Let's integrate AI Agents in Event-Sourced Systems — Divakar Kumar, FlyersSoft

한 줄 핵심

기존 룰 기반·ML 시스템을 그대로 두고, 이벤트 소싱 환경에서 여러 도메인 컨텍스트를 모아 AI 에이전트가 gray zone 사기 거래를 판정하는 2단계 아키텍처가 핵심이다.

시간별 요약

1. 0:01
   이 발표는 기존 시스템에 AI 에이전트를 덧붙여 실제 업무 흐름의 불확실한 판단을 보완하는 방법을 다룬다. 문제 공간은 실시간 사기 탐지이며, 단순 챗봇이 아니라 비즈니스 워크플로에 에이전트를 넣는 것이 목표다.
2. 3:01
   룰 기반 엔진과 ML 모델은 대부분의 거래를 처리하지만, 기준선 주변의 gray zone에서는 충분한 실시간 맥락이 없어 판단이 흔들린다. 그래서 기존 Tier 1은 유지하고, 애매한 사례만 AI 에이전트가 맡는 Tier 2 구조로 설계한다.
3. 6:00
   transaction, accounts, device, payment처럼 분리된 bounded context는 직접 데이터를 공유하지 않고 이벤트와 비동기 통신으로 연결된다. orchestrator와 message broker, Cosmos DB 이벤트 저장소, CDC/change feed, 읽기 최적화 read model과 semantic layer를 통해 각 컨텍스트의 정보를 하나의 materialized view로 모은다.
4. 11:00
   에이전트는 language model, tools, memory로 구성되며, 이 사례에서는 500ms 미만 SLA를 맞추기 위해 short-term in-memory memory를 쓴다. 에이전트는 문제를 쪼개고 도구를 호출하며 반복하지만, 무한 루프를 막기 위한 종료 기준과 메트릭이 반드시 필요하다.
5. 14:01
   Tier 2에서는 risk analyzer agent와 behavior analyzer agent를 fan out 패턴으로 병렬 실행하고, 별도의 verdict layer가 두 결과를 종합해 최종 결정을 낸다. 각 에이전트는 fraud history, device trust, business rules, transaction pattern 같은 도구를 활용하며, 최종 verdict는 다시 이벤트로 발행되어 saga 흐름을 이어간다.
6. 19:04
   POC는 synthetic data와 여러 context 이벤트를 흘려보내며 semantic layer와 에이전트 판정을 연결하는 흐름을 시연한다. 핵심 메시지는 이벤트 소싱 시스템을 AI 친화적으로 바꾸려면 데이터 저장 방식보다도, 충분한 컨텍스트를 만드는 projection 계층과 에이전트 오케스트레이션이 중요하다는 점이다.

실무 인사이트

• 기존 룰·ML 시스템을 대체하려 하지 말고, 예외적이고 불확실한 구간만 에이전트가 맡도록 계층화하면 도입 저항과 리스크를 줄일 수 있다.
• 에이전트 성능은 모델 자체보다 어떤 컨텍스트를 semantic layer로 압축해 넣느냐에 크게 좌우되므로, 도메인별 projection 설계가 우선이다.
• 실시간 의사결정에서는 정답률만큼이나 지연시간과 루프 종료 조건이 중요하므로, short-term memory와 명확한 break 조건을 함께 설계해야 한다.