AOI (Autonomous Operations Intelligence) & Agentic RCA

1. 개요 (Overview)

AIOps 분야는 단순한 이상 탐지(Anomaly Detection)를 넘어, 에이전트가 자율적으로 시스템을 탐색하고 장애의 근본 원인을 분석하는 Agentic RCA(근본 원인 분석) 시대로 진입함. AOI는 기존의 정적인 분석 도구를 넘어 동적 추론을 수행하는 프레임워크임.

2. 핵심 아키텍처 (Key Architecture)

2.1. STRATUS의 한계 극복

  • 기존의 STRATUS와 같은 다중 에이전트 SRE 시스템은 추론과 실행의 밀결합으로 인해 보안 및 안전성 문제가 있었음.
  • AOI는 추론부(Reasoner)와 실행부(Executor)를 분리하고, 에이전트의 권한을 ‘읽기 전용 탐색(Probe)‘과 ‘제한된 쓰기(Action)‘로 계층화함.

2.2. GRPO 기반 지식 증류 (Distillation)

  • 거대 모델(Claude 3.5 Sonnet 등)의 SRE 전문가 지식을 소형 로컬 모델(Qwen3-14B 등)에 GRPO(Group Relative Policy Optimization) 기법을 사용하여 증류함.
  • 이를 통해 클라우드 비용을 절감하면서도 RCA 성공률을 기존 대비 24% 이상 향상시킴.

2.3. 자율적 가설 검증 (Hypothesis Testing)

  • 에이전트가 장애 발생 시 로그, 메트릭, 트레이스를 통합 분석하여 잠재적 원인 가설을 세움.
  • MCP(Model Context Protocol)를 통해 인프라 도구(kubectl, Prometheus 등)에 직접 연결하여 가설을 실시간으로 검증함.

3. RCA 성능 지표 (2026.03 기준)

  • RCA 성공률: 최상위 모델인 Claude 4.5급도 복잡한 시스템에서는 약 30~40% 수준에 머물러 있으나, AOI 프레임워크 적용 시 구조화된 워크플로우를 통해 성공률을 15%p 이상 추가 확보 가능.
  • 복구 시간(MTTR) 단축: 인간 엔지니어의 수동 분석 대비 장애 인지 후 초동 대응까지의 시간을 평균 60% 단축.

4. AX1센터 적용 방안 (AIOps 제품 기획)

  • 보안 중심 설계: 에이전트가 인프라를 수정하기 전 반드시 인간의 승인을 거치는 Human-in-the-loop 구조(LangGraph v1.0 패턴) 도입 필수.
  • MCP 기반 인프라 연결: 사내 메트릭 시스템을 MCP 서버로 추상화하여 에이전트와의 호환성 즉시 확보.
  • 지식 그래프 연동: 장애 이력을 Cognee와 같은 도구로 지식 그래프화하여 유사 장애 발생 시 과거 대응 이력을 즉시 참조할 수 있도록 설계.

출처: Autonomous RCA with Reasoning Models (AOI Research, 2026.03) 관련 노트: [[wiki/Engineering/Infrastructure-and-DevOps/000_AIOps-MOC]], [[wiki/Engineering/Infrastructure-and-DevOps/STRATUS-Autonomous-Reliability]]