AI 트리아지로 인입을 자동 분류하기
Summary
응급실의 영리한 시스템을 온콜에 이식하다: AI 트리아지로 구현하는 장애 분류 자동화
"어디서 봤던 장애더라?" 고민은 끝, 사내 히스토리와 런북을 실시간 추론해 최적의 해결책을 제시하는 AI 길목 설계기
인프라 대응의 첫 단추인 '이슈 분류'를 자동화하기 위해 아임웹 인프라팀이 구축한 AI 트리아지(Triage) 시스템을 소개합니다. AI가 인입된 슬랙이나 지라 티켓을 분석하고, 사내 축적된 이력과 동적으로 관리되는 런북 메타데이터를 기반으로 최적의 대응 시나리오와 등급을 판단합니다. '추천은 적극적으로, 실행은 안전하게'라는 철학 하에 사람이 승인하는 안전장치를 더해 실무 편의성과 인프라 안정성을 모두 잡았습니다.
- 01의료 분야의 환자 분류법(Triage)을 도입해 인프라 이슈의 '분류·라우팅'과 '진단·조치'를 완벽히 격리
- 02사내 지식 검색기 '쿼리곰'을 통해 Slack, Jira, Notion에 흩어진 파편화된 해결 이력을 실시간 검색 및 반영
- 03각 런북 상단에 frontmatter 메타데이터를 선언하여 문서의 드리프트(Drift) 현상 없이 카탈로그를 동적 스캔하도록 고도화
- 04키워드 매칭, 시스템 연관도, 과거 사례 등의 복합 점수제를 활용해 단순 매칭을 넘어선 고도화된 런북 추천 근거 제시
- 05매칭 실패 건을 단순 예외로 버리지 않고 'propose-new' 흐름을 적용해 새로운 장애 패턴 지식을 선순환적으로 축적
RECOMMENDATION
인입되는 고객 문의나 알람의 케이스가 복잡하여 초동 인프라 티케팅과 온콜 대응에 자원을 많이 소모하는 SRE 조직에 강력 추천합니다. 런북 마크다운 자체를 메타데이터 저장소로 삼는 경량화 아키텍처는 리소스가 부족한 팀에서 당장 벤치마킹하기 좋은 팁입니다.
The Problem
아임웹 인프라팀은 외부 고객사 이벤트가 많아 인시던트 유형이 지나치게 다양했고, 특히 신규 입사자나 온콜 담당자가 이슈가 인입되었을 때 관련 히스토리를 파악하고 적합한 런북을 선택하는 초동 분류 단계에서 병목 현상이 발생했습니다.
The Solution
입력 데이터 정규화, 사내 채널 히스토리 검색, 그리고 마크다운 frontmatter 메타데이터 기반 동적 스캔 점수 모델을 결합한 AI 트리아지 시스템을 도입하여 알람에 맞는 최적의 런북을 제안하고, 매칭에 실패하면 신규 런북 생성 프로세스(propose-new)를 타도록 설계했습니다.
The Result
온콜 담당자들이 이슈 유형을 파악하기 위해 히스토리를 뒤지며 허비하는 시간이 대폭 감소하였으며, 경험이 부족한 작업자도 AI의 추천 근거를 바탕으로 동일한 수준의 일관된 초동 대응을 수행할 수 있게 되었습니다.
Trade-off
오작동 방지를 위해 모든 외부 액션과 런북 실행을 사용자 수동 컨펌 이후에만 진행하도록 설계하여 완전 무인 자동화에 비해서는 수동 개입 오버헤드가 남아있으며, 분류 정확도를 유지하기 위해 개발자가 주기적으로 런북 파일 내 frontmatter 설정을 엄격히 갱신해야 합니다.
Key Concepts
More from 아임웹
View all posts from 아임웹
Related reads#DevOps
Explore #DevOpsGrafana Mimir에 Kafka를 도입하기 전 미리 알았다면
금융사를 위한 AWS GameDay 2026: 카카오뱅크 2연패 이야기 🏆
왓챠 직원 누구나 AI 앱을 만들 수 있게 된 이유
[의존성의 방향을 따라 4/5] PR을 전파하는 Distributer
