AI 기능

AI는 Elastic 플랫폼의 핵심 요소입니다. AI는 각종 기능을 보강하고 데이터를 더 효과적으로 분석하도록 돕습니다. 이 페이지에서는 각 솔루션에서 사용할 수 있는 AI 기반 역량과 기능을 정리하고, 각 항목에 대한 더 자세한 정보로 연결되는 링크를 제공합니다.

배포 환경에서 이러한 기능을 활성화하거나 비활성화하는 방법은 AI 기능 접근 관리를 참조하세요.

가격 정보는 가격 안내를 참조하세요.

• Elastic의 AI 기반 기능을 사용하려면 적절한 구독 등급 또는 서버리스 기능 티어가 필요합니다. 요구 사항은 솔루션과 기능에 따라 다릅니다. 자세한 내용은 각 기능의 문서를 참조하세요.
• 대부분의 기능은 최소 하나 이상의 정상 동작하는 LLM 커넥터를 필요로 합니다. AI 기반 기능에서 사용하는 대규모 언어 모델(LLM) 커넥터 설정 방법은 LLM 접근 구성을 참조하세요. 라이선스가 지원하는 경우 Elastic Managed LLM을 기본으로 사용할 수 있습니다.

Elastic은 AI Assistant, Elastic Agent Builder 및 관련 워크플로를 포함해 채팅 및 커넥터 기반 생성형 AI 기능에 대해 테스트한 모델 평가와 권장 사항을 공개합니다. 다음을 참조하세요.

• Observability용 LLM 성능 매트릭스와 Elastic Security용 LLM 성능 매트릭스는 해당 솔루션의 AI 기반 기능에 대한 모델 성능을 요약합니다.
• Elastic Agent Builder 권장 모델: Elastic Agent Builder와 잘 동작하는 모델입니다.

Inference, NLP 및 임베딩 모델, 검색 랭킹처럼 이 페이지에 있는 다른 AI 역량은 서로 다른 모델 유형과 평가 기준을 사용합니다. 모델 선택에 대해서는 각 기능의 문서를 참조하세요. Elastic은 모든 플랫폼 기능에 대해 통합된 LLM 성능 매트릭스를 공개하지는 않습니다.

다음 AI 기반 기능은 Elastic 플랫폼 전반에서 사용할 수 있습니다. 이들은 선택한 솔루션이나 프로젝트 유형과 관계없이 사용할 수 있는 핵심 Elasticsearch 역량입니다.

Elastic Inference를 사용하면 머신러닝 모델을 활용해 데이터에 대한 텍스트 임베딩이나 재랭킹 같은 작업을 수행할 수 있습니다.

자세한 내용은 다음을 참조하세요.

• Elastic Inference Service(EIS): 모델을 배포하거나 인프라와 리소스를 관리하지 않고도 추론을 실행하는 관리형 서비스입니다.
• Elastic Managed LLM: 플랫폼 전반의 생성형 AI 제품 기능을 위해 검증된 내장 LLM입니다.
• inference API: 이 범용 API를 사용하면 EIS, 자체 모델 또는 서드파티 서비스를 이용해 추론 작업을 수행할 수 있습니다.

자연어 처리(NLP)를 사용하면 자연어 데이터를 분석하고 예측을 수행할 수 있습니다. Elastic은 Elastic이 학습시킨 ELSER나 Jina 모델 등 다양한 내장 NLP 모델을 제공합니다. 사용자 지정 NLP 모델을 배포할 수도 있습니다.

벡터 검색은 임베딩과 유사도 매칭을 사용해 Elasticsearch에서 관련 데이터를 찾습니다. 머신러닝 모델이 텍스트, 이미지 및 기타 콘텐츠를 벡터로 변환합니다. 활용 사례로는 추천, 중복 탐지, 사기 및 이상 탐지, 이미지 유사도, 시맨틱 검색 등이 있습니다.

임베딩, 필드 유형, 쿼리를 직접 제어하려면 dense_vector 및 sparse_vector 필드 유형으로 밀집 벡터 검색 또는 희소 벡터 검색을 구현하세요. 개념, 필드 유형, 튜토리얼은 Elasticsearch의 벡터 검색을 참조하세요.

텍스트에 대한 임베딩 생성, 필드 매핑, 유사도 검색을 관리형 워크플로로 처리하고 싶다면 시맨틱 검색 워크플로를 사용하세요. 가장 간단하게 설정하려면 semantic_text 필드 유형으로 시작하세요.

하이브리드 검색은 전문 검색과 벡터 검색을 하나의 요청에서 결합해 결과가 정확한 용어와 의미 모두에 일치할 수 있도록 합니다.

시맨틱 재랭킹은 Elasticsearch에 호스팅된 모델이나 서드파티 추론 엔드포인트를 사용해, 쿼리와의 의미적 유사도를 기준으로 ML 모델이 검색 결과의 순서를 재조정하는 것입니다.

Learning To Rank는 학습된 ML 모델을 사용해 검색을 위한 사용자 지정 랭킹 함수를 구축하는 고급 기능입니다. 충분한 학습 데이터가 있고 고도로 맞춤화된 관련성 튜닝이 필요한 활용 사례에 가장 적합합니다.

Automatic Import는 데이터 소스에 사전 구축된 통합이 없을 때 LLM을 사용해 데이터 샘플로부터 사용자 지정 Elastic 통합을 구축하도록 돕습니다. Observability와 Elastic Security를 포함해 Elastic Agent와 통합을 사용하는 솔루션 전반에 적용됩니다.

Elasticsearch 솔루션 뷰(서버리스에서는 프로젝트 유형)에는 Elastic 플랫폼에서 제공하는 핵심 Elasticsearch 역량 외에 몇 가지 AI 기반 기능이 포함되어 있습니다.

Agent Builder를 사용하면 Elasticsearch 데이터와 상호작용하고 쿼리를 실행하며 지능적인 응답을 제공하는 AI 에이전트를 만들 수 있습니다. 검색 인프라 위에 대화형 AI 경험을 구축하기 위한 완전한 프레임워크를 제공합니다.

Elastic AI Assistant for Observability and Search는 Kibana 전반에서 Elastic 데이터를 이해하고 분석하며 상호작용하도록 돕습니다. Elastic Stack과 데이터에 대해 질문할 수 있는 채팅 인터페이스를 제공하며, Kibana 전반에서 오류와 메시지를 설명하고 해결 단계를 제안하는 맥락 기반 인사이트를 제공합니다.

Elastic은 에이전트를 Elasticsearch 데이터에 연결하기 위한 두 가지 MCP 서버 옵션을 제공합니다. Agent Builder MCP 서버는 Elasticsearch 9.2 이상 배포 환경과 서버리스 프로젝트에 권장되는 방식으로, 내장 도구와 사용자 지정 도구에 대한 전체 접근을 제공합니다. Agent Builder가 없는 이전 Elasticsearch 버전에서는 제한된 도구 집합을 갖춘 mcp-elasticsearch 서버를 사용할 수 있습니다.

Elastic 9.2 이상 배포 환경과 서버리스 프로젝트는 에이전트 기반 워크플로를 구동하는 데 사용할 수 있는 모든 내장 및 사용자 지정 도구를 노출하는 Agent Builder MCP 서버 엔드포인트를 제공합니다.

Agent Builder가 없는 이전 버전의 Elasticsearch를 실행 중이라면 elastic/mcp-server-elasticsearch를 사용할 수 있습니다. 이 MCP 서버를 사용하면 에이전트를 Elasticsearch 데이터에 연결하고 자연어 대화를 통해 Elasticsearch 인덱스와 상호작용할 수 있지만, Agent Builder MCP 서버에 비해 도구 집합이 더 제한적입니다.

Observability의 AI 기반 기능은 모두 LLM 커넥터를 필요로 합니다. 이러한 기능을 사용할 때는 환경에 구성된 어떤 LLM 커넥터든 선택할 수 있습니다. 한 기능에서 선택한 커넥터는 다른 기능이 사용하는 커넥터에 영향을 주지 않습니다. 구체적인 구성 방법은 각 기능의 문서를 참조하세요. Observability 활용 사례에 대해 테스트된 모델을 확인하려면 Observability용 LLM 성능 매트릭스를 참조하세요.

Elastic AI Assistant for Observability and Search는 Kibana 전반에서 Elastic 데이터를 이해하고 분석하며 상호작용하도록 돕습니다. Elastic Stack과 데이터에 대해 질문할 수 있는 채팅 인터페이스를 제공하며, Kibana 전반에서 오류와 메시지를 설명하고 해결 단계를 제안하는 맥락 기반 인사이트를 제공합니다.

Streams는 필드 추출, 데이터 보존 기간 설정, 데이터 라우팅 같은 일반적인 작업을 간소화하는 Kibana 내 AI 지원 통합 UI입니다. Streams는 다음 기능에서 AI를 활용합니다.

• Grok 처리: AI를 사용해 데이터에서 의미 있는 필드를 추출하는 grok 패턴을 생성합니다.
• 파티셔닝: wired stream을 사용할 때 AI를 활용해 데이터에 기반한 논리적 그룹화와 하위 스트림을 제안받습니다.
• 고급 설정: AI를 사용해 다른 AI 기능이 제안을 생성할 때 활용하는 스트림 설명과 기능 식별 정보를 생성합니다.

Automatic Import는 사전 구축된 Elastic 통합이 없는 소스의 로그와 이벤트를, 데이터 샘플로부터 새 통합을 생성해 수집할 수 있도록 돕습니다.

Elastic Security의 AI 기반 기능은 모두 LLM 커넥터를 필요로 합니다. 이러한 기능을 사용할 때는 환경에 구성된 어떤 LLM 커넥터든 선택할 수 있습니다. 한 기능에서 선택한 커넥터는 다른 기능이 사용하는 커넥터에 영향을 주지 않습니다. 구체적인 구성 방법은 각 기능의 문서를 참조하세요. Elastic Security 활용 사례에 대해 테스트된 모델을 확인하려면 Elastic Security용 LLM 성능 매트릭스를 참조하세요.

Elastic AI Assistant for Security는 Elastic Security 전반에서 알림 조사, 사고 대응, 쿼리 생성 같은 작업을 돕습니다. Elastic Stack과 데이터에 대해 질문할 수 있는 채팅 인터페이스를 제공하며, 오류와 메시지를 설명하고 해결 단계를 제안하는 맥락 기반 인사이트를 제공합니다.

Attack Discovery는 AI를 사용해 알림을 분류하고 잠재적 위협을 식별합니다. 각 "discovery"는 잠재적 공격을 나타내며, 알림 간의 관계를 설명해 관련 사용자와 호스트를 식별하고, 알림을 MITRE ATT&CK 매트릭스에 매핑하며, 위협 행위자 식별을 돕습니다.

Automatic Migration은 AI를 사용해 Splunk 자산을 필요한 형식으로 변환하고 Elastic Security 환경에 추가함으로써 Elastic Security로의 마이그레이션을 돕습니다. 다음 자산 유형을 지원합니다.

• Splunk 규칙
• Splunk 대시보드

Automatic Import는 사전 구축된 Elastic 통합이 없는 소스의 데이터를 수집하도록 돕습니다. AI를 사용해 수집하려는 데이터의 샘플을 파싱하고, 해당 데이터 유형에 특화된 새 통합을 생성합니다.

자동 문제 해결은 AI를 사용해 Elastic Defend가 의도대로 동작하지 못하게 하는 문제를 식별하고 해결하도록 돕습니다. 다음과 같은 일반적인 문제 영역에 대해 실행 가능한 인사이트를 제공합니다.

• 정책 응답: Elastic Defend의 통합 정책에서 발생한 경고나 실패를 탐지합니다.
• 서드파티 백신(AV) 소프트웨어: Elastic Defend와 충돌할 수 있는 설치된 서드파티 백신(AV) 제품을 식별합니다.

엔티티 상세 플라이아웃에서 사용할 수 있는 엔티티 요약은 AI를 사용해 사용자 또는 호스트의 보안 컨텍스트 요약을 생성합니다. 위험 점수, 자산 중요도, 취약점, 머신러닝 이상 징후 같은 정보를 집계해 해당 엔티티의 보안 상태를 통합적으로 보여줍니다. 이 요약은 조사 우선순위를 정하고 권장되는 다음 단계를 식별하는 데 도움이 됩니다.

AI agent skills for Elastic은 AI 코딩 에이전트가 Elastic 특화 작업을 수행하도록 돕는 공식 오픈소스 스킬 패키지를 제공합니다. 스킬은 Agent Skills 개방형 표준을 기반으로 구축되었으며, Elasticsearch API 사용, Kibana 워크플로, Observability 및 Elastic Security 활용 사례 같은 작업에 대한 가이드를 포함합니다.