[2026-05-12 | D-Log] 전문가도 쩔쩔매던 복잡한 지진파 분석, 어떻게 대화 몇 번으로 해결하게 됐을까? : 사이즈믹 엔진(Seismic Engine)의 대화형 AI 혁신

복잡한 지진파 데이터 처리, 자연어 한 줄로 해결하다

지구 깊은 곳에서 발생하는 지진파 신호를 분석하기 위해서는 약 100개의 전문 도구를 일일이 수작업으로 연결해야만 했습니다. 할리버튼(Halliburton)의 지진파 데이터 처리 소프트웨어인 '사이즈믹 엔진(Seismic Engine)'의 이야기입니다. 하나의 워크플로우를 구성하는 데 깊은 지질학적 지식과 전산 역량이 요구되었고, 시간 또한 만만치 않게 소요되었습니다. 하지만 생성형 AI 어시스턴트를 도입하자, 이 복잡한 작업이 단 몇 줄의 자연어 대화만으로 끝났고 작업 시간은 최대 95%까지 단축되었습니다.

도입 배경 및 문제점: 높은 진입 장벽과 비효율성

글로벌 유전 서비스 기업인 할리버튼은 자회사 랜드마크(Landmark)를 통해 클라우드 기반 소프트웨어인 'DS365 사이즈믹 엔진'을 서비스하고 있습니다. 이 소프트웨어는 탐사 현장에서 수집한 지진파 신호를 정제하고 영상화합니다. 데이터를 읽어 들이고 잡음을 제거한 뒤 후처리하는 각 단계마다 적합한 도구를 선택하고 순서대로 연결해야 하나의 워크플로우가 완성됩니다.

문제는 도구의 수와 옵션이 너무 많다는 점이었습니다. 지구과학자나 데이터 과학자가 각 도구의 입력 형식, 매개변수, 출력 구조를 모두 외워 YAML 설정 파일에 직접 작성해야 했으며, 도구 하나만 잘못 선택해도 워크플로우 전체가 멈췄습니다. 소프트웨어 자체는 강력했지만 진입 장벽이 높아 이를 능숙하게 다룰 수 있는 인력은 한정적이었습니다.

해결책: AWS 기반의 맞춤형 생성형 AI 아키텍처

할리버튼은 AWS 생성형 AI 혁신 센터와 협력하여 대화형 어시스턴트를 구축했습니다. 사용자가 "이런 데이터를 불러와서 이렇게 처리해 줘"라고 자연어로 요청하면, 어시스턴트가 82개의 도구 중 필요한 것만 선별해 실행 가능한 YAML 워크플로우를 자동으로 짜줍니다. 이 시스템은 크게 세 가지 핵심 과정으로 작동합니다.

• 의도 분류 (Intent Classification) 질문이 입력되면 가벼운 대형 언어 모델(LLM)인 Amazon Nova Lite가 의도를 파악하여 세 갈래로 나눕니다. 데이터 처리나 워크플로우 생성이 목적이면 'Workflow_Generation', 매뉴얼 질문이면 'QnA', 일상적인 대화면 'General_Question'으로 라우팅합니다. 무거운 모델 대신 Nova Lite를 채택해 정확도와 응답 속도를 동시에 확보했습니다.
• 질의응답 (QnA - RAG 도입) 질문 답변은 검색 증강 생성(RAG) 방식으로 처리됩니다. 도구 설명 파일과 매뉴얼을 Amazon S3에 저장하고, Amazon Titan Text Embeddings V2로 텍스트를 벡터화하여 OpenSearch Serverless에 색인했습니다. 사용자가 질문하면 의미상 가장 가까운 문서를 찾아 Claude 3.5 Haiku 모델에 전달해 답변을 생성합니다. 이때 짧은 설명서는 맥락 유지를 위해 통째로 색인하고, 분량이 긴 매뉴얼은 부모-자식 관계를 유지하는 계층적 청킹(Hierarchical Chunking) 기법을 적용해 세부 검색 정확도와 전체 흐름을 모두 살렸습니다.
• 워크플로우 생성 (Workflow Generation) 가장 복잡한 이 단계는 Claude 3.5 Sonnet V2 기반 에이전트가 담당합니다. 82개 도구의 사양서를 바탕으로 사용자의 자연어 요청을 분석하고, 입출력 형식과 매개변수를 대조해 실행 순서를 결정한 뒤 YAML 문서로 출력합니다. 이 흐름은 LangChain 프레임워크로 엮었으며, 대화 맥락은 Amazon DynamoDB에 저장해 연속적인 질문에도 흐름이 끊기지 않도록 했습니다. 전체 애플리케이션은 FastAPI와 AWS App Runner로 구축되어 실시간 스트리밍 방식으로 결과를 제공합니다.

기술적 난관 극복과 최적화

가장 큰 난관은 AI 모델이 수많은 도구의 사양을 정확히 이해하게 만드는 것이었습니다. 82개의 도구가 각기 다른 입출력 형식을 가지고 있어, 설명이 조금만 모호해도 엉뚱한 도구가 워크플로우에 섞여 들어갔습니다. 이를 해결하기 위해 각 도구의 입력값, 매개변수, 출력 구조를 정형화된 설명문으로 규격화하여 모델에 제공했습니다.

또한, 작업의 특성에 맞춰 비용 효율성과 정확도의 균형을 맞췄습니다. 단순 의도 분류에는 'Nova Lite', 매뉴얼 검색 답변에는 'Claude 3.5 Haiku', 고도의 추론이 필요한 도구 조합 및 워크플로우 생성에는 'Claude 3.5 Sonnet V2'를 적재적소에 배치했습니다.

도입 성과: 95% 시간 단축과 사용자층 확대

할리버튼 랜드마크의 지하 기술 매니저 필립 노를룬드(Phillip Norlund)는 "전통적으로 엄청난 시간이 소요되던 워크플로우 구축 작업을 혁신적으로 줄였다"고 평가했습니다. 수석 프로덕트 오너 슬림 부슈라라(Slim Bouchrara) 역시 "어시스턴트 덕분에 복잡한 지구물리 도구를 다룰 수 있는 사용자층이 훨씬 넓어졌다"고 강조했습니다.

실제 사내 평가 결과, 워크플로우 생성 시간은 최대 95% 단축되었습니다. 전문가가 일일이 수작업으로 짜맞춰야 했던 복잡한 도구 조합이, 이제는 82개의 도구 중 필요한 것만 골라내 완벽한 YAML 파일로 묶어주는 자연어 한 문장으로 대체되었습니다.

참고 출처

• 참고자료 바로가기

Halliburton enhances seismic workflow creation with Amazon Bedrock and Generative AI | Amazon Web Services