 모델 선택, 이를 활용하기 위한 내부 역량 확보, 그리고 전문 MSP 파트너와의 협업 전략이 바로 그것입니다.베스핀글로벌은 설립 이래 10년간 5,000개 이상의 기업에 클라우드와 AI를 성공적으로 도입해왔습니다. 전략 수립부터 기술 구현, 운영까지 전 과정에 걸쳐 AI 도입을 함께합니다. 국내 최초 구글 클라우드 프리미어 파트너 자격을 획득하였으며 100명 이상의 Google Cloud Specialist, 500개 이상의 AI·데이터 관련 인증, 그리고 가트너 매직 쿼드런트 8년 연속 등재라는 기록이 이를 증명합니다.생성형 AI, 이제 도입만으로는 충분하지 않습니다.성과로 이어지는 전략이 필요한 지금, 베스핀글로벌이 그 실행의 출발점이 되어드리겠습니다.▶[리포트 다운로드] 비즈니스 성과를 극대화하는 Gen AI 전략▶[Gen AI 도입 상담] 베스핀글로벌 전문가에게 문의하기 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 FAQ Q1) Google Gen AI는 다른 생성형 AI와 무엇이 다른가요?Google Gen AI는 Gemini 모델을 중심으로 멀티모달 기능, 고도화된 추론 능력, 비용 효율성 등에서 뛰어난 성능을 갖추고 있습니다. 특히 Google Workspace, Vertex AI 등 다양한 서비스와의 연동성과 확장성이 탁월해, 기업 업무에 빠르게 적용할 수 있다는 점이 차별화 포인트입니다.Q2) 리포트에서 다루는 사례는 실무에 바로 적용 가능한가요?네. 리포트에 담긴 내용은 단순히 기술 소개를 넘어서, AI 챗봇, 데이터 분석 자동화, 영업/마케팅 문서 자동화, 고객응대 시간 단축 등 현장에서 실제로 적용되고 성과를 입증한 사례들을 기반으로 합니다. 읽고 나면 바로 우리 조직에 적용 가능한 시나리오를 떠올릴 수 있을 것입니다.Q3) 비즈니스 성과를 극대화하는 Gen AI 전략 리포트가 ‘성과 중심 전략’을 강조하는 이유는 무엇인가요?많은 조직이 생성형 AI를 도입하고 있지만, 성과로 연결하지 못하는 경우가 많습니다. 베스핀글로벌은 기술은 물론, 비즈니스 목표에 맞춘 적용 전략, 조직 설계, 성과 지표 중심의 운영 방식에 집중하고 있습니다. 이번 리포트는 이러한 실질적인 성과 창출에 집중한 전략적 접근법을 중심으로 구성되었습니다.Q4) 이 리포트에서 다루는 기술은 어떤 산업군에 특히 적합한가요?마케팅, 영업, 고객 서비스, 기획, 데이터 분석 등 다양한 부서에서 효과적으로 활용될 수 있습니다.특히 반복 업무가 많은 산업군, 고객 접점이 많은 조직, 데이터를 많이 다루는 부서에서 빠르게 성과를 만들 수 있는 사례가 포함되어 있습니다.Q5) 베스핀글로벌은 어떤 방식으로 AI 도입을 지원하나요?베스핀글로벌은 단순한 AI 도입이 아닌, ‘도입→적용→성과 창출’까지의 전 과정을 지원합니다. 전략 수립, 모델 설계, Google Cloud 기반 기술 적용, 운영 자동화까지 포괄적으로 제공하며 전문성을 갖추고 있습니다. 관련하여 궁금한 점이 있다면 지금 바로 문의하세요. 더 읽어볼 만한 컨텐츠 비즈니스 성과를 극대화하는 Gen AI 활용 전략 2025년 08월 07일
AI, 클라우드 엔지니어의 하루를 바꾸다 ARTICLE by Sangmi Park 2025년 07월 31일 EC2 인스턴스 하나를 생성해달라는 요청부터, 방화벽 설정 변경, 로그 분석, 보고서 작성까지 클라우드 엔지니어의 하루는 수많은 반복 작업으로 채워집니다. 하지만 AI가 실무자의 언어를 이해하고, 필요한 작업을 대신 구성하고 실행할 수 있다면 어떨까요? 사람은 판단과 조율에 집중하고, 반복적인 수행은 AI가 맡는 구조. 헬프나우 오토MSP(HelpNow AutoMSP)는 바로 이 역할을 수행합니다. 베스핀글로벌은 지난 10년간 5,000여 고객사의 클라우드 전환과 운영, 활용을 도맡아왔습니다. 설립 초기부터 전 세계에서 가장 자동화된 IT 매니지먼트 기업을 지향하며 클라우드 운영 관리 자동화에 매진해왔는데요. 국내 대표 클라우드 기업으로서의 역량과 경험, 그리고 일하는 방식과 문제 해결 패턴을 AI와 결합시켜 AI 기반 클라우드 운영 자동화 솔루션 ‘헬프나우 오토MSP(HelpNow AutoMSP)’를 출시하였습니다.▲인프라 관리 ▲문제 분석 ▲보고서 작성 ▲OS 작업 등의 주요 업무를 자동화하는데요. 특정 룰이나 템플릿에 반응하는 기존 자동화와 달리, 사람의 언어를 이해하고, 요청을 파악한 뒤 필요한 작업 단계를 스스로 구성하고 실행합니다. ‘EC2 인스턴스 생성’과 같은 단순 명령은 물론, ‘왜 이렇게 설정된 거지? 그럼 우리 환경에 맞는 구성은 뭘까?’ 같은 복잡한 심화 질문에도 대응할 수 있습니다. 다음 영상에서는 헬프나우 오토MSP의 개발 배경과 차별화 포인트에 대해 설명드릴 텐데요. 헬프나우 오토MSP는 프롬프트 엔지니어링(prompt engineering), 에이전트 루프(agent loop), 프롬프트 체이닝(prompt chaining) 등의 생성형 AI 기법을 바탕으로 한 Agentic AI 구조로 설계되었습니다. 무엇보다 AI가 스스로 맥락을 이해하고 일련의 작업을 연결해 수행할 수 있도록 컨텍스트 프라이밍(Context Priming)과 컨텍스트 앵커링(Context Anchoring) 기술을 자체 개발해 적용했습니다.컨텍스트 프라이밍은 에이전트가 어떤 역할을 맡고 어떤 기준으로 판단하고 실행할지를 사전에 정의하는 기법입니다. 컨텍스트 앵커링은 AI가 여러 단계를 거쳐 작업을 수행할 때, 원래의 질문이나 목표에서 벗어나지 않도록 일관된 목적과 방향성을 유지하게 해주는 장치입니다. 이 덕분에 헬프나우 오토MSP는 길고 복잡한 문제에도 일관된 맥락 안에서 대응할 수 있으며, 중간에 논점이 흐트러지는 일 없이 신뢰할 수 있는 결과를 도출해냅니다. 베스핀글로벌은 헬프나우 오토MSP의 개발 기업이기도 하지만 가장 먼저 실사용한 내부 고객이기도 합니다. 사내 적용한 결과, 몇 시간 걸리던 장애 분석이나 수동 보고서 작성, 반복 인프라 설정 작업이 몇 분 내로 단축되었고 엔지니어들은 보다 창의적이고 전략적인 업무에 몰입할 수 있게 되었습니다.반복되는 업무는 AI에게 맡기고, 사람은 더 중요한 문제 해결과 의사결정에 집중하는 구조. 이것이 베스핀글로벌이 생각하는 올바른 협업 방식입니다. 헬프나우 오토MSP는 매일 반복되는 요청에 리소스가 한계에 다다랐거나 AWS 클라우드에 대한 숙련도가 높지 않은 경우, 혹은 효율성과 품질을 동시에 높여야 하는 인프라 관리 조직에게 효과가 매우 큰 솔루션입니다.이제 클라우드 운영이 바뀌어야 할 때입니다. 헬프나우 오토MSP가 어떻게 엔지니어가 일하는 방식을 바꾸는지, 지금 직접 경험해보세요. 관련 상품 HelpNow AutoMSP 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 FAQ Q1) 헬프나우 오토MSP는 어떤 업무에 가장 효과적인가요?단순하고 반복적인 운영 업무일수록 효과가 뚜렷합니다. 대표적으로 인프라 설정 변경(인스턴스 생성, 방화벽 설정 등), 장애 원인 분석 및 로그 정리, 운영 보고서 자동 생성, 운영체제(OS) 레벨 작업 처리 등의 작업에서 자동화 효과를 확인할 수 있습니다.Q2) 우리가 사용하는 클라우드 환경에 바로 적용할 수 있나요?헬프나우 오토MSP는 AWS 환경을 중심으로 최적화되어 있으며, 점차 적용 범위를 확대할 계획입니다. 일반적인 클라우드 운영 요청 패턴을 중심으로 설계되어 있어, 대부분의 기업 환경에 빠르게 적용 가능합니다.Q3) 실제로 베스핀글로벌 내부에서도 사용하고 있나요?네. 헬프나우 오토MSP는 베스핀글로벌의 클라우드 엔지니어들이 매일 실무에서 사용 중인 솔루션입니다. 개발 초기부터 실제 운영 현장에서 반복 작업을 자동화하기 위해 설계되었으며,장애 분석, 요청 처리, 보고서 작성 등의 업무에서 업무 시간을 크게 단축한 경험을 바탕으로 고도화되고 있습니다.Q4) 헬프나우 오토MSP의 차별점은 무엇인가요?버티컬 AI 에이전트라는 점에서 강점을 갖는다고 볼 수 있습니다. 헬프나우 오토MSP는 클라우드 운영 관리라는 특정 분야에 특화되어 설계, 개발되었고 고객 요청 데이터를 토대로 실제 엔지니어들의 업무 수행에 있어 가장 필요한 기능을 선별해 설계하였습니다. 10년간 수많은 MSP 프로젝트를 수행하며 축적한 도메인 지식이 반영돼 고객이 실제로 겪는 문제를 가장 빠르고 정확하게 해결할 수 있습니다. 2025년 07월 31일
계정 혼란, 보안 누수? 8주 만에 끝내는 해법 ARTICLE by Sangmi Park 2025년 07월 24일 클라우드를 잘 활용하는 기업일수록 운영·개발·테스트 등 다양한 목적의 계정을 사용하게 됩니다. 멀티 계정 운영은 보안 경계 설정과 리소스 한계 해소 등 클라우드 운영 효율성을 높이기 위한 전략적 선택인데요. 문제는 계정이 늘어날수록 보안도 운영도 점점 복잡해진다는 것이죠. 운영 계정, 개발 계정, 테스트 계정이 분리되지 않거나, 보안 정책이 계정마다 달라지는 상황이 빈번하게 발생합니다. 누가 어떤 권한을 가졌는지도 파악하기 어려워지고, 보안 사고의 리스크가 커질 수 있습니다. 아무리 좋은 도구라고 하더라도 ‘어떻게 도입하느냐’, ‘어떻게 사용하느냐’가 가장 핵심일 텐데요. 아래 영상을 통해 AWS Control Tower의 핵심 개념과 헬프나우 AWS 컨트롤 타워(HelpNow AWS Control Tower)가 이를 어떻게 구축하는지 단계별로 확인하실 수 있습니다. 계정을 공장에서 찍어내듯 만드는 Account Factory 기능, 목적에 맞게 계정을 나누는 조직(OU) 구성, 사용자 로그인 체계와 권한 설정, 수백 개의 보안 정책 적용까지 모두 실제 구축 사례를 기반으로 설명합니다.베스핀글로벌은 헬프나우 AWS 컨트롤 타워(HelpNow AWS Control Tower)를 통해 고객 환경에 맞춰 약 8주 만에 이를 완성하는 표준 구축 프레임워크를 제공합니다. 도입 과정의 복잡도를 획기적으로 낮출 수 있죠. 빠른 구축이 가능한 이유는 베스핀글로벌이 다양한 산업군, 특히 금융 및 엔터프라이즈 분야에서 다수의 실전 경험과 표준화된 템플릿을 확보하고 있기 때문입니다.고객의 환경과 요구에 따라 Basic, Advanced, Master 세 가지 등급으로 제공되며 Advanced는 랜딩존 구축과 3rd-party 보안 솔루션 연동, Master는 로깅 강화 및 금융권 보안성 심의 대응까지 지원합니다. 이어지는 영상에서는 실제 금융권 고객들이 어떤 문제를 안고 있었고, AWS Control Tower를 통해 그것을 어떻게 해결했는지를 구체적으로 보여줍니다. 클라우드 사용 경험이 전혀 없던 A 카드사는 퍼블릭 클라우드 도입을 본격 시작, 확대하려는 단계에 베스핀글로벌과 협업하게 되었습니다. 이어 금융권 보안 규정에 맞춘 정책 설계, 핀옵스 기반 비용 통제, 장애 대응 체계 구성까지 도움을 받아 안전하게 클라우드를 시작했고 현재도 지속적인 협업을 이어가고 있습니다.또한 B 신용평가사는 재해복구(DR) 센터를 클라우드에 이전하면서 중앙 백업 정책을 적용했고, 필요할 때만 자원을 사용하는 구조로 비용 절감까지 실현했습니다. 베스핀글로벌의 MSP 전문성과 오랜 경험이 정책 설계부터 운영 자동화까지 폭넓게 작용했다는 점이 특히 인상적인데요. 실제 금융권에서 어떻게 적용됐는지 지금 영상으로 확인해보세요. 헬프나우 AWS 컨트롤 타워는 단순한 계정 관리 도구를 넘어, 클라우드 운영의 기반을 통째로 바꾸는 전략입니다. 일관된 거버넌스, 자동화된 정책, 투명한 권한 관리, 재해복구 전략과 비용 최적화까지- 수많은 구축 경험을 바탕으로 8주 만에 안정적인 운영 환경을 완성합니다. AWS 클라우드 환경에서 운영 문제를 겪고 있다면? 헬프나우 AWS 컨트롤 타워(HelpNow AWS Control Tower)를 제안드립니다. 관련 상품HelpNow AWS Control Tower AI에 대해 더 알고 싶으세요?지금 바로 베스핀글로벌 전문 컨설턴트에게 문의하세요. 당신에게 가장 잘 맞는 AI를 만나보세요.Contact us최신 클라우드와 AI 인사이트를 매주 이메일로 받아보세요.업계 관계자들이 주목하는 뉴스레터 ‘베스픽’을 구독해 주세요. 베스픽 구독하기 FAQ Q1) 헬프나우 AWS 컨트롤 타워(HelpNow AWS Control Tower)는 무엇인가요?헬프나우 AWS 컨트롤 타워(HelpNow AWS Control Tower)는 AWS의 멀티 계정 거버넌스 툴(Control Tower)을 기반으로, 베스핀글로벌이 설계, 구축, 운영 프로세스까지 표준화해 제공하는 서비스입니다. 단순 툴 제공을 넘어서, 기업의 정책, 보안, 조직 구조에 맞춘 실행 전략까지 함께 설계하는 것이 핵심입니다.Q2) AWS Control Tower와 헬프나우 AWS 컨트롤 타워의 차이는 무엇인가요?AWS Control Tower는 AWS에서 제공하는 도구이지만, 실제 도입과 운영은 고객이 직접 구성해야 합니다. 헬프나우 AWS 컨트롤 타워는 여기에 베스핀글로벌의 구축 템플릿, 보안 정책, 자동화 기능, 운영 경험 등을 더해, 단 8주 만에 안정적인 클라우드 거버넌스를 완성하는 상품입니다.Q3) 헬프나우 AWS 컨트롤 타워는 어떤 기업에 적합한 서비스인가요?AWS 계정을 다수 운영 중이거나, 계정 간 권한·보안·운영 정책을 통합 관리하고 싶은 기업, 금융/공공 등 규제가 많은 산업군에 속한 기업에 특히 적합합니다. 또한 비용 통제와 정책 일관성이 필요한 IT 인프라 조직이나 클라우드 도입은 했지만 운영 거버넌스가 정비되지 않은 팀에게 추천합니다.Q4) 실제 Control Tower 구축에는 얼마나 걸리나요?베스핀글로벌은 약 8주 이내에 헬프나우 AWS 컨트롤 타를 완성하는 표준 구축 프로세스를 제공합니다. 고객의 기존 환경에 따라 유연하게 조정되며, 빠르고 안정적인 도입이 가능합니다.Q5) 헬프나우 AWS 컨트롤 타워는 어떤 기능을 포함하고 있나요?설정된 정책에 맞춘 계정 자동 생성(Account Factory), 조직 단위 구성(OU 설계), 보안 정책 통합 적용, 사용자 권한 통제, 백업 및 DR 정책 적용, SSO 설정 등 클라우드 계정 운영 전반을 아우르는 기능을 포함합니다. 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2025년 07월 24일
베스핀글로벌의 AI MSP 전략, AWS Summit Seoul 2025에서 전격 공개 ARTICLE by Sangmi Park 2025년 07월 18일 지난 5월, 서울 코엑스에서 열린 AWS Summit Seoul 2025는 생성형 AI와 AI 에이전트, 운영 자동화 등 최신 기술 트렌드를 조망하는 국내 최대 규모의 클라우드 기술 행사였습니다. 베스핀글로벌은 플래티넘 스폰서로 참가해 AI 도입을 고민하는 기업들에게 보다 실질적이고 구체적인 전환 전략을 제시했는데요. 특히 AI 전략 브랜드 HelpNow(헬프나우)를 중심으로 운영 자동화, 업무 재설계, 클라우드 보안에 이르기까지 핵심 제품군을 선보였습니다. 반복적인 클라우드 운영 업무를 자동화하는 HelpNow AutoMSP, 생성형 AI 기반 업무 재설계를 가능하게 하는 HelpNow Agentic AI Platform, 신속한 SaaS 도입 전략을 지원하는 HelpNow SaaS Framework, 클라우드 보안 통합 모델 HelpNow Cloud Security를 비롯, 클라우드 통합 서비스 HelpNow CMIS와 ML 모델 배포와 운영 자동화를 지원하는 HelpNow MLOps 등 주요 제품이 공개되어 많은 관심을 모았습니다.무엇보다 이번 서밋에서 첫 선을 보인 HelpNow AutoMSP가 목적에 맞춰 설계된 AI 에이전트들이 연동되어 클라우드 운영을 자동화, 생산성을 크게 향상시켜 눈길을 끌었습니다. 이를 주제로 현장에서 진행된 발표 세션도 큰 주목을 받았는데요.베스핀글로벌의 강종호 부사장은 HelpNow Agentic AI Platform을 기반으로 업무용 AI 에이전트가 실제 비즈니스 생산성을 어떻게 바꾸는지를 설명했고, 구상원 이사는 HelpNow AutoMSP를 통해 AWS 환경 전반을 자동화하는 실제 구현 사례와 워크플로우 전략을 공유했습니다. 현장 참가자들 사이에서는 “AI를 어떻게 구현해야 하는지에 대해 구체적인 가이드를 얻었다”, “실질적인 운영안을 제시하는 점이 인상 깊었다”는 반응이 이어졌습니다.베스핀글로벌은 HelpNow를 단일 솔루션이 아닌 실행 중심의 브랜드 체계로 새롭게 정립했습니다. AI는 물론, 데이터·클라우드·사이버 보안·교육까지 AI 재편에 필요한 핵심 영역을 통합적으로 아우릅니다.기술 도입에 그치지 않고 실제 업무에서 성과를 창출해 내는 것. 그것이 베스핀글로벌이 지향하는 AI MSP의 역할입니다. AWS Summit Seoul의 생생한 현장 분위기를 영상으로 확인하시기 바랍니다. FAQ Q1) HelpNow는 어떤 브랜드인가요?HelpNow는 베스핀글로벌이 선보인 AI 중심 비즈니스 전환 전략 브랜드입니다. AI 도입부터 자동화, 이를 위해 최적화된 클라우드 운영 관리, 사이버 보안, 데이터 활용, 그리고 클라우드와 데이터, AI 리터러시를 높이기 위한 교육까지 디지털 전환의 핵심 영역을 실행 중심으로 연결합니다.Q2) AWS Summit Seoul 2025에서 HelpNow는 어떤 내용을 중심으로 소개되었나요?AWS Summit Seoul 2025에서 베스핀글로벌은 HelpNow를 통해 AI 에이전트 기반의 클라우드 운영 자동화 프레임워크, AI 에이전트의 산업별 도입 사례, 클라우드 보안 표준 모델 등 기업이 실제로 적용할 수 있는 AI MSP 전략의 구조와 방향성을 중점적으로 소개했습니다.Q3) HelpNow는 기존 AI 도입 방식과 어떤 점이 다른가요?기존 AI 솔루션이 특정 기능 중심이었다면 HelpNow는 기업의 운영 전반을 재설계하는 구조적 접근을 지향합니다. 단일 툴이나 기술이 아닌, 실행 가능한 전환 체계 전체를 제공하는 점이 차별점입니다.Q4) HelpNow는 어떤 방식으로 제공되나요? (구성 체계가 궁금해요)HelpNow는 개별 상품이 아닌 전략 브랜드 포트폴리오로 구성됩니다. 운영 자동화를 위한 AutoMSP, 업무 재설계를 위한 Agentic AI Platform, 클라우드 보안을 표준화하는 통합 패키지인 Cloud Security, 그 외 SaaS 도입, MLOps, 통합 운영 지원을 포함한 여러 기능적 솔루션이 HelpNow 체계 아래 유기적으로 연결되어 제공됩니다.Q5) HelpNow는 어떤 기업에 적합한가요?HelpNow는 단일 산업이나 규모에 국한되지 않습니다. AI 전환을 고려하거나 클라우드 운영의 자동화, 보안 체계 강화, 업무 효율 향상을 고민하는 모든 기업에게 적용 가능합니다. 특히 디지털 운영을 AI 중심으로 전략적 재편(Reshaping)하고자 하는 조직에 가장 큰 가치를 제공합니다. 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2025년 07월 18일
AI Agent, 직접 만들어볼까? – AWS Bedrock으로 실전 구현 가이드 TECH GUIDE by Sangmi Park 2025년 07월 09일 AWS Bedrock 활용 : AI Agent 간단히 구현하기 안녕하세요. 오늘은 BESPIN GLOBAL AX실 황광진님이 작성해주신 ‘AWS Bedrock 활용: AI Agent 간단히 구현하기’ 대해 소개해드리도록 하겠습니다. 목차 1. AI Agent 란?2. AI Agent 특징3. AI Agent를 활용할 수 있는 곳4. AWS Bedrock를 사용하여 AI Agent를 구현하는 방법 1. AI Agent 란? 특정 작업을 수행하거나 문제를 해결하기 위해 설계된 자율적인 인공지능 시스템입니다. 이 시스템은 데이터를 수집하고, 이를 분석하여 의사결정을 내린 뒤, 필요한 작업을 실행하는 방식으로 동작합니다. AI Agent는 소프트웨어 기반일 수도 있고, 물리적 장치(예: 자율주행차)로 구현될 수도 있습니다. 2. AI Agent의 특징 • 자율성사용자의 직접적인 개입 없이 독립적으로 작동하며, 목표 달성을 위해 필요한 행동을 스스로 결정합니다.• 환경 인식센서나 데이터 입력을 통해 환경의 상태를 감지하고 정보를 수집합니다.• 의사결정 능력수집된 데이터를 기반으로 목표 달성을 위한 최적의 행동을 선택합니다.• 행동 실행결정된 행동을 실제로 수행하며, 예를 들어 이메일 발송, 일정 예약, 데이터베이스 조회 등의 작업을 처리할 수 있습니다.• AI Agent와 일반 챗봇의 차이점특징AI Agent일반 챗봇 (LLM 기반)행동 능력실제 작업 수행 가능 (예: 이메일 전송, 예약)텍스트 기반 응답 생성에 제한됨도구 활용외부 API 및 도구와 상호작용 가능학습된 지식으로만 응답목적성특정 목표를 설정하고 이를 달성하기 위한 계획과 실행사용자 질문에 대한 단순 응답 생성메모리와 상태 관리장기적인 작업 상태 추적 가능대화 컨텍스트 내에서만 제한적으로 메모리 유지 3. AI Agent를 활용할 수 있는 곳 AI Agent는 다양한 산업과 분야에서 활용될 수 있으며, 그 적용 사례는 점점 더 확장되고 있습니다. 아래는 AI Agent를 효과적으로 활용할 수 있는 주요 영역과 사례를 소개합니다.고객 서비스AI Agent는 고객 지원 업무를 자동화하고 효율성을 높이는 데 특히 유용합니다:– FAQ 응답: 고객의 일반적인 질문에 대해 즉각적인 답변 제공– 문제 해결: 비밀번호 재설정, 환불 처리 등 간단한 작업을 자동으로 수행– 24/7 지원: 시간 제약 없이 고객 요청 처리– 예: 젠데스크와 같은 플랫폼에서 AI Agent를 통해 고객 관계를 강화마케팅 및 판매AI Agent는 데이터를 분석하여 맞춤형 마케팅 캠페인을 생성하고 판매를 촉진합니다:– 개인화된 추천: 소비자 행동 데이터를 기반으로 제품 추천– 리드 생성 및 관리: 잠재 고객을 식별하고 적합한 판매 전략을 제안– 경쟁 분석: 시장 동향을 예측하고 성장 기회를 제시– 예: Botpress 기반 AI Agent는 판매 퍼널 구축과 마케팅 캠페인 최적화에 사용 4. AWS Bedrock를 사용하여 AI Agent를 구현하는 방법 AWS Bedrock 서비스 내 Agent 기능을 이용하여 AI Agent를 쉽게 구성할 수 있어서 아래와 같은 방법으로 구현을 할 수가 있습니다. 4-1. Amazon Bedrock Agent 생성 Agent 생성: AWS Management Console에서 Amazon Bedrock에 로그인합니다. 왼쪽 탐색 메뉴에서 Agents를 선택한 후 Create Agent를 클릭합니다. Agent 이름과 설명을 입력합니다. Agent가 사용할 IAM 역할을 지정합니다(새 역할 생성 또는 기존 역할 사용 가능). Agent가 사용할 Foundation Model(FM)을 선택합니다. 예를 들어, Amazon Titan, Anthropic Claude 등 사용 사례에 적합한 모델을 선택할 수 있습니다. 프롬프트 템플릿 작성: Agent가 수행할 작업과 역할을 자연어로 정의하는 프롬프트를 설정합니다. 예: “AWS 솔루션 설계 전문가로서 고객에게 모범 사례를 안내하세요” 작업 그룹(Action Groups) 추가: 작업 그룹은 Agent가 수행할 수 있는 구체적인 작업(API 호출, 데이터 처리 등)을 정의합니다. Lambda 함수와 같은 사용자 정의 로직을 포함할 수 있습니다. 작업 그룹 없이도 기본적인 Agent를 생성할 수 있지만, 더 복잡한 작업을 위해서는 Action Group 설정이 필요합니다. 4-2. 지식 베이스 및 RAG 설정 지식 베이스 구성: OpenSearch 또는 S3와 같은 데이터 소스를 연결하여 지식 베이스를 생성합니다. 지식 베이스는 사용자 입력에 따라 관련 데이터를 검색하고 응답 생성에 활용됩니다. RAG 구현: RAG는 검색된 데이터를 LLM과 통합하여 보다 정확하고 맥락에 맞는 응답을 제공합니다. RAG 설정은 Amazon Bedrock에서 자동으로 관리되며, 개발자는 이를 통해 데이터 기반의 응답을 생성할 수 있습니다. 4-3. Lambda 및 API 통합 Amazon Bedrock Agent는 Lambda 함수와 API를 통해 외부 시스템 및 애플리케이션과 상호작용할 수 있습니다. Lambda 함수 작성: Python(Boto3) 또는 다른 언어로 Lambda 함수를 작성하여 사용자 요청에 대한 비즈니스 로직을 처리합니다. 예: 금융 거래 보고서를 생성하거나 데이터베이스에서 정보를 검색하는 작업 수행 API Gateway 설정: PI Gateway를 사용하여 Agent의 기능을 외부 애플리케이션과 연결합니다. 이를 통해 웹 또는 모바일 애플리케이션에서 AI Agent를 호출할 수 있습니다. 여기까지 ‘AWS Bedrock 활용 : AI Agent 간단히 구현하기’’에 대해 소개해드렸습니다. 유익한 정보가 되셨길 바랍니다. 감사합니다. FAQ Q1) AWS Bedrock이란 무엇인가요?AWS Bedrock은 Amazon Web Services(AWS)에서 제공하는 AI 모델 구축 및 배포 플랫폼으로, 다양한 사전 학습된 모델을 활용하여 AI 에이전트 개발을 지원합니다. 이를 통해 기업은 AI 솔루션을 신속하게 구축하고 운영할 수 있습니다.Q2) AI 에이전트란 무엇이며, 어떻게 활용되나요?AI 에이전트는 자연어 처리(NLP), 머신러닝, 데이터 분석 등을 기반으로 자동화된 의사결정 및 작업 수행을 지원하는 시스템입니다. 고객 서비스, 데이터 분석, 업무 자동화 등 다양한 분야에서 활용됩니다.Q3) AWS Bedrock을 사용하여 AI 에이전트를 어떻게 구축하나요?AWS Bedrock을 활용하면 사전 학습된 모델을 선택하고, 이를 기반으로 자연어 처리 파이프라인을 구성하여 AI 에이전트를 구축할 수 있습니다. AWS의 다양한 서비스와 통합하여 확장성과 안정성을 확보할 수 있습니다.Q4) AWS Bedrock을 활용한 AI 에이전트 구축의 장점은 무엇인가요?AWS Bedrock을 사용하면 모델 학습 및 배포에 소요되는 시간과 비용을 절감할 수 있으며, 확장성과 안정성을 갖춘 AI 솔루션을 구축할 수 있습니다. 다양한 사전 학습된 모델을 활용하여 빠른 프로토타이핑 및 실험이 가능합니다.Q5) AI 에이전트 구축 시 고려해야 할 사항은 무엇인가요?AI 에이전트 구축 시 데이터 품질, 모델 선택, 보안 및 개인정보 보호, 운영 모니터링 등을 고려해야 합니다. AWS Bedrock의 비용 구조와 서비스 제한 사항을 이해하고 적절한 설계를 해야 합니다. 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2025년 07월 09일
당신의 업무에 가장 적합한 AI 에이전트를 골라주세요! BESPICK by Sangmi Park 2025년 01월 07일 안녕하세요, 구독자 여러분. 2주 휴식 후 청사의 해에 돌아온 베스픽입니다. 새해 복 많이 받으세요 오늘은 새해 첫 베스픽인 만큼, 너나 할 것 없이 올해 가장 대세라고 말하는 그것, ‘AI 에이전트(AI Agent)’에 대해 이야기해보려고 합니다.AI 에이전트란 데이터를 기반으로 환경을 인식하고 목표를 달성하기 위해 스스로 판단하여 작업을 수행하는 자율적인 AI 시스템을 가리키는 말인데요. OTT나 비디오 플랫폼이 다음에 볼 콘텐츠를 추천하고, 스마트폰 비서가 알람을 맞추며, 자율주행차가 목적지를 찾아가는 이 모든 과정에 AI 에이전트가 숨어 있습니다! 오늘은 다양한 형태와 역할을 가진 AI 에이전트에 대해 알아보겠습니다. AI 에이전트의 가장 기본적인 형태는 반응형 에이전트(Reactive Agent)입니다. 현재 상황에 즉각 반응하는 방식으로 작동하는데요. 체스 게임에서 상대의 수를 예측하는 등 단순한 조건에 따라 응답하는 챗봇이 대표적 사례입니다. 그 후 점차 기술이 발전하며 목적 지향 에이전트(Goal-based Agents)와 유틸리티 기반 에이전트(Utility-based Agent)가 등장했죠.목적 지향 에이전트는 가장 빠른 길을 찾는 GPS 지도 앱처럼 명확한 목표를 설정하고 이를 달성하기 위해 계획을 세우고 실행합니다. 자동차가 스스로 목적지로 이동하는 자율주행 기술에도 이 원리가 적용되죠.유틸리티 기반 에이전트는 효율성을 극대화하는 방향으로 행동을 선택하는데요. 온라인 쇼핑몰이 고객 맞춤형 제품을 추천하거나 플랫폼이 소비자의 취향에 맞는 콘텐츠를 보여주는 시스템이 이에 해당합니다. 음원 스트리밍 플랫폼 Spotify는 사용자의 청취 패턴을 분석하는 유틸리티 기반 에이전트를 통해 이용자에게 맞춤형 플레이리스트를 제공하죠.학습 에이전트(Learning Agent)는 데이터를 통해 스스로 학습하며 경험을 통해 지속적으로 성능을 개선하는 에이전트를 의미합니다. 잘 알려진 사례로는 이세돌과 세기의 바둑 대결을 겨뤘던 알파고(AlphaGo)가 있습니다. 현재는 게임을 넘어, 의료 진단이나 금융 분석 등 다양한 산업에서 쓰이고 있죠.또한 사람과의 소통에 특화된 상호작용형 에이전트(Interactive Agent)는 사용자와 대화를 나누고 요청을 처리하는 데 중점을 둡니다. 애플의 Siri나 아마존의 Alexa 같은 가상 비서나 사용자의 음성을 분석해 스마트 가전제품을 제어하는 Google Assistant가 상호작용형 에이전트의 대표적인 사례인데요. 단순히 정보를 제공하는 것을 넘어, 사용자와의 대화 속에서 맥락을 이해하고 문제를 해결합니다. 이처럼 AI 에이전트는 이미 우리의 일상과 친숙한 존재인데요. 이외에도 정말 다양한 AI 에이전트가 있습니다. AI 에이전트를 구분하는 기준을 정리하면 아래와 같습니다. 작동 방식 – 어떻게 작동하느냐목적 – 무엇을 하느냐기술 구현 방식 – 설계와 기술적 구조가 어떻게 되어 있느냐 1. 작동 방식 ‘작동 방식’을 기준으로 한 AI 에이전트는 크게 규칙 기반(Rule-Based)과 데이터 기반(Data-Based), 지식 기반(Knowledge-Based) 등이 있습니다. 규칙 기반 AI 에이전트는 말 그대로 정해진 규칙에 따라 작동합니다. “이런 상황에서는 이렇게 반응한다”는 고정된 구조로 설계되었죠. 특정 키워드를 감지해 준비된 답변을 제공하는 초기 챗봇이나 버튼에 따라 설정대로 응답하는 자동 전화 응답 시스템이 이런 고정된 행동 규칙에 따라 움직이는 대표적인 예입니다.반면에 데이터 기반 AI 에이전트는 훨씬 유연합니다. 데이터를 학습하고 분석해 스스로 결정을 내리며, 상황에 따라 행동을 바꿀 수 있죠. 머신 러닝이나 딥 러닝을 기반으로 한 경우가 많습니다. 넷플릭스, PayPal, 구글 딥마인드, 월마트, 테슬라 등 웬만한 AI 에이전트는 전부 데이터 기반 AI 에이전트라고 해도 과언이 아닙니다.지식 기반 AI 에이전트는 데이터 기반과 달리 기존 데이터를 학습하는 것이 아니라, 각 도메인의 지식을 체계적으로 정리한 데이터베이스와 논리적 추론을 활용해 작동합니다. 규칙 기반보다 복잡한 문제를 해결할 수 있으며, 명확하게 정의된 지식을 통한 결과를 제공합니다. 학술 연구 플랫폼인 시맨틱 스칼라의 AI 에이전트(Semantic Scholar AI Agent)는 의학학술정보분류체계인 메쉬(MeSH) 키워드를 통해, 보다 쉽게 논문을 이해하고 활용할 수 있도록 지원하고 있습니다. 2. 목적 AI 에이전트는 ‘목적’에 따라 분류할 수도 있습니다. 정보 처리형 AI 에이전트(Information Processing AI Agent)는 데이터를 검색하고 정리하며, 필요한 정보를 사용자에게 제공하는 데 초점을 맞춥니다. 우리가 매일 사용하는 포탈의 검색 엔진이나 뉴스 추천 시스템이 바로 이런 유형이죠.의사결정형 AI 에이전트(Decision-Making AI Agent)는 자율주행차나 투자 분석 AI처럼 여러 선택지 중에서 최적의 결정을 내려야 하는 경우에 사용됩니다. 예측 및 분석형 AI 에이전트(Predictive and Analytical AI Agent)는 과거 데이터를 기반으로 미래를 예측하거나 트렌드를 분석합니다. NASA는 기후 변화 데이터를 분석해 미래의 지구 온난화와 그 영향을 예측하는 AI 에이전트를 활용하고 있다고 하죠. 3. 기술 구현 방식 마지막으로 ‘기술 구현 방식’에서도 AI 에이전트는 다양하게 나뉩니다. 멀티모델 AI 에이전트(Multi-Model AI Agent)는 여러 AI 모델을 조합해 복잡한 작업을 수행하는 시스템입니다. 멀티모델 에이전트를 사용하면 음성 인식 모델이 사용자의 요청을 텍스트로 변환, 자연어 처리 모델이 이를 분석하고, 시각화 모델이 분석 결과를 그래프로 표현할 수 있게 되는 거죠. 복잡한 작업에 매우 유용합니다.반대로 하나의 AI 모델에 기반하는 단일 모델 기반 AI 에이전트(Single-Model AI Agent)도 있고요. 이름이 비슷한 멀티모달 AI 에이전트(Multi-Modal AI Agent)는 텍스트, 이미지, 음성 등 여러 종류의 데이터를 동시에 처리할 수 있는 능력을 갖추고 있습니다. GPT-4처럼 텍스트와 이미지를 함께 이해할 수 있는 AI가 대표적입니다.멀티모‘델’ AI 에이전트는 여러 모델이 협력해 복잡한 작업을 처리하는 ‘기술적 구성’에 중점을 두고, 멀티모‘달’ AI 에이전트는 처리하는 ‘데이터의 유형’을 중시한다고 생각하시면 이해가 빠를 것 같네요. 베스핀글로벌은 세계 최초 교사 주도형 생성형 AI인 울산교육청의 ‘우리 아이(AI) 서비스’에는 멀티모델 AI 에이전트를, 세계 최초 원전 특화형 생성형 AI 서비스를 구축하는 한국수력원자력의 경우에는 단일 모델 기반 AI 에이전트를 토대로 수행하고 있습니다. 모두 베스핀글로벌의 LLM 기반 AI 에이전트 플랫폼 ‘헬프나우 AI(HelpNow AI)’를 활용했답니다. 오늘은 다양한 AI 에이전트의 분류에 대해 말씀드렸는데요. AI 에이전트 도입의 실패 확률을 낮추기 위해선 어떤 역할과 기능이 필요한지 여러 각도에서 분석해야 합니다. 앞서 소개드린 분류 방법을 참고해서 내가 속한 영역과 산업군에 가장 적합한 AI 에이전트가 무엇인지 꼼꼼히 살펴보시는 것은 어떨까요?오늘의 베스픽은 이렇게 마무리하도록 하겠습니다. 모두 평안하고 건강한 한 해 보내시기를 소망합니다. 다음에 뵐게요. 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 ⛅ 안쓰면 클나우 AI 시대 대응 전략 가이드가 필요하신가요? 2025년 AI 인사이트를 단 한편의 영상으로 해결할 수 있습니다! 생성형 AI의 활용 사례들과 AI 도입 준비 사항 그리고 AI 시대에 성공하려면 어떤 직업을 가져야 하는지까지 흥미롭게 전달드립니다. 제가 만든 GPT는 당신이 만든 GPT와 전혀 다릅니다>의 저자이자, 라이즈모먼트 AI를 운영하시는 유호석 대표님과 함께 AI 여정의 필수 노하우를 알아보시면 어떨까요? 유호석 작가의 AI 시대 대응 전략 대담 영상 바로 보기 Sources Understanding the Different Types of AI Agents: Examples from Real-World Applications | by Unicorn Day | MediumLangChain: Creating an AI Agent utilizing the Spotify API. Part I | by Astropomeai | MediumAI Agents Are Taking Over: And That’s Good For BusinessThe top AI trend of 2025: Why AI agents will take overSemantic Scholar AI Agent 2025년 01월 07일
2024년 12월 ver. AI 용어 사전: ✏️입문편부터 🎓심화편까지 총정리! BESPICK by Sangmi Park 2024년 12월 03일 안녕하세요, 베스픽 구독자 여러분. 생성형 AI의 혁신이 빠르게 확산되며, 매일같이 익숙하지 않은 단어들이 등장하고 있습니다. 새롭게 만들어지거나 이미 존재하던 개념이었지만 최근 주목받기 시작한 용어들이 아주 많은데요. AI 기술이 일상과 업무를 혁신하고 있는 만큼 이를 둘러싼 용어도 점점 더 다양해지고 있는 것이겠죠.오늘의 베스픽은 꼭 알아야 하는 기본 개념과 함께, 한번쯤 들어보았지만 그 의미는 잘 모르겠는 ‘입문편’과 보다 전문적인 기술 용어 및 최신 트렌드를 포함한 ‘심화편’으로 이루어진 ‘생성형 AI 용어 사전 by 베스픽’을 준비했습니다. 구독자 분들의 AI 이해에 보탬이 되길 바라며, 오늘의 베스픽은 즐겨찾기 후 필요할 때마다 열어 보시는 것을 추천합니다 🔎Must-Know: ‘AI 용어 사전’ 입문편 AGI(Artificial General Intelligence) 일반 인공 지능 or 범용 AI : 인간의 개입이 거의 없이 광범위한 복잡한 작업을 완료할 수 있는 가상의 AI 시스템을 의미. 오픈 AI는 AGI를 “대부분의 경제적으로 가치 있는 작업에서 인간보다 성능이 뛰어난 고도로 자율적인 시스템”이라고 정의.AI Agent AI 에이전트 : 특정 작업을 자율적으로 수행할 수 있는 AI 프로그램. 고객 문의를 처리하는 AI 챗봇이나 자동화된 음성 비서 등이 대표적.AI Bias AI 편향 : AI 모델이 고정관념에 따른 데이터 편향으로 인해 특정 유형이나 그룹에 대해 편견을 갖는 결과를 생성하는 일이나 이로 인한 부정적 영향을 가리킴. 채용 AI가 특정 성별이나 인종을 선호하는 결과를 초래하는 등의 사례가 대표적.AI Diet AI 다이어트 : AI 모델의 훈련에 사용되는 데이터를 효율적으로 관리하기 위한 접근 방식으로 모델의 경량화와 전력 소모 절감을 목표로 함 → 비슷한 개념으로, 불필요하거나 중복된 데이터를 제거해 효율성을 높이는 데이터 관리 전략을 Data Diet라고 지칭함.AI Sovereignty AI 주권 : 특정 국가나 조직이 자국 내 데이터를 보호하며 AI 기술을 독립적으로 운영하고자 하는 접근 방식.Computer Vision 컴퓨터 비전 : 기계가 시각적 세계(이미지, 비디오, 기타 시각적 입력)를 해석하고 이해할 수 있도록 하는 AI 분야.Foundation Model 파운데이션 모델 : 대규모 데이터와 학습을 기반으로 다양한 작업에 활용 가능한 범용 AI 모델로 AI 연구와 응용에서 중요한 개념.GPT(Generative Pre-training Transformer) : 생성형 AI 기술을 기반으로 한 언어 모델로 자연어 처리 작업을 자동화하고, 질문에 대한 답변을 생성하거나 글쓰기를 돕는 데 사용 → Pre-Trained: AI 모델이 특정 작업에 대해 미리 학습된 상태를 의미. 여기서 잠깐! GPT가 왜 중요한가요?이제 익숙한 개념이 되어버린 ‘GPT’는 생성형 AI 기술의 핵심으로 ChatGPT, Gemini 등 우리가 일상에서 사용하는 대화형 AI 서비스의 기반이라고 할 수 있습니다. 텍스트 생성부터 프로그래밍 코드 작성, 복잡한 문제 해결까지 활용 범위가 매우 넓어, AI 기술 발전의 중심에 있다고 평가됩니다.Guardrail 가드레일 : AI 모델에 적용된 정책 및 제한으로 데이터가 책임감 있게 처리되고 모델이 불쾌한 콘텐츠를 생성하지 않도록 보장하는 것을 의미.NLP(Natural Language Processing) 자연어 처리 : 인간의 언어를 이해, 해석, 생성하는 기술을 의미. 음성 비서(Alexa, Siri), 번역기(Google Translate), 이메일 스팸 필터링 등 다양한 응용 분야에서 사용.Multi-Modal AI 멀티모달 AI : 텍스트, 이미지, 오디오 등 여러 유형의 데이터를 동시에 처리할 수 있는 AI. 생성형 AI의 확장 가능성을 보여주는 핵심 기술로 평가됨. → 예시) 텍스트를 기반으로 이미지를 생성하는 OpenAI의 ‘DALL·E’, 텍스트, 이미지, 오디오, 비디오 등 다양한 형식의 데이터를 이해하고 생성할 수 있는 Google의 ‘Gemini’ 등Orchestration 오케스트레이션 : 여러 AI 모델과 시스템이 조화를 이루어 협력하도록 조정하는 기술이나 접근 방식.Parameter 매개변수 : AI 모델이 학습하는 과정에서 조정되는 변수를 의미하며, 성능과 결과를 결정짓는 핵심 요소.Red Teaming 레드 팀 : AI 모델의 결함과 취약점을 찾는 것을 목표로 하는 구조화된 테스트 시스템.Temperature : AI 모델의 창의성이나 정확도를 조절하는 것을 의미. Token 토큰 : AI 언어 모델이 처리하는 단위(단어, 글자, 심볼). AI 모델이 문맥을 이해하고 처리하는 데 필수적인 과정. → 예시) AI is Amazing! 이라는 문장은 AI / is / Amazing /!의 4개의 토큰으로 구성. 💪Next Level: ‘AI 용어 사전’ 심화편 AI Legacy AI 레거시 : 기존 시스템과 AI 기술의 통합 과정에서 발생하는 호환성 문제, 기술적 부채, 또는 AI 도입으로 인해 기존 인프라가 비효율적으로 작동하는 현상을 의미.AI TRiSM(Artificial Intelligence Trust, Risk, and Security Management) AI 트리즘 혹은 AI 신뢰 리스크 보안 관리 : AI 모델의 신뢰성, 위험 관리, 보안을 강화하기 위한 접근 방식.Bio-Inspired AI 생체 모방 AI : 실제 자연계의 생물체나 현상에서 영감을 받아 설계된 AI 기술. → 예시) 인간의 신경망 구조를 모방한 딥러닝 기술이나 개미 군집의 행동을 기반으로 설계된 알고리즘 등.Blue-Collar AI 블루칼라 AI : 제조업과 같은 노동집약적 산업에서 활용되는 AI를 의미. → 예시) AI 기반의 자동화 제조 로봇, 물류 센터의 상품 분류 시스템 등Edge AI Farm 엣지 AI 팜 : 엣지 디바이스에서 AI 모델을 학습시키고 실행하는 분산 시스템을 의미. → 예시) 스마트 팩토리에서 각 기계가 독립적으로 데이터를 처리하며 네트워크 연결이나 중앙 서버에 의존하지 않고 운영되는 시스템을 구축했을 때, 이를 Edge AI Farm이라 할 수 있음.Embodied AI 임바디드 AI 혹은 체화된 AI : AI와 물리적 세계와 상호작용하는 것을 의미. AI와 로봇과의 결합이 대표적이며 가상현실, 자율주행차 등에 적용되는 기술.Federated Learning 연합 학습 : 데이터를 로컬 장치에서 처리, 중앙 서버에 업로드되지 않아도 AI 모델을 학습시킬 수 있는 기술. → 개인정보 보호와 데이터 분산 환경에서의 AI 학습을 동시에 가능하게 하여 의료, 금융 등의 산업에서 활발히 적용됨.GPU Poor GPU 푸어 : AI 기술의 급격한 수요 증가로 인해 GPU가 부족한 상태를 가리킴.PromptOps 프롬프트옵스 : AI 시스템에 정확한 프롬프트를 관리하고 최적화하는 기술. 생성형 AI의 효율성을 극대화하는 데 쓰임. 여기서 잠깐! PromptOps가 왜 중요한가요?생성형 AI 도입이 확대됨에 따라 PromptOps는 기업의 AI 운영 효율성을 높이는 핵심 전략으로 자리잡고 있는데요. 생성형 AI의 성능은 프롬프트 설계에 따라 크게 좌우되기 때문이죠. PromptOps는 이러한 프롬프트를 체계적으로 관리하고 최적화하는 기술로, 효율적이고 일관된 AI 결과를 보장합니다. Prompt Chaining 프롬프트 체이닝 : 여러 개의 프롬프트를 연결해 복잡한 작업을 수행하도록 AI 모델을 설계하는 기법. → 첫 번째 프롬프트로 문서를 요약하고, 두 번째 프롬프트로 요약 기반의 질문을 생성하는 등 연속적인 작업을 수행하기 위한 설계 방식.Reinforcement Learning 강화 학습 : AI가 시뮬레이션 환경에서 상호작용하며 보상과 처벌을 통해 학습하는 방식. 자율주행 차량이나 게임 개발 시 주로 사용됨.Sentient AI 센티언트 AI : 자율적으로 사고하고 감정을 느낄 수 있는 AI를 의미. 현재는 이론적 개념으로만 논의되고 있으며 영화 ‘Her’에 등장하는 AI가 이와 가까운 사례.Shadow AI 섀도우 AI : 기업 내에서 공식적으로 승인받지 않은 상태로 사용되는 AI 시스템이나 애플리케이션을 의미.Slop 슬롭: AI가 생성한 결과물 중 부실하거나 품질이 낮은 결과물을 의미. → 예시) AI로 작성된 스팸 게시물이나 부정확한 답변, 질이 낮은 디지털 아트 등.X-risk : AI가 통제 불가능하게 급속히 발전하거나 잘못된 의사결정을 내릴 경우에 인간에게 발생할 수 있는 실존적 위험을 가리키는 말.Zero-shot Learning 제로샷 러닝: 학습된 데이터와 유사성이 없는 새로운 작업이나 범주를 처리할 수 있는 능력. 명확하게 사전 훈련된 작업이 아니어도 유사성을 기반으로 처리할 때 사용됨. → 예시) 학습한 적 없는 언어를 다른 언어의 구조와 규칙을 기반으로 번역하거나 알지 못하는 동물을 텍스트 설명을 기준으로 분류.오늘 베스픽에서 소개된 AI 용어들 중 가장 인상깊거나, 더 알고 싶은 개념은 무엇인가요? 피드백으로 의견을 남겨주시면, 향후 더 발전된 콘텐츠로 찾아뵙겠습니다. 오늘의 베스픽은 여기까지입니다. 다음에 만나요 ⛅ 안쓰면 클나우 새로워진 OpsNow 홈페이지, 클라우드 운영의 A-Z을 쉽고 간편하게!AI 기반 클라우드 관리 플랫폼 OpsNow의 홈페이지가 코발트블루의 새로운 Look & Feel로 리뉴얼되었습니다!!! 이번 개편을 통해 OpsNow의 상품과 서비스를 보다 직관적이고, 쉽게 찾아볼 수 있게 되었는데요.마우스 클릭이나 스크롤 등에 즉각적으로 반응하는 마이크로 인터랙션을 사용해 사용자 경험을 개선했고요. 블로그와 리소스 페이지 개편으로 다양한 핀옵스 관련 정보를 한눈에 살펴볼 수 있게 되었습니다. 한국어판과 영문판에 이어 일본어 버전도 곧 공개될 예정이랍니다.운영 효율성부터 비용 최적화, 그리고 보안까지 클라우드 운영에 대한 모든 것을 OpsNow에서 지원합니다. 지금 바로 OpsNow의 새로운 홈페이지에서 2025년 클라우드 비용 절감 방법을 알아보세요! 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 Sources AI Glossary: A-Z of Artificial Intelligence Terms to KnowWhat is AI? A-to-Z Glossary of Essential AI Terms in 2024Essential Terms You Need to Know about AI In 2024 | by ESSADIK Ibtissam | MediumFirst Came ‘Spam.’ Now, With A.I., We’ve Got ‘Slop’How AI Reshapes Vocabulary: Unveiling the Most Used Terms Related to the Technolog 2024년 12월 03일
EKS + Fluent bit + OpenSearch 구성을 통한 로그 수집 TECH by Sangmi Park 2024년 02월 08일 1-a. EFK (ElasticSearch + Fluented + Kibana)란? EFK란 ElasitcSearch + Fluentd bit + Kibana의 조합을 일컬음보통 지속적으로 유입되는 로그 데이터를 수신하고 이 데이터를 차트와 그래프로 시각화 하거나 분석할때 사용하는 솔루션2021년 9월, Elastic의 라이선스 변경으로 인해 AWS에서는 ElasticSearch에 대한 업데이트 제공을 중단함. 기존 ElasticSearch를 포크(Fork)하여 OpenSearch라는 오픈 소스 서비스를 개시하고,Elastic에서 함께 지원하던 시각화 도구인 Kibana는 OpenSearch Dashboard 라는 서비스로 지원 1-b. OpenSearch + Fluent bit + OpenSearch Dashboard Fluent bit : 데이터(로그)를 수집해서 Opensearch로 전달OpenSearch : Fluentd로부터 받은 데이터를 검색 및 집계하여 필요한 정보 획득OpenSearch Dashboard: Opensearch의 빠른 검색능력을 통해 데이터 시각화 및 모니터링 1-c. Fluentd / Fluent bit / LogStash 장단점 장점단점Fluentd– 다양한 데이터 소스에서 로그를 수집하고 대용량 데이터 처리를 지원하는 포괄적인 로그 수집기– 풍부한 플러그인과 커뮤니티 지원이 제공됨– 일부 환경에서 성능이 떨어질 수 있으며, 메모리 사용량이 크고 설정이 상대적으로 복잡함Fluent bit– 경량화 되어 자원 소모가 적고, 빠른 처리 속도 제공– 컨테이너 환경에 적합하고 메모리 효율성이 뛰어남– 로그 처리 파이프라인이 다른 컴포넌트와 비교했을 때,일부 기능이 제한적일 수 있음LogStash– 다양한 데이터 입력과 출력 플러그인 지원– ElasticSearch와의 연동이 강력하며, 데이터 처리 파이프라인 구축이 상대적으로 용이– 자원 소모가 크고, 처리량이 많은 시나리오에서성능에 제약이 있을 수 있음 2-a. 사전 준비사항 1) 로그를 생성할 애플리케이션 생성git clone https://github.com/GoogleCloudPlatform/microservices-demo.git cd microservice-demo 2) 애플리케이션 yaml 파일 클러스터에 적용kubectl apply -f ./microservice-demo/release/kubernetes-manifests.yaml 3) 배포 확인kubectl get pod -A -n logging 2-b. Elasticsearch(Amazon OpenSearch Service) 생성 https://docs.aws.amazon.com/ko_kr/opensearch-service/latest/developerguide/createupdatedomains.html 를 참고하여 Elasticsearch 생성 2-c. AWS IRSA (IAM Role for Service Account) 설정 Kubernetes Service Account와 AWS IAM 역할을 연결하여 AWS 리소스에 대한 접근 권한을 부여하는 접근제어 방식1) EKS OIDC Identity Providers 생성 IAM > Access Management > Identity Providers > Add Provider → 공급자 유형 : OpenID Connect → 공급자 URL EKS > Clusters > 클러스터 선택 > Overview > OpenID Connect provider URL → 대상 : sts.amazonaws.com 2) IAM Policy 생성 IAM > Access Management > Policies > Create policy{ "Version": "2012-10-17", "Statement": [ { "Action": [ "es:ESHttp*" ], "Resource": "${OPENSEARCH_ARN}", "Effect": "Allow" } ]}→ ${OPENSEARCH_ARN} : 생성한 OpenSearch의 ARN 정보로 교체 3) IAM Role 생성 IAM > Access Management > Policies > Create role→ 신뢰할 수 있는 엔터티 유형 : 사용자 지정 신뢰 정책{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Federated": "${IDENTITY_PROVIDER_ARN}" }, "Action": "sts:AssumeRoleWithWebIdentity", "Condition": { "StringEquals": { "${IDENTITY_PROVIDER}:aud": "sts.amazonaws.com", "${IDENTITY_PROVIDER}:sub": "${SERVICE_ACCOUNT_NAME}", } } } ] } → ${IDENTITY_PROVIDER_ARN} : 위에서 확인한 EKS OpenID Connect provider ARN 값→ ${IDENTITY_PROVIDER}:aud : 위에서 확인한 EKS OpenID Connect provider→ ${IDENTITY_PROVIDER}:sub : 생성할 Service Account 이름 2-d. RBAC (Role-Based Access Control) 설정 Kubernetes Service Account에게 클러스터 수준의 리소스 접근을 제어할 권한 부여1) Service Account 생성apiVersion: v1 kind: ServiceAccount metadata: name: fluent-bit annotations: eks.amazonaws.com/role-arn: ${IAM_ROLE_ARN} namespace: logging 2) Cluster Role 생성apiVersion: rbac.authorization.k8s.io/v1 kind: ClusterRole metadata: name: fluent-bit-read rules: - apiGroups: - "" resources: - namespaces - pods verbs: - get - list - watch 3) Cluster Role Binding 생성apiVersion: rbac.authorization.k8s.io/v1 kind: ClusterRoleBinding metadata: name: fluent-bit-read roleRef: apiGroup: rbac.authorization.k8s.io kind: ClusterRole name: fluent-bit-read subjects: - kind: ServiceAccount name: fluent-bit namespace: logging 2-e. Fluent-bit ConfigMap 생성 apiVersion: v1 kind: ConfigMap metadata: labels: k8s-app: fluent-bit name: fluent-bit-config namespace: logging data: fluent-bit.conf: | [SERVICE] Flush 1 Log_Level info Daemon off Parsers_File parsers.conf HTTP_Server On HTTP_Listen 0.0.0.0 HTTP_Port 2020 @INCLUDE input-kubernetes.conf @INCLUDE filter-kubernetes.conf @INCLUDE output-opensearch.conf input-kubernetes.conf: | [INPUT] Name tail Tag kube.* Path /var/log/containers/*.log Parser docker DB /var/log/flb_kube.db Mem_Buf_Limit 5MB Skip_Long_Lines On Refresh_Interval 10 filter-kubernetes.conf: | [FILTER] Name kubernetes Match kube.* Kube_URL https://kubernetes.default.svc:443 Kube_CA_File /var/run/secrets/kubernetes.io/serviceaccount/ca.crt Kube_Token_File /var/run/secrets/kubernetes.io/serviceaccount/token Kube_Tag_Prefix kube.var.log.containers. Merge_Log On Merge_Log_Key log_processed K8S-Logging.Parser On K8S-Logging.Exclude On output-opensearch.conf: | [OUTPUT] Name es Match * Host ${OPENSEARCH_ENDPOINT} Port 443 TLS On AWS_Auth On AWS_Region ${AWS_REGION} Index ${INDEX_NAME} Replace_Dots On Suppress_Type_Name On parsers.conf: | [PARSER] Name docker Format json Time_Key time Time_Format %Y-%m-%dT%H:%M:%S.%L Time_Keep On→ [INPUT] Path /var/log/containers/*.log : 수집할 로그가 위치한 경로→ [OUTPUT] Host ${OPENSEARCH_ENDPOINT} AWS_Region ${AWS_REGION} Index ${INDEX_NAME} : Daemonset 컨테이너의 환경 변수에서 설정데몬셋(DaemonSet)과 ${OPENSEARCH_ENDPOINT} 변수를 사용하여 각 노드가 자체의OpenSearch 인스턴스로 로그 데이터를 전송하도록 구성하면, 각 노드가 독립적으로 로그 데이터를 처리하므로써 장애상황이 발생하여도 다른 노드는 정상적으로 로그 데이터를 전송하고 처리할 수 있습니다. 이로 인해 단일 포인트 오브 실패를 피할 수 있으며, 클러스터의 안정성과 로그 데이터의 신뢰성을 향상시킬 수 있음 2-f. Fluent-bit Daemonset 생성 apiVersion: apps/v1 kind: DaemonSet metadata: labels: k8s-app: fluent-bit-logging kubernetes.io/cluster-service: "true" version: v1 name: fluent-bit namespace: logging spec: selector: matchLabels: k8s-app: fluent-bit-logging template: metadata: annotations: prometheus.io/path: /api/v1/metrics/prometheus prometheus.io/port: "2020" prometheus.io/scrape: "true" labels: k8s-app: fluent-bit-logging kubernetes.io/cluster-service: "true" version: v1 spec: containers: - env: - name: OPENSEARCH_ENDPOINT value: ${OPENSEARCH_ENDPOINT} - name: AWS_REGION value: ${AWS_REGION} - name: INDEX_NAME value: ${INDEX_NAME} name: fluent-bit image: amazon/aws-for-fluent-bit:2.28.0 imagePullPolicy: Always ports: - containerPort: 2020 volumeMounts: - mountPath: /var/log name: varlog - mountPath: /var/lib/docker/containers name: varlibdockercontainers readOnly: true - mountPath: /fluent-bit/etc/ name: fluent-bit-config serviceAccountName: fluent-bit terminationGracePeriodSeconds: 10 tolerations: - effect: NoSchedule key: node-role.kubernetes.io/master operator: Exists - effect: NoExecute operator: Exists - effect: NoSchedule operator: Exists volumes: - hostPath: path: /var/log name: varlog - hostPath: path: /var/lib/docker/containers name: varlibdockercontainers - configMap: name: fluent-bit-config name: fluent-bit-config→ ${OPENSEARCH_ENDPOINT} : OpenSearch endpoint url (https:// 포함 X)→ ${AWS_REGION}→ ${INDEX_NAME} : 수집된 로그 데이터를 OpenSearch로 전송하기 전 어떤 인덱스 이름에 해당 로그를 저장할 지 정의→ image: amazon/aws-for-fluent-bit:2.28.0→ serviceAccountName: fluent-bit : 위에서 생성한 IAM Role에 설정값으로 지정 3. OpenSearch 동작 확인 1) OpenSearch 접속 2) 인덱스 패턴 생성메뉴 > Management > Stack Management > Index Patterns > Create index patternStep 1 of 2 위에서 설정한 Index Name (eks-log)를 검색하면 일치하는 소스가 조회됨 로그데이터에 time이라는 필드에 이벤트 시간 정보가 포함되어있다면 OpenSearch에서 @timestamp 필드에 매핑하게 되어정확한 시간 순서로 이벤트를 확인할 수 있음 3) 로그 적재 확인 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2024년 02월 08일
구글OTP PC/모바일 동시에 사용하는 방법 ARTICLE by Sangmi Park 2023년 11월 21일 안녕하세요~ 베스핀글로벌 D&A실 김경진님이 작성해 주신 ‘구글 OTP PC/모바일 동시에 사용하는 방법’에 대해 알아보겠습니다. 목적 AWS 콘솔 접속 보안에 PC/모바일에서 자유롭게 사용하게 위해크롬 브라우저에 확장 프로그램(extention)으로 설치되므로 좀 더 빠르고, 편하게 콘솔 로그인 가능하다.핸드폰 분실, 교체 등의 사유로 구글OTP 사용이 불가한 경우에 대비가 가능하다. 방법 다음의 스텝으로 진행하면 된다.크롬 확장 프로그램 인증 도구 (Authenticator) 를 설치하고 등록한다.AWS IAM에서 MFA 디바이스에서 QR코드 또는 Secret Key를 백업한다.모바일 구글OTP에 QR코드 또는 Secret key를 이용하여 등록한다.완료되면 PC/모바일 중 사용하기 편한 OTP 번호를 입력하여 콘솔 로그인한다.(제약 사항) 크롬 브라우저면 가능하다. 3. 크롬에 인증 도구 (Authenticator) 설치 1) 크롬 브라우저에서 다음의 링크에서 크롬 확장 프로그램 인증 도구 (authenticator)를 Chrome에 추가한다.https://chrome.google.com/webstore/detail/authenticator/bhghoamapcdpbohphigoooaddinpkbai 2) 확장 프로그램 추가를 선택한다. 3) 크롬 우상단의 확장프로그램을 선택하여 인증 도구를 고정시킨다. 4) 고정되면 크롬 우상단에 아래와 같은 인증 도구 아이콘이 생긴다. (설치 완료) 4. AWS 콘솔에서 IAM MFA 디바이스 관리 1) AWS 콘솔 로긴하여 IAM > Users 에서 적용할 사용자를 확인하여 Security credentials 탭으로 이동한 후, Assigned MFA deivce / Manage 를 선택한다. 2) Virtual MFA device 선택 후, 다음을 클릭한다. 3) Show QR Code 를 눌러 QR 코드를 표시한다. 4) QR코드를 모바일 카메라 등으로 사진 찍어 두거나 또는 캡쳐하여 PC에 보관한다. (백업용)※ QR코드 대신 다음의 secret key 를 이용해도 무방하다. 5) 설치한 인증도구의 QR 코드 스캔을 클릭하여 계정을 추가한다. 6) 기존 AWS IAM 의 QR 코드를 아래와 같이 선택한다. 7) 등록이 정상적으로 완료되면 아래와 같이 OTP 코드가 확인된다. 8) AWS IAM MFA 디바이스 세팅에서 위에 OTP 코드를 순차적으로 입력한다. 9) 등록이 잘되었는지 확인하고, 콘솔 로그인 해본다. ※ QR코드 추가에 문제 발생시 대신 다음의 secret key 를 이용해도 무방하다. 5. 모바일 구글OTP에 추가 모바일 Google OTP 앱을 실행하여,아래 + 메뉴을 선택한다.사진 찍어 둔 QR 코드를 모바일 구글OTP로 스캔하거나, 설정키를 입력하여 등록한다.정상 등록확인 후, 콘솔 로그인해 본다.<끝> 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2023년 11월 21일
Slack Bolt를 활용한 Python Chatbot 가이드 TECH by Sangmi Park 2023년 11월 15일 Slack Bolt 란? Bolt는 Slack 고유의 SDK로서 여러 최신 API들을 담고 있는 라이브러리를 제공합니다.왜 Slack bolt를 사용하는지?Slack bolt는 기존에 사용하던 slack_sdk를 기반으로 만들어진 SDK로 slack_sdk의 기능을 모두 사용할 수 있고, 기존에 코드로 구현하기 복잡했던event 트래깅 혹은 websocket mode들을 간단하게 구현 할 수 있다는 장점이 있습니다. 또한 Slack에서 직접 개발 업데이트를 제공해주어 신규 API에 대한 빠른 대응을 준비할 수 있습니다. 1. Slack App 생성 Slack Bolt를 활용하여 Python Chatbot을 개발하기에 앞서 Slack에 메세지를 보내거나 읽어오는 역할을 수행할 Slack App을 생성해야 합니다. 1-1. Slack Workspace 로그인 Chatbot을 연동하려고 하는 Slack WorkSpace에 로그인 한 후 Slack API 페이지로 이동합니다.https://api.slack.com/apps/ 1-2. Slack App 생성 Slack Api 페이지에서 신규 Slack App을 생성합니다.‘Create New App’을 클릭Create an app 팝업이 뜨면 ‘From scratch’ 선택App Name에 chatbot으로 사용할 App명을 지정Chatbot을 활용하려고 하는 Workspace를 선택Create App을 클릭하여 신규 Slack App을 생성 1-3. App/Bot Token 생성 Python에서 신규 생성한 Bot을 사용하기 위해서는 인가된 접근임을 증명할 Token이 필요합니다.Token은 신규 생성한 Bot Page에서 생성 할 수 있습니다. Token을 신규 생성한 후 유출되지 않도록 주의 해야합니다. 1-3-1. App Token 생성 Slack API 페이지에서 신규 생성한 App을 선택합니다. Setting > Basic Information > App-Level-Tokens 에서 App Token을 생성합니다.생성하려는 App Token의 Scope는 ‘connections:write’를 선택합니다. 3. 생성된 Token을 안전한 곳에 저장합니다. 1-3-2. Bot Token 생성 Features > OAuth & Permissions > Scopes > Bot Token Scopes에서 ‘chat:write’ 권한을 추가해 줍니다. 추가한 Scopes를 Workspace에 적용시키려면 Install이 필요합니다.Features > OAuth & Permissions > OAuth Tokens for Your Workspace 에서 ‘Install to Workspace’ 버튼을 클릭, 권한을 허가 해줍니다. 권한을 허용하면 Features > OAuth & Permissions > OAuth Tokens for Your Workspace 에서 신규 생성된 Bot Token을 확인 할 수 있습니다.해당 토큰을 안전한 곳에 저장합니다. 1-4. Slack App Socket mode 활성화 Slack에서 보내는 메시지를 신규로 만든 Slack App이 실시간으로 체크해서 반응 할 수 있도록 구성하기 위해서는 여러 방법이 있지만 이 가이드에서는 SocketMode를 사용합니다.Settings > Socket Mode > Connect using Socket Mode 에서 Enable Socket Mode 버튼을 활성화 합니다. 2. Python Slack Chatbot 작성 2-1. Python 환경 구성 Python3와 pip가 설치 되어 있다는 가정하에 설명 하겠습니다.만약 설치가 되어 있지 않다면 OS 환경에 맞춰서 python3 최신버전과 그와 연동되는 pip를 설치해주세요. 2-1-1. slack_bolt SDK 설치 pip를 사용하여 slack chatbot을 구성할 서버에 slack_bolt 라이브러리를 설치하여 줍니다.(문서작성 기준 최신버전 사용 slack_bolt v1.18.0) 2-1-2. Chatbot python 파일 작성 app.py 파일을 생성합니다.아래의 테스트 코드를 작성합니다.SLACK_BOT_TOKEN 과 SLACK_APP_TOKEN 에 위에서 저장했던 Token 값을 넣어줍니다. 3. python3 로 app.py를 실행합니다. 4. Bolt App이 실행되고 있다는 문구가 뜨면 성공적으로 연동 된 것 입니다. 3. Slack Chatbot 테스트 이제 생성한 Slack App과 Python Chatbot을 활용하여 여러 Event를 처리할 수 있습니다.Slack API에는 많은 Event들이 존재하는데, 다양한 Event에 대한 정보는 Slack 공식 Document를 참고하여 주세요. https://api.slack.com/apis/connections/events-api 3-1. Chatbot Event Subscriptions 등록 Slack App에서 Event에 대한 정보를 Python Chatbot으로 Route 하기 위해서는, 어떤 Event를 Route 할 것인지에 대한 설정이 필요합니다.Slack에서 Event에 대한 구독을 등록함으로써 Python으로 작성한 Chatbot에 Event가 Route 되게 됩니다.Slack API 페이지에서 생성한 Slack App을 선택합니다. 2. Features > Event Subscriptions 에서 Enable Event를 활성화 합니다. 3. Subscribe to bot events에 Add Bot User Event를 선택하여 아래의 event들을 구독합니다. message.channels : 해당 App 이 추가된 public channel의 메시지를 Listen 합니다.message.groups : 해당 App 이 추가된 private channel의 메시지를 Listen 합니다.message.im : 해당 App 이 추가된 DM의 메시지를 Listen 합니다.message.mpim : 해당 App 이 추가된 Multi-person DM의 메시지를 Listen 합니다.4. 변경사항 저장을 위해 Save Change를 클릭합니다. 변경한 내용을 WorkSpace에 반영하기 위해서 Basic Information > Building Apps for Slack > Install your app 에서‘Reinstall to Workspace’를 클릭해 Reinstall 작업을 진행합니다. 3-2. Python Chatbot Event Handler 작성 Event 구독을 완료 하였기 때문에 이제 Python으로 작성한 Chatbot의 Websocket을 실행 시키게되면 Event 발생 시 지정한 Handler가 호출 되게 됩니다. Chatbot을 활용할 채널에 추가하고 메시지를 보내 작성한 Chatbot이 동작하도록 코드를 작성하겠습니다. 3-2-1. Message Event Route Handler Message Event는 Chatbot이 속한 Channel에서 누군가 메시지를 보냈을 때 발생하는 이벤트 입니다.테스트에서는 해당 이벤트를 Route하여 Chatbot이 응답하는 처리를 진행해 보겠습니다. Slack App을 만든 Workspace에서 임의의 채널에 Chatbot App을 초대 합니다. 2. Python Chatbot Code를 아래와 같이 수정합니다. python3로 app.py를 실행합니다. Chatbot을 초대한 채널에 ‘hello’ 메시지를 보냅니다.정상적으로 Chatbot이 응답하는지 확인합니다. 방금 읽은 인사이트를 실무에 직접 적용하고 싶으시다면?지금 바로 베스핀글로벌에 문의하세요. 베스핀글로벌 문의하기 2023년 11월 15일
