초개인화 쇼핑 에이전트 개발

이 게시물은 Amazon Bedrock AgentCore Memory와 Custom Memory를 활용해 사용자의 쇼핑 행동과 선호도를 기억하는 지능형 쇼핑 에이전트를 만드는 방법을 소개합니다.

현재 쇼핑 에이전트의 한계

• 개인화 부족 및 대화 컨텍스트 연속성 결여
• 사용자 선호도 학습 및 상황별 맞춤 추천 불가

제안된 메모리 솔루션

• Bedrock AgentCore Memory: 서버리스 관리형 메모리로 단기 및 장기 메모리 제공
• Custom Memory: Generative Agents 논문 기반 메모리 스트림, 리플렉션, 플래닝 모듈 활용
• OpenSearch와 DynamoDB를 활용한 벡터 유사도 검색 및 메모리 객체 관리

시뮬레이션 및 평가

• 페르소나 기반 30회 대화 시뮬레이션으로 500여 개 메시지와 242개 메모리 객체 생성
• 메모리 활용 에이전트가 적은 토큰 수로도 사용자의 선호를 정확히 반영하며 개인화 추천 가능
• 전체 대화 기록 활용 에이전트는 과도한 컨텍스트에도 불구하고 선호 파악에 실패

결론 및 미래 방향

• 적절한 정보 선별과 구조화된 메모리 시스템이 개인화 AI 에이전트 성능을 크게 향상
• 추가 최적화와 memory tree, 행동별 가중치 부여 등 발전 가능성 제시
• 다양한 B2C 챗봇 분야로 확장 가능