HPE Zerto, Amazon Bedrock 위에 온프레미스 에이전틱 문제 해결 시스템 구축
HPE Zerto는 Amazon Bedrock을 활용한 온프레미스 AI 문제 해결 시스템을 배포하며, 실시간 복구 데이터를 안전하고 실행 가능한 가이던스와 연결한다.
HPE Zerto는 고객의 온프레미스 환경 내부에서 실행되면서도 추론 레이어는 Amazon Bedrock으로 구동되는 에이전틱 문제 해결 시스템을 구축했다. 이 시스템은 자연어 인터페이스를 실시간 재해 복구 데이터, 제품 문서, 운영 도구와 연결해, 복원력 팀이 대시보드와 지원 자료를 수동으로 오가며 문제를 조사하지 않아도 되도록 돕는 것을 목표로 한다.
AWS Machine Learning Blog 게시물에 상세히 설명된 이 아키텍처는 엔터프라이즈 AI의 실질적 제약을 보여준다. 모델 서비스는 클라우드 기반일 수 있지만, 민감한 운영 컨텍스트와 도구 실행은 고객 인프라에 최대한 가까이 있어야 한다. HPE Zerto에 따르면 이 시스템은 Zerto 제품 내부의 pod로 배포되며 기존 운영 인터페이스를 통해 접근한다.
AI 빌더와 엔터프라이즈 기술 팀에게 중요한 점은 새로운 챗봇 자체보다 HPE Zerto가 그 주변에 그어 둔 경계다. 에이전트는 현재 환경 상태를 추론하고 관련 지식을 검색할 수 있지만, 그 접근은 로컬 API, 검색 시스템, 보안 제어를 통해 매개된다. 이 설계는 범용 모델을 무제한 운영자로 바꾸지 않으면서도 장애와 구성 문제에서 AI 어시스턴트를 유용하게 만들기 위한 것이다.
실시간 복구 데이터에 연결된 멀티 에이전트 계층
AWS Machine Learning Blog에 따르면, 이 시스템은 Strands Agents로 구축된 에이전트를 사용한다. 이 에이전트들은 온프레미스 pod로 실행되며, 로컬에 저장된 대화 기록, 내부 도구, 외부 지식 검색이라는 세 가지 주요 정보 소스를 활용할 수 있다.
내부 도구 경로는 로컬 Model Context Protocol 서버를 통해 제공된다. 이 서버는 Zerto Manager API에 구조화된 접근을 제공하여, 에이전트가 정적 문서나 사용자의 사고 설명만에 의존하지 않고 고객 환경의 실시간 정보를 검사할 수 있게 한다.
외부 경로는 Amazon Bedrock Knowledge Bases를 사용해 공개 문서, 런북, 기타 운영 자료를 검색한다. 이 조합이 중요한 이유는 재해 복구 시스템의 문제 해결에는 현재 상태와 절차적 맥락이 모두 필요하기 때문이다. 알람은 무엇이 실패하는지 보여줄 수 있고, 런북이나 제품 가이드는 이를 안전하게 조사하거나 수정하는 순서를 설명한다.
인터페이스는 기존 Zerto 사용자 경험에 내장되어 있다. HPE Zerto는 Server-Sent Events를 사용해 조사 진행 상황을 사용자에게 스트리밍하고, 하나의 최종 응답을 기다리는 대신 중간 활동을 보여준다고 말한다. 제시된 사용 사례에는 구성 질문에 대한 답변, 상태 문제 완화 지원, 설정 및 기능 채택 지원, 그리고 위험, 서비스 수준 계약 노출, 복구 준비 상태 요약이 포함된다.
그렇다고 해서 모델이 복구 환경 전체를 독립적으로 제어한다는 뜻은 아니다. 소스는 제공된 도구를 통해 추론하고, 행동하고, 응답하도록 설계된 시스템을 설명한다. 따라서 배포의 실질적 안전성은 이 도구들 주변에 구현된 권한, 검증 로직, 행동 경계에 달려 있으며, AWS 게시물은 이를 아키텍처 수준에서 논의하지만 생산 성능 보고서처럼 완전히 정량화하지는 않는다.
온프레미스 배포 모델이 중요한 이유
HPE Zerto의 대상 사용자는 하이브리드 또는 멀티클라우드 환경 전반에서 사이버 복원력, 지속적 데이터 보호, 재해 복구를 관리한다. 이러한 환경에서 운영 데이터에는 보호된 워크로드의 상태, 복제 상태, 경고, 이벤트, 사이트 간 관계, 복구 준비 상태가 포함될 수 있다. 회사가 말하는 과제는 이러한 정보가 인터페이스와 문서에 분산되어 있어 장애나 사이버 사고 시 의사결정이 느려진다는 점이다.
에이전틱 계층을 고객 환경 내부에서 실행하면 이 문제의 일부를 해결할 수 있다. 어시스턴트는 점검해야 할 시스템 옆에 배치될 수 있고, 세션 기록은 로컬에 저장되며, 제품은 익숙한 관리 UI를 통해 계속 접근 가능하다. 기업 입장에서는 배포를 단순화하고 운영 컨텍스트를 별도의 외부 애플리케이션으로 옮길 필요를 줄일 수 있다.
모델 레이어는 여전히 Amazon Bedrock에 의존한다. AWS는 HPE Zerto가 제어된 파운데이션 모델 접근, 다양한 모델 평가 기능, 가드레일·관찰성·검색 서비스와의 통합 때문에 이 서비스를 선택했다고 밝혔다. HPE Zerto는 또한 Amazon Bedrock Guardrails를 사용해 프롬프트와 생성 결과에 정책, 규정 준수, 보안 제어를 적용한다.
이 하이브리드 구성은 엔터프라이즈 AI에서 점점 더 중요한 배포 패턴을 보여준다. 즉, 데이터 접근과 실행은 시스템 오브 레코드 가까이에 두고, 추론과 모델 선택에는 관리형 모델 플랫폼을 사용하는 방식이다. 이는 유연성을 제공할 수 있지만, 로컬 제품, 모델 서비스로 가는 네트워크 경로, 검색 품질, 각 에이전트에 부여된 권한 사이에 의존성도 만든다.
증거와 주장은 여전히 벤더 보고에 기반
현재 उपलब्ध한 증거는 HPE Zerto의 아키텍처를 중심으로 작성된 AWS Machine Learning Blog 사례 연구다. 이 글은 설명된 구성 요소와 배포 방식을 확인해 주지만, 문제 해결 정확도, 응답 지연, 고객 채택, 지원 티켓 감소, 복구 시간의 측정 가능한 개선에 대한 독립적 검증은 제공하지 않는다.
따라서 더 빠르고 정보에 근거한 복구 결정과 운영 부담 감소에 대한 주장은 독립적으로 검증된 결과라기보다 시스템의 의도된 결과로 읽어야 한다. 또한 소스는 실제 운영에서 어떤 파운데이션 모델을 사용하는지, 모델 라우팅을 어떻게 관리하는지, 에이전트가 권장사항만 반환하는 대신 직접 행동할 수 있는 빈도가 어느 정도인지도 명시하지 않는다.
Intuit의 Intuit EWOK Agent에 대한 또 다른 AWS Machine Learning Blog 게시물은 관련 참조점이지만 HPE Zerto에 대한 추가 증거는 아니다. Intuit는 평이한 언어의 페일오버 요청을 검증된 워크플로로 변환하는 에이전트를 설명하며, 결정론적 실행 시스템이 인프라 변경을 수행한다. Intuit는 팀이 이 시스템을 8개월 동안 사용해 왔다고 말하며, 지원되는 복구 워크플로는 약 20분 내에 완료될 수 있다고 보고하지만, 이는 Intuit의 별도 플랫폼에 대한 자체 주장이다.
두 사례는 더 넓은 설계 원칙을 공유한다. 즉, AI 모델은 의도를 해석하고 제한된 기능 중에서 선택하도록 하며, 결정론적 시스템은 정책을 강제하고 영향이 큰 작업을 실행한다. 이 패턴은 특정 벤치마크보다 이식성이 높지만, 조직은 여전히 자사의 데이터 품질, 장애 모드, 변경 통제 요구사항에 맞춰 시험해야 한다.
빌더와 엔터프라이즈 구매자를 위한 시사점
빌더 입장에서 HPE Zerto의 접근은 프롬프트 작성 연습이 아니라 통합 문제로서의 grounding을 강조한다. 에이전트는 현재 제품 상태에 대한 신뢰할 수 있는 접근, 정의된 도구 스키마, 관련 문서, 그리고 대화에서 이미 가능한 정보를 반복해서 묻지 않기 위한 충분한 세션 컨텍스트가 필요하다. 로컬 MCP 서버는 구조화된 인터페이스를 제공할 수 있지만, 인증, 권한 부여, 로깅, API 호환성의 중요한 통제 지점이 되기도 한다.
엔터프라이즈 구매자에게 핵심 평가 질문은 운영적이다. 시스템이 오래된 알람과 현재 상태를 구별할 수 있는가? 추천의 출처를 인용하거나 노출하는가? 관리자는 역할과 환경에 따라 도구를 제한할 수 있는가? 모델이 사용 불가능하거나, 검색 결과가 불완전하거나, 요청된 조치가 데이터 손실 위험을 높일 수 있는 경우에는 어떻게 되는가? AWS 게시물은 아키텍처를 제시하지만, 이러한 조달 및 거버넌스 질문 전체에는 답하지 않는다.
이 시스템의 가치는 정보 밀도가 높고 운영자 경험이 고르지 않은 팀에서 가장 클 가능성이 높다. 자연어 계층은 특히 경험이 적은 관리자에게 컨텍스트를 모으고 증상을 설명하는 시간을 줄여줄 수 있다. 하지만 재해 복구에서는 유용한 설명과 안전한 실행이 동일하지 않다. 진단에서 복구로 넘어가는 모든 단계에는 명시적 권한, 확인 절차, 감사 로그, 그리고 인간 운영자로의 신뢰할 수 있는 복귀 경로가 필요하다.
앞으로 주목할 점
다음으로 의미 있는 신호는 아키텍처 설명을 넘어선 배포 증거가 될 것이다. HPE Zerto는 어시스턴트의 일반 제공 여부, 어떤 제품 에디션과 환경이 이를 지원하는지, 고객이 모델 선택이나 도구 권한을 설정할 수 있는지를 명확히 할 수 있다.
빌더는 또한 응답 정확도, 검색 품질, 잘못된 추천, 사고 조사 시간 절감, 그리고 사용자가 제안된 조치를 수락하거나 거부하는 비율에 대한 공개 측정치를 주목해야 한다. 이러한 지표는 시스템이 단순히 대화형 인터페이스를 추가하는 것이 아니라 운영 작업을 개선하는지 보여줄 것이다.
플랫폼 측면에서는 모델 유연성이 계속 중요한 시험대가 될 것이다. HPE Zerto는 Amazon Bedrock이 품질, 지연 시간, 비용을 기준으로 파운데이션 모델을 평가할 수 있게 해준다고 말한다. 실제 비교, 배포 가이드, 데이터 거주지 및 네트워크 장애 시 동작에 대한 더 명확한 정보가 있으면 기업이 그 유연성이 실질적 이점을 주는지 판단하는 데 도움이 될 것이다.
Creati.ai 관점
HPE Zerto의 시스템은 엔터프라이즈 에이전틱 AI가 어디에서 구체화되고 있는지 보여주는 유용한 사례다. 기존 운영 제품 내부에서, 실시간 상태와 연결되어 있으며, 이미 환경을 관리하는 API와 제어에 의해 제한된다. 설계의 가장 강한 부분은 대화형 추론 레이어와 제품의 기반 운영 인터페이스를 분리한 점이다.
더 어려운 질문은 증명이다. 재해 복구에서 에이전트는 알람을 설명할 수 있는지뿐 아니라, 그 지침이 최신이고 감사 가능하며 압박 상황에서도 안전한지로 평가되어야 한다. HPE Zerto나 고객이 결과 데이터를 공개하기 전까지는, 이번 발표를 에이전트가 복구 운영을 해결했다는 증거라기보다 신뢰할 수 있는 배포 패턴이자 평가할 아키텍처로 이해하는 것이 가장 좋다.
