AI
초개인화 Shopping Agent 만들기: Amazon Bedrock AgentCore Memory와 Custom Memory 활용법
두줄요약
Amazon Bedrock AgentCore Memory와 Custom Memory로 쇼핑 에이전트의 개인화 추천을 구현한 사례를 소개했습니다. 긴 대화 전체보다 중요한 정보만 메모리로 구조화해 더 적은 토큰으로 높은 추천 품질을 얻는 방법을 설명했습니다.
핵심 내용
- Amazon Bedrock AgentCore Memory와 OpenSearch, DynamoDB를 활용해 쇼핑 에이전트의 사용자 선호도와 대화 맥락을 기억하는 개인화 시스템 구성
- 전체 대화 기록을 그대로 넣는 방식의 한계로 인해 중요한 정보가 희석되는 문제를 제시하고, 메모리 기반 접근의 필요성 강조
- Bedrock AgentCore의 관리형 메모리와 Generative Agents의 아이디어를 응용한 Custom Memory를 비교하며, 검색·반영·요약 흐름으로 취향을 구조화
- 토큰 사용량을 줄이면서도 브랜드, 색상, 소재, 발볼, 사이즈 같은 선호를 반영한 추천 품질 개선 사례 제시
적용해볼 점
- 쇼핑 도메인뿐 아니라 사용자 경험이 중요한 B2C 챗봇 전반에 메모리 기반 개인화 적용 가능성 검토
- 중복 제거, 행동별 가중치, 웹 행동 데이터 반영 등 메모리 정교화 방향 고려
- 서버리스 관리형 메모리와 커스텀 메모리의 장단점을 상황에 맞게 선택