AWS Machine Learning Blog

기존 AI 어시스턴트의 한계인 '상태 비저장(stateless)' 문제를 해결하기 위해 AgentCore의 메모리 기능을 활용하여 지속적인 맥락을 유지하는 에이전트 구축 방법을 설명합니다. OpenClaw와 Amazon Bedrock을 결합하여 저비용으로 개인화된 지능형 서비스를 구현하는 서버리스 아키텍처와 배포 자동화를 다룹니다.

AWS는 ISO/IEC 42005:2025 표준을 준수하려는 기업들을 위해 AI 시스템 영향 평가 프로세스를 기존의 리스크 관리 체계에 통합할 수 있는 도구와 프레임워크를 제공합니다. 이를 통해 기업은 AI 도입 과정에서 발생할 수 있는 프라이버시, 차별, 성능 등의 리스크를 체계적으로 식별하고 관리할 수 있습니다.

이 글은 여러 팀이 대규모 가속 컴퓨팅 자원을 공유할 때 발생하는 거버넌스 문제를 해결하기 위한 Amazon SageMaker HyperPod 관리 전략을 다룹니다. SageMaker Unified Studio를 활용해 인프라 관리와 ML 워크로드 실행을 분리하고, 4단계의 제어 계층을 통해 자원 할당과 보안을 체계적으로 관리하는 방법을 설명합니다.

AWS는 SageMaker Studio UI를 통해 HyperPod EKS 클러스터의 개발 환경인 'Spaces'를 직접 생성, 구성, 시작 및 중지할 수 있는 신기능을 발표했습니다. 이를 통해 데이터 과학자들은 명령줄 도구 없이도 JupyterLab이나 Code Editor를 즉시 실행하여 대규모 모델 학습 및 추론 워크로드를 효율적으로 관리할 수 있습니다.

이 글은 Amazon Bedrock의 최신 기능을 사용하여 항공사 고객을 위한 실시간 음성 여행 컨시어지를 구축하는 아키텍처를 설명합니다. Nova Sonic의 음성-음성 모델과 MCP 프로토콜을 통해 기존 백엔드 시스템과 AI 에이전트를 유연하게 연결하고, 지식 기반(Knowledge Base)을 통해 정책 문의까지 자동화하는 방법을 다룹니다.

Z.ai의 대규모 MoE 모델인 GLM 5.3이 Amazon Bedrock에 출시되었습니다. 이 모델은 코딩 및 장기 에이전트 작업에 최적화되어 있으며, 프롬프트 캐싱과 교차 리전 추론 기능을 통해 비용과 지연 시간을 효율적으로 관리할 수 있는 기능을 제공합니다.

Anthropic의 에이전틱 코딩 도구인 Claude Code를 AWS GovCloud의 Amazon Bedrock과 통합하여 보안 및 규제 준수가 필수적인 환경에서도 AI 기반 개발을 수행할 수 있습니다. 이를 통해 개발자는 코드 수정, 테스트 실행, CI/CD 자동화 등 복잡한 작업을 수행하면서도 높은 수준의 데이터 보호와 규제 인증을 유지할 수 있습니다.

Amazon SageMaker AI 최적화 추론을 위한 새로운 'aws-ai-ml' 스킬이 출시되었습니다. 이 스킬은 MCP를 지원하는 코딩 에이전트가 벤치마킹, 배포 구성 추천, 실행 가능한 Python SDK 코드 생성 등을 수행할 수 있게 하여 모델의 프로덕션 배포 과정을 자동화합니다.

AWS는 Amazon Quick의 에이전트, 커넥터, 지식 베이스 등 주요 리소스를 계정 간에 자동화된 방식으로 복제 및 업데이트하는 'Quick Resource Migrator'를 소개했습니다. 이 솔루션은 MCP 서버를 활용해 수동 작업의 오류를 줄이고, API 기반의 멱등성 있는 리소스 프로모션과 감사 가능한 워크플로우를 제공합니다.

기존 RAG 방식은 여러 의도가 포함된 복지합 질문을 하나의 벡터로 처리하여 답변이 불완전해지는 한계가 있습니다. Amazon Bedrock Knowledge Bases와 LangChain을 결합한 에이전틱 검색은 모델이 스스로 검색 계획을 수립하고 반복 검색을 수행하여 정교한 답변을 생성합니다.

Amazon Quick에서 사용자 권한을 하향 조정하는 것은 보안의 '최소 권한 원칙'을 준수하고 비용을 절감하는 데 필수적입니다. 하지만 콘솔이나 API를 통한 직접적인 권한 축소는 기술적으로 제한되어 있어, AWS CLI를 이용한 단계적 변경이나 사용자 재생성 방식을 활용해야 합니다.

멀티 에이전트 시스템이 실험실을 넘어 실제 생산 환경에 적용되기 위해서는 단순한 응답 품질을 넘어 도구 선택과 워크플로우 실행의 정확성을 검증해야 합니다. Amazon Bedrock AgentCore는 내장 및 사용자 정의 평가기를 통해 에이전트의 유용성과 설명 가능성을 측정하며, Guardrails를 통해 실행 중 안전성을 제어하는 통합 프레임워크를 제공합니다.

이 기사는 대규모 계약서 검토 시 발생하는 데이터 누락과 불확실성 문제를 해결하기 위해 'Adjudicated Query' 패턴을 소개합니다. 생성형 AI를 자연어 인터페이스로만 사용하고, 실제 판단은 결정론적 규칙 엔진이 수행하게 하여 결과의 정확성과 증명 가능성을 보장하는 것이 핵심입니다.

Amazon Bedrock AgentCore를 활용하면 Claude Desktop에 MCP 호환 웹 검색 기능을 추가하여 모델의 학습 데이터 컷오프 문제를 해결할 수 있습니다. 모든 검색 트래적은 AWS 인프라 내에서 관리되어 보안성이 높으며, AWS IAM Identity Center와 Cognito를 통해 엔터프라이즈급 인증 체계를 구축할 수 있습니다.

Amazon SageMaker AI의 MTRL(Multi-Turn RL)은 검색 에이전트가 여러 단계에 걸쳐 내리는 의사결정의 전체 경로를 최적화하는 기술입니다. 이를 통해 기존 SFT나 단일 턴 RL의 한계를 극복하고, 특정 환경에 특화된 소형 모델을 저비용으로 학습시켜 고성능 검색 에이전트를 구축할 수 있습니다.

Amazon Quick가 기존의 정적 데이터 스냅샷 방식에서 벗어나, QuickSight의 정형 데이터를 실시간으로 쿼리할 수 있는 'Live Data in Apps' 기능을 도입했습니다. 이를 통해 사용자는 자연어 명령만으로 최신 비즈니스 지표가 반영된 맞춤형 웹 애플리케이션을 개발자 도움 없이 구축하고 공유할 수 있습니다.

이 글은 NVIDIA NeMo Agent Toolkit(NAT)의 메모리 모듈에 Amazon S3 Vectors를 커스텀 메모리 제공자로 통합하는 구현 프로세스를 다룹니다. 이를 통해 개발자는 Amazon EKS 환경에서 대규모 벡터 데이터를 효율적으로 관리하고, 강력한 일관성과 확장성을 갖춘 에이전트 메모리 시스템을 구축할 수 있습니다.

Amazon Payments는 생성형 AI로 생성된 대량의 개인화 콘텐츠 중 고객에게 가장 적합한 것을 선택하기 위해 LinUCB 알고리즘을 도입했습니다. 이를 통해 특정 고객군에서 최종 퍼널 전환율의 유의미한 상승을 이끌어냈으며, 모델의 학습 능력과 콘텐츠의 질이 결합되었을 때의 시너지를 입증했습니다.

기존의 채팅형 AI 에이전트와 달리, 앰비언트 에이전트는 S3나 데이터베이스 변경 같은 이벤트 스트림을 감지하여 스스로 작업을 시작합니다. Amazon Bedrock AgentCore는 이 과정에서 필요한 인간의 개입(Human-in-the-loop)을 지원하여, 자율성과 신뢰성을 동시에 확보한 자동화된 운영 환경 구축을 가능하게 합니다.

이 글은 AWS 내 전용 AI Services 계정을 중심으로 운영(Prod)과 개발(Dev) 환경을 분리하고, 각 환경에 최적화된 인증 방식(SigV4, API Key, OIDC)을 적용하는 구체적인 구현 가이드를 제공합니다. 이를 통해 자격 증명 노출 위험을 최소화하면서도 개발 생산성과 확장성을 동시에 확보할 수 있는 멀티 계정 토폴로지 구축 방법을 설명합니다.

Amazon QuickSight에 다단계 필터링을 지원하는 '계층 구조 필터' 기능이 추가되었습니다. 이 기능은 여러 개의 독립적인 필터를 하나의 컴팩트한 컨트롤로 통합하여, 사용자가 지역, 국가, 도시와 같은 계층적 데이터를 복잡함 없이 효율적으로 탐색할 수 있도록 돕습니다.

대만의 유니오픈은 범용 AI 모델이 이해하기 어려운 자사만의 복잡한 리테일 모더레이션 기준을 적용하기 위해 Amazon Nova 2 Lite를 미세 조정하고 프롬프트 최적화를 수행했습니다. AWS의 다양한 관리형 서비스를 활용해 데이터 수집, 인간 검증, 모델 평가 및 배포를 하나의 자동화된 워크플로우로 통합하여 일관된 서비스 품질을 유지합니다.

이 글은 보험 청구 데이터와 같이 비정형화된 문서들 사이에서 자연어 질문에 답할 수 있는 지능형 어시스턴트 구축 방법을 설명합니다. Amazon Bedrock Knowledge Bases를 통해 데이터 파싱부터 벡터 저장, 에이전트 기반의 복합 쿼리 처리 및 근거 제시(citation)까지의 전 과정을 자동화하는 기술적 접근법을 다룹니다.

Amazon Bedrock AgentCore는 기존 MicroVM의 한계를 넘어 GPU 활용과 14일 이상의 장기 세션이 가능한 'Runtime Instances'를 도입했습니다. 이를 통해 여러 에이전트가 동일한 인스턴스 내에서 파일 시스템을 공유하며 협업하는 고도화된 멀티 에이전트 파이프라인 구축이 가능해졌습니다.