에이전트 AI 사용 사례: 멀티모달 데이터 분류

Last reviewed 2026-10-14 UTC

이 문서에서는 이질적인 멀티모달 데이터를 분석하고 신뢰도가 높은 분류를 생성하는 Cloud Run에 배포된 멀티 에이전트 AI 시스템의 개략적인 아키텍처를 제공합니다. 이 접근 방식은 실시간 데이터를 과거의 정답과 일치시켜 단편화된 미디어를 교차 검증하여 근거가 있고 검증 가능한 인사이트를 생성합니다.

이 문서의 주요 대상은 클라우드에서 AI 인프라와 애플리케이션을 빌드하고 관리하는 설계자, 개발자, 관리자입니다. 이 문서에서는 AI 에이전트와 모델에 대한 기본적인 이해가 있다고 가정합니다. 이 문서에서는 AI 에이전트 설계 및 코딩에 대한 구체적인 안내를 제공하지 않습니다.

이 문서의 배포 섹션에는 멀티 에이전트 AI 시스템을 빌드하고 배포하는 방법을 알아보는 데 사용할 수 있는 코드 샘플이 나와 있습니다.

아키텍처

다음 다이어그램은 병렬 에이전트 설계 패턴을 사용하여 멀티모달 데이터에 대한 독립적인 분석을 조정하여 단일 분류를 생성하는 멀티 에이전트 AI 시스템의 아키텍처를 보여줍니다.

멀티모달 데이터를 분류하는 멀티 에이전트 AI 시스템의 아키텍처

이 아키텍처는 다음과 같은 데이터 흐름을 보여줍니다.

  1. 웹 애플리케이션은 분류를 위해 멀티모달 데이터 세트를 분석하도록 루트 에이전트에 요청을 보냅니다. 루트 에이전트는 요청을 수신하고 Cloud Run 서비스에 배포되는 조정자 에이전트입니다.
  2. 루트 에이전트는 다음과 같이 요청을 처리합니다.
    1. 루트 에이전트는 before_agent_callback를 시작하여 환경 구성을 수집하고, 사용자 입력을 검증하고, 공유 세션 상태에 리소스 경로를 저장합니다. 모든 하위 에이전트는 공유 세션 상태에 액세스할 수 있으므로 상태 데이터를 가져오기 위한 중복 호출이 제거되고 전반적인 지연 시간이 줄어듭니다.
    2. 루트 에이전트는 Gemini Enterprise Agent Platform의 Gemini를 사용하여 사용자의 요청을 해석하고 병렬로 실행되는 전문 하위 에이전트에 작업을 분산합니다.
  3. 각 하위 에이전트는 특정 도메인에 특화되어 있으며 다음 작업을 독립적으로 수행합니다.
    1. 이미지 및 동영상 분석가 하위 에이전트는 커스텀 모델 컨텍스트 프로토콜 (MCP) 서버와 상호작용하여 다음 작업을 수행합니다.
      1. Cloud Storage 버킷에 저장된 원시 비정형 데이터를 가져옵니다.
      2. Gemini에 요청을 전송하여 입력 데이터를 해석하고, 데이터를 분류하고, 신뢰도 수준을 계산합니다.
      3. Gemini는 제안된 분류와 신뢰도 수준을 커스텀 MCP 서버로 다시 전송합니다.
      4. 커스텀 MCP 서버가 응답을 하위 에이전트로 다시 전달합니다.
    2. 정형 데이터 분석가 하위 에이전트는 다음 작업을 완료하여 분석을 조정합니다.
      1. BigQuery MCP 서버와 상호작용하여 BigQuery 데이터 세트에 저장된 구조화된 문맥 데이터 (예: 이전 레코드, 이벤트 로그, 센서 판독값)를 가져옵니다.
      2. 정형 데이터 분석가는 Gemini에 입력 데이터를 해석하고, 데이터를 분류하고, 신뢰도 수준을 계산하도록 요청을 보냅니다.
      3. Gemini는 추천 분류 및 신뢰도 수준을 하위 에이전트로 다시 전송합니다.
  4. 각 하위 에이전트는 제안된 분류 및 신뢰도 수준을 루트 에이전트로 다시 전송합니다.
  5. 루트 에이전트는 Gemini를 사용하여 전문 하위 에이전트의 출력을 요약하여 신뢰도가 높은 단일 분류를 생성합니다.
    • 특수 하위 에이전트의 분류 대부분이 일치하면 루트 에이전트가 일치하는 분류를 웹 애플리케이션에 전송합니다.
    • 하위 에이전트가 일치하는 분류를 제공하지 않으면 루트 에이전트가 신뢰도 수준이 가장 높은 분류를 선택하여 웹 애플리케이션에 전송합니다.

사용 제품

이 참조 아키텍처에는 다음과 같은 Google Cloud 제품 및 도구가 사용됩니다.

  • Cloud Run: Google의 확장 가능한 인프라에서 직접 컨테이너를 실행할 수 있게 해주는 서버리스 컴퓨팅 플랫폼입니다.
  • Gemini Enterprise Agent Platform: 엔터프라이즈급 AI 에이전트를 빌드, 확장, 제어, 최적화할 수 있는 포괄적인 플랫폼입니다.
  • Gemini: Google에서 개발한 멀티모달 AI 모델 제품군입니다.
  • BigQuery: 머신러닝, 지리 정보 분석, 비즈니스 인텔리전스와 같은 기본 제공 기능으로 데이터를 관리 및 분석하는 데 도움이 되는 엔터프라이즈 데이터 웨어하우스입니다.
  • Cloud Storage: 다양한 데이터 유형에 적합한 저비용, 무제한 객체 스토어입니다. Google Cloud내부 및 외부에서 데이터에 액세스할 수 있고 중복성을 위해 여러 위치에 복제됩니다.
  • Google Cloud MCP 서버: 모델 컨텍스트 프로토콜(MCP)을 구현하여 AI 애플리케이션에 Google 및 Google Cloud 제품 및 서비스에 대한 액세스 권한을 제공하는 Google 관리형 원격 서비스입니다.
  • 모델 컨텍스트 프로토콜 (MCP): AI 애플리케이션을 외부 시스템에 연결하기 위한 오픈소스 표준입니다.
  • 에이전트 개발 키트 (ADK): AI 에이전트를 개발, 테스트, 배포하기 위한 도구 및 라이브러리 집합입니다.

프레임워크, Agent Runtime, 도구, 메모리, 설계 패턴을 포함하여 에이전트 AI 시스템의 대체 구성요소를 선택하는 방법은 에이전트 AI 아키텍처 구성요소 선택을 참조하세요.

사용 사례

이 아키텍처는 분류 및 감지 태스크를 위해 다양한 멀티모달 데이터를 합성하는 사용 사례를 위해 설계되었습니다. 정확성과 확장성을 높이기 위해 이 아키텍처는 모놀리식 단일 에이전트 접근 방식 대신 멀티 에이전트 AI 시스템을 사용합니다. 이 설계 패턴은 집중적인 안내를 제공하고, 상충되는 지시어를 방지하고, 더 빠른 결정을 위해 더 작은 도구 세트를 사용 설정하고, 독립적인 업데이트를 지원하여 더 강력하고 정교한 결과를 제공합니다.

다음은 이 문서에 설명된 아키텍처의 사용 사례 예시입니다.

  • 의학적 진단: 의료 영상, 환자 증상, 실험실 결과를 독립적으로 분석하는 전문 에이전트를 배포하여 포괄적인 진단 평가를 제공합니다. AI 시스템은 결정된 신뢰도 기준점을 기반으로 이러한 결과를 요약하여 임상의에게 근거가 있고 검증 가능한 인사이트를 제공합니다.
  • 사기 감지: 에이전트를 배포하여 사용자 행동 패턴과 스캔한 영수증, 판매자 인보이스와 같은 거래 데이터를 독립적으로 분석하여 잠재적인 사기를 감지하고 신고합니다. 이 시스템은 문서의 시각적 증거를 디지털 네트워크 활동과 교차 참조하여 불일치를 식별하고 단일 에이전트가 의심스러운 지표를 식별하는 모든 트랜잭션에 플래그를 지정합니다.
  • 문서 처리: 광학 문자 인식 (OCR), 문서 분류, 데이터 추출을 위한 특수 에이전트를 배포하여 문서에서 정보 분류 및 추출을 자동화합니다. 높은 신뢰도의 처리를 지원하기 위해 AI 시스템은 모든 에이전트가 출력에 동의해야 합니다.
  • 품질 관리: 시각적 검사, 센서 데이터 분석, 사양 확인을 위한 특수 에이전트를 배포하여 제품 품질을 분류하거나 이상치를 감지합니다. 시스템은 에이전트 간에 결정된 신뢰도 기준점에 따라 통과 또는 실패를 결정합니다.

설계 고려사항

이 섹션에서는 이 참조 아키텍처를 사용하여 보안, 비용, 성능 관련 특정 요구사항을 충족하는 토폴로지를 개발할 때 고려해야 하는 설계 요소, 권장사항, 권장사항을 설명합니다.

이 섹션의 안내는 일부일 뿐 모든 내용을 포함하지는 않습니다. 설계 요소 및 권장사항에 대한 자세한 내용과 멀티 에이전트 AI 시스템 빌드 및 배포에 대한 권장사항은 Google Cloud의 멀티 에이전트 AI 시스템을 참조하세요.

보안, 개인 정보 보호, 규정 준수

AI 에이전트의 고유한 보안 위험을 해결하기 위해 Google은 결정론적 보안 제어와 동적 추론 기반 방어를 결합하는 접근 방식을 권장합니다.

  • 인간 감독: 비즈니스에 중요한 시스템에 휴먼인더루프 흐름을 통합하여 인간 감독자가 출력을 검토하고 에이전트 작업을 승인, 재정의 또는 일시중지할 수 있도록 합니다.
  • 에이전트 ID: 각 에이전트에 워크로드 바인딩 ID를 할당하여 최소 권한 액세스 제어를 적용하고 외부 도구의 사용자 인증 정보를 중앙에서 관리합니다.
  • Agent Gateway: Model Armor를 사용하여 인그레스 및 이그레스 트래픽 거버넌스, 기본 거부 액세스 정책, 인라인 프롬프트 및 도구 검사를 시행합니다.

  • 에이전트 레지스트리: 에이전트가 승인된 하위 에이전트 및 MCP 도구에만 연결되는지 확인합니다.

  • 애플리케이션 인그레스 보안: 애플리케이션에 대한 액세스를 제어하려면 프런트엔드 Cloud Run 서비스의 기본 run.app URL을 사용 중지하고 리전 외부 애플리케이션 부하 분산기를 설정합니다. 부하 분산기는 애플리케이션으로 들어오는 트래픽을 부하 분산하는 것 외에도 SSL 인증서 관리를 처리합니다. 보호 기능을 강화하려면 Google Cloud Armor 보안 정책을 사용하여 서비스에 요청 필터링, DDoS 보호, 비율 제한을 제공합니다.

  • 컨테이너 이미지 보안: 승인된 컨테이너 이미지만 Cloud Run에 배포되도록 하려면 Binary Authorization을 사용합니다. 컨테이너 이미지의 보안 위험을 식별하고 완화하려면 Artifact Analysis를 사용하여 취약점 스캔을 자동으로 실행합니다. 자세한 내용은 컨테이너 스캔 개요를 참조하세요.

  • 스토리지 보안: Cloud Storage는 버킷과 객체에 대한 사용자 액세스를 제어하기 위해 Identity and Access Management (IAM) 및 액세스 제어 목록 (ACL)의 두 가지 방법을 지원합니다. 대부분의 경우 버킷 및 프로젝트 수준에서 권한을 부여할 수 있는 IAM을 사용하는 것이 좋습니다. 자세한 내용은 액세스 제어 개요를 참조하세요.

비용 최적화

에이전트 구성이 비용 요구사항을 충족하도록 하려면 다음 권장사항을 고려하세요.

  • 비용 효율적인 프롬프트 작성: 프롬프트 (입력) 및 생성된 응답 (출력)의 길이는 성능과 비용에 직접적인 영향을 미칩니다. 짧고 직접적이며 충분한 컨텍스트를 제공하는 프롬프트를 작성합니다. 자세한 내용은 프롬프트 설계 권장사항을 참조하세요.
  • 스토리지 비용: 스토리지 비용을 관리하려면 Standard Storage 클래스를 선택하고 객체 수명 주기 관리 및 자동 클래스를 사용 설정하면 됩니다. 이러한 기능을 사용하면 액세스 패턴이나 설정한 규칙에 따라 스토리지 클래스 간에 데이터를 자동으로 이동하거나 삭제하여 비용을 최적화할 수 있습니다.

성능 최적화

에이전트 구성이 성능 요구사항을 충족하는지 확인하려면 다음 권장사항을 고려하세요.

배포

이 아키텍처의 샘플 구현을 배포하려면 Way Back Home 레벨 1 Codelab을 사용해 보세요.

다음 단계

참여자

저자: 사만다 헤 | 테크니컬 라이터

기타 참여자: