[reinvent 2025] 최적화된 광고 성과를 위한 멀티 에이전트 협업
Summary
해당 세션에서는 기존의 비효율적인 광고 입찰(RFP) 프로세스를 멀티 에이전트 시스템으로 자동화하는 아키텍처를 다룹니다. Amazon Bedrock Agent Core와 Strands SDK를 활용하여 통제된 유연성(Controlled Flexibility)을 구현하고, 에이전트의 메모리 한계(Context Window)를 극복하는 데이터 관리 전략 및 비용 효율적인 툴 활용법을 소개합니다.
리인벤트 2025 테크 블로그의 더 많은 글이 보고 싶다면?
Overview
들어가며
이번 리인벤트 2025에서는 생성형 AI가 단순한 대화형 인터페이스를 넘어, 비즈니스 로직을 수행하는 ‘Agentic AI’로 진화하는 흐름이 뚜렷했습니다. 특히 광고 산업(AdTech)은 수많은 이해관계자와 데이터가 얽혀 있어 에이전트 도입의 파급력이 큰 분야입니다. 본 칼럼에서는 해당 세션을 통해 기존의 수동적이고 파편화된 광고 업무를 멀티 에이전트 협업 모델로 혁신하는 아키텍처 전략을 소개합니다.
Agentic Workflow Example
기존의 RFP 프로세스가 엑셀과 이메일, 수동 플랫폼 이동으로 점철되어 며칠에서 몇 주가 소요되었다면, Agentic RFP 프로세스는 자연어 명령 하나로 자동 협상과 캠페인 라이프사이클 관리를 수행하여 수 분 내에 최적의 옵션을 도출해냅니다.
1. 통제된 유연성(Controlled Flexibility)과 동적 에이전트 로딩
단일 LLM과 정적인 명령어 세트로는 복잡한 광고 워크플로우를 감당할 수 없습니다. 연사자는 사용자의 의도(Intent)에 따라 필요한 에이전트만 런타임에 로딩하는 ‘통제된 유연성’ 전략을 제시했습니다.
- 동적 구성(Dynamic Configuration): 사용자가 “Campaign Agent”를 호출하면 시스템은 해당 에이전트의 지침(Instructions), 모델 선택(Model Selection), 추론 파라미터 등을 동적으로 불러옵니다. 런타임에 해당 에이전트의 설정(Instruction, Model Selection, API Keys 등)만 로드하여 효율성을 높입니다.
- 전문가 에이전트 스폰: 캠페인 에이전트가 ‘브랜드 안전성(Brand Safety)’ 관련 질문을 받으면, 스스로 ‘Brand Safety Agent’라는 하위 전문가 에이전트를 생성하여 협업합니다.
- 컨텍스트 유지 기술: 에이전트 간 전환 시 대화 맥락이 끊기는 것을 막기 위해 ‘Agent Context Class’와 같은 전역 컨텍스트 저장소를 활용합니다. 위 코드 예시처럼 에이전트 전환 전 현재 상태를 저장하고, 새 에이전트 생성 시 이를 복원하여 매끄러운 협업을 보장합니다.
2. 데이터 균형 잡기: 결정(Decision) 중심의 데이터 전략
에이전트의 컨텍스트 윈도우(Context Window)는 제한적이며, 너무 많은 정보는 오히려 환각(Hallucination)과 성능 저하를 유발합니다. 이를 해결하기 위한 4가지 데이터 전략이 소개되었습니다.
- 결정 중심의 도구 설계: “500GB의 노출 데이터”를 반환하지 말고, “예산 내 집행 중”과 같은 의사결정(Decision) 결과를 반환하도록 도구를 설계해야 합니다.
- 접근 패턴에 따른 데이터 계층화: 실시간 입찰가 같은 ‘Hot Data’는 툴 호출로, 잘 변하지 않는 ‘Cold Data’는 시스템 프롬프트나 캐시로 관리합니다.
- 컨텍스트 예산 설정: 대화 이력 40%, 도구 결과 30%, 지침 20% 등 명확한 예산을 설정하여 시스템 프롬프트가 사용자 요청을 가리는 것을 방지합니다.
- 점진적 공개(Progressive Disclosure): 처음에는 요약 정보만 제공하고, 에이전트가 필요하다고 판단할 때만 상세 데이터를 조회하도록 합니다.
3. Offloading Responsibility
모든 작업에 비싼 에이전트 추론을 사용할 필요는 없습니다. 연사자는 “Switch 문으로 작성할 수 있다면 에이전트 추론을 쓰지 말라”는 기준을 제시했습니다.
- 프로그래밍적 도구 활용: 예산 할당이나 도달률 계산과 같이 명확한 규칙이 있는 작업은 Python 코드나 SQL 쿼리와 같은 결정론적 로직(Deterministic logic)으로 처리해야 정확성, 속도, 비용 효율성을 확보할 수 있습니다.
- 에이전트의 역할: 에이전트는 모호한 브리프 해석, 서로 다른 데이터 소스 간의 인사이트 종합 등 판단이 필요한 영역에 집중시켜야 합니다.
4. 에코시스템 통합과 프로토콜
마지막으로, 광고 생태계의 복잡한 파이프라인을 연결하기 위해 다양한 프로토콜이 활용됩니다.
- A2A (Agent-to-Agent): 캠페인 브리프 전달 및 최적화 단계에서 에이전트 간 통신 표준입니다.
- AdCP (Ad Context Protocol): 광고 상품 발견(Discovery) 및 실행 단계에서 광고 맥락 정보를 교환하는 표준입니다.
- MCP (Model Context Protocol): 신원 확인(Identity Resolution), 검증(Verification), 측정(Measurement) 등 외부 도구와의 연결성을 표준화합니다.
결론
이번 세션은 단순히 “AI가 다 해준다”는 환상을 넘어, 실제 프로덕션 환경에서 에이전트를 구축할 때 부딪히는 상태 관리, 데이터 효율성, 비용 최적화 문제에 대한 구체적인 해답을 제시했습니다. 특히 에이전트의 컨텍스트 윈도우(Context Window) 한계를 고려한 데이터 전략과, 결정론적 코드와 AI 추론을 적재적소에 배치하는 하이브리드 접근법은 AdTech 뿐만 아니라 모든 엔터프라이즈 에이전트 개발에 적용 가능한 핵심 원칙이 될 것이라 생각합니다.
글 │메가존클라우드, Cloud Technology Unit (CTU) AWS Delivery SA 2 팀 서해민 SA
게시물 주소가 복사되었습니다.
