프로젝트 기반 데이터 구독과 에이전트 실행을 연결한 GS에너지 발전 계열사 통합 데이터 플랫폼 구축 사례 1. 소개 에너지 산업의 디지털 전환이 가속화되면서, 기업들은 단순한 데이터 저장과 분석을 넘어 AI가 데이터를 능동적으로 활용하는 플랫폼을 요구하고 있습니다. 에너지 기업의 운영 데이터는 발전소 설비 센서, 운전 지표, 환경 계측, 전력 거래, 시장 가격, 규제 공시처럼 성격이 서로 다른 […] ||
프로젝트 기반 데이터 구독과 에이전트 실행을 연결한 GS에너지 발전 계열사 통합 데이터 플랫폼 구축 사례
1. 소개
에너지 산업의 디지털 전환이 가속화되면서, 기업들은 단순한 데이터 저장과 분석을 넘어 AI가 데이터를 능동적으로 활용하는 플랫폼을 요구하고 있습니다. 에너지 기업의 운영 데이터는 발전소 설비 센서, 운전 지표, 환경 계측, 전력 거래, 시장 가격, 규제 공시처럼 성격이 서로 다른 시스템에 분산되어 있습니다. 계열사가 여러 곳이면 같은 종류의 데이터도 회사마다 다른 스키마와 접근 절차를 갖게 됩니다. GS에너지는 GS파워를 시작으로 GS EPS, 인천종합에너지 등 발전 계열사의 데이터를 하나의 플랫폼으로 통합하고, 그 위에서 현업 사용자가 대화형으로 데이터를 찾고 요청하고 활용할 수 있는 에이전트 서빙 체계를 구축하고 있습니다.
이 블로그에서는 Amazon SageMaker Unified Studio(SMUS)를 데이터 카탈로그와 거버넌스 허브로, Amazon Bedrock AgentCore를 에이전트 런타임으로 결합하여 “데이터에서 에이전트까지(Data-to-Agent)” 엔드투엔드 플랫폼을 구축한 GS에너지의 아키텍처와 구현 과정을 소개합니다.
데이터 수집과 표준화, 프로젝트 단위 구독, 에이전트 실행까지 이어지는 구조와, 사용자 인증과 AWS 서비스 호출 권한과 데이터 조회 권한을 어떻게 나눴는지 설명하고, 이 경계를 연결하는 플랫폼의 역할을 소개합니다. 이 글에서 말하는 프로젝트는 SageMaker Unified Studio에서 협업과 데이터 이용의 단위가 되는 개념으로, GS에너지는 참여 법인과 업무 조직을 기준으로 프로젝트를 구성합니다.
2. 배경과 과제
2.1 에너지 데이터를 현업의 AI 활용으로 연결하기
발전 데이터가 원천 시스템에 안전하게 저장되어 있어도 현업이 필요한 데이터를 찾고 활용하려면 어떤 설비의 값인지, 어느 기간의 데이터인지, 누가 조회할 수 있는지 확인해야 합니다. AI 에이전트에도 같은 정보가 필요합니다. 데이터 레이크와 Amazon SageMaker 기반 MLOps 환경은 이미 있었지만, 데이터가 여러 시스템에 흩어져 있고 계열사마다 인가 정책과 사내 인증 체계가 달라 비개발자가 필요한 순간에 데이터를 수동으로 직접 찾아서 쓰기는 어려웠습니다. GS에너지는 참여사별 데이터 접근 경계를 유지하면서 승인된 데이터와 공통 에이전트를 함께 쓸 수 있도록, 데이터의 위치와 의미, 이용 절차를 공통 플랫폼에서 관리하는 구조를 설계했습니다. 장기 목표는 통합 데이터 플랫폼 위에서 에너지 분야의 AI 모델을 개발하고 운영하는 체계를 만드는 것입니다.
2.2 해결해야 했던 문제
이 목표를 실제 시스템으로 옮기는 과정에서 다음 다섯 가지 과제가 서로 얽혀 드러났습니다.
법인 간 데이터 경계와 공유의 공존: 참여사의 원천 데이터는 기본적으로 격리하되, 승인된 데이터는 프로젝트 간에 공유해야 합니다. 카탈로그에서 데이터를 발견하는 권한과 실제 값을 조회하는 권한을 구분하고, 참여사가 늘어나도 같은 절차로 온보딩할 수 있어야 했습니다.
비개발자의 데이터 접근: 데이터 요청이 IT 조직 티켓으로 처리되면 스키마 파악과 권한 조율에 며칠이 걸립니다. 현업 사용자가 카탈로그를 직접 검색하고 구독을 신청하고 승인 상태를 확인할 수 있는 셀프서비스 경험이 필요했습니다.
에이전트의 권한 범위: 에이전트가 사람보다 많은 데이터에 접근하는 일이 없어야 합니다. 에이전트는 호출한 사용자의 권한으로만 데이터를 조회해야 하고, 그 판단은 별도의 에이전트용 권한 체계가 아니라 데이터 플랫폼