AWS Machine Learning Blog

Amazon Bedrock에 웹 검색 기능이 정식 출시되어, 개발자가 별도의 서드파티 검색 엔진을 통합할 필요 없이 모델의 답변에 최신 정보를 반영할 수 있게 되었습니다. 이 기능은 아마존의 자체 웹 인덱스와 지식 그래프를 활용해 정확한 정보를 추출하며, 데이터 보안과 비용 효율성을 동시에 제공합니다.

이 글은 Amazon Bedrock AgentCore Browser를 사용하여 JavaScript로 렌더링되는 웹 사이트의 콘텐츠를 안정적으로 수집하고 AI로 분석하는 자동화 솔루션을 소개합니다. RSS 피드 모니터링부터 벡터 검색 기반의 시맨틱 검색까지 이어지는 아키텍처를 통해 시장 조사 프로세스를 혁신할 수 있습니다.

F1은 방대한 팬 데이터를 처리하는 과정에서 발생하는 수개월의 데이터 통합 백로그와 운영 복잡성 문제를 해결하기 위해 AWS의 에이전트형 AI 기술을 도입했습니다. 이를 통해 데이터 소스 온보딩 시간을 8주에서 약 40분으로 단축하고, 데이터 파이프라인의 자동화된 관리 및 가시성을 확보하는 데 성공했습니다.

Amazon Bedrock은 기존의 번거로운 정책 진단 및 수정 루프를 자동화하는 새로운 기능을 도입했습니다. 이 기능은 규칙 오류를 해결하는 '반복적 개선'과 언어적 모호성을 해소하는 '모호한 변수 개선' 두 가지 모드를 통해 AI 가드레일의 신뢰도를 높입니다.

Amazon Quick은 AWS Glue나 Databricks와 같은 상위 데이터 카탈로그의 메타데이터를 자연어로 검색하고 자동으로 활용하는 'Agentic Catalog Experience'를 도입했습니다. 이를 통해 데이터 관리자가 수동으로 정의를 재입력하던 번거로움을 없애고, 기업 내 축적된 의미론적 맥락을 AI 분석에 즉시 반영하여 신뢰도 높은 인사이트를 빠르게 도출할 수 있게 합니다.

AI 에이전트가 프로토타입을 넘어 실제 서비스로 전환될 때 발생하는 응답 지연 및 메모리 증가 문제를 Amazon Bedrock AgentCore와 CloudWatch를 통해 해결하는 방법을 다룹니다. 특히 도구 호출(Tool invocation)과 메모리 검색 과정에서의 병목 지점을 식별하고, 성능 예산을 준수하기 위한 모니터링 전략을 설명합니다.

Moonshot AI의 K3는 2.8조 파라미터 규모의 MoE 모델로, 효율적인 추론을 위해 MXFP4 양자화와 vLLM 엔진 활용을 권장합니다. 본 글은 AWS의 SageMaker HyperPod와 ES를 사용하여 NVIDIA B300 GPU 인스턴스에 이 거대 모델을 배포하는 구체적인 아키텍처와 절차를 설명합니다.

Moonshot AI의 초거대 MoE 모델인 Kimi K3를 Amazon SageMaker HyperPod와 EKS에 배포하는 두 가지 접근 방식을 설명합니다. 이 모델은 2.8조 개의 파라미터를 보유한 오픈 웨이트 시스템으로, vLLM 엔진과 NVIDIA B300 GPU 인프라를 활용한 최적화된 서빙 방법을 제안합니다.

야후는 기존 Word2Vec 기반 키워드 확장 방식의 한계를 해결하기 위해 Amazon Bedrock과 Claude 3.5 Sonnet을 도입하여 검색 리타겟팅(SRT) 성능을 강화했습니다. 이를 통해 단순 문법적 유사성을 넘어 의미론적으로 풍부한 키워드 확장이 가능해졌으며, 광고주에게 더욱 정교한 타겟팅 기회를 제공합니다.

이 글은 Amazon SageMaker AI 엔드포인트의 예측 및 데이터 품질을 지속적으로 추적하기 위한 메타 모니터링 시스템 구축 방법을 소개합니다. AWS 관리형 서비스와 MLflow, Evidently AI 같은 오픈 소스를 결합하여 드리프트 감지, 지연된 정답 데이터 통합, 자동화된 대시보드를 구현하는 아키텍처를 제시합니다.

Amazon Bedrock에 용도별 세 가지 티어를 갖춘 GPT-5.6(Sol, Terra, Luna) 모델이 정식 출시되었습니다. 이번 업데이트의 핵심은 개발자가 캐싱 영역을 직접 제어하여 비용을 90% 절감할 수 있는 '명시적 프롬프트 캐싱' 기능의 도입입니다.

Amazon Bedrock이 새로운 'Advanced Prompt Optimization' 기능을 도입하여 프롬프트 엔지니어링의 수동 반복 작업을 자동화합니다. 이 도구는 최대 5개의 모델에 대해 프롬프트를 최적화하고, 품질, 비용, TTFT(첫 토큰 생성 시간)를 한 번에 비교하여 효율적인 모델 마이그레이션을 지원합니다.

Amazon Bedrock AgentCore Identity가 기존 OAuth 2.0 클라이언트 비밀키 방식 대신 AWS KMS를 이용한 프라이빗 키 JWT 인증을 지원하기 시작했습니다. 이를 통해 에이전트는 개인키 노출 위험 없이 안전하게 다운스트림 API에 접근할 수 있으며, M2M부터 사용자 위임까지 다양한 인증 흐름을 지원합니다.

기업 내 흩어진 IoT, ERP 등 다양한 시스템의 데이터를 통합하기 위해 막대한 비용이 드는 기존 방식 대신, 설정만으로 운영 가능한 Amazon Bedrock AgentCore를 소개합니다. MCP 서버 커넥터를 활용해 데이터 소스를 연결하고 자연어로 질문하면 AI 에이전트가 자율적으로 분석 결과를 도출합니다.

이 글은 Amazon Quick의 네 가지 핵심 컴포넌트를 활용하여 고객 이탈 방지 파이프라인을 구축하는 방법을 다룹니다. 데이터 기반의 고객 점수 산정부터 맞춤형 리텐션 레터 생성 및 배포까지 전 과정을 자동화함으로써, 고객 불만 발생 시 대응 속도를 획기적으로 높이는 기술적 아키텍처를 제시합니다.

MCP 2026-07-28 규격은 기존의 세션 기반 통신 방식을 무상태(Stateless) 방식으로 전환하여 HTTP 인프라에서의 확장성을 대폭 개선했습니다. AgentCore Gateway는 이 새로운 규격을 지원하며, 기업용 표준인 OAuth 2.0 및 OpenID Connect와의 정렬을 통해 보안과 안정성을 강화했습니다.

본 기사는 LangGraph의 워크플로우 오케스트레이션과 Strands의 지능형 추론 엔진을 결합하여 복잡한 금융 시장 감시 에이전트를 구축하는 아키텍처를 설명합니다. 특히 Amazon Bedrock AgentCore를 활용해 보안성과 확장성을 갖춘 생산 환경용 멀티 에이전트 시스템을 배포하는 구체적인 방법론을 다룹니다.

기존 RAG 방식이 유사도 기반 검색으로 인해 문서 간 복잡한 관계를 놓치는 한계를 극복하고자, 특정 작업에 맞춰 지식을 사전 압축하는 TAKC 기술을 소개합니다. 이 시스템은 질문의 복잡도에 따라 4단계의 압축률을 적용하여, 방대한 데이터에서도 정확한 분석과 비용 절감을 동시에 달성할 수 있게 합니다.

Deepgram은 AWS IAM 임시 위임 기능을 통해 Amazon SageMaker AI에서 실행되는 자사 음성 AI 모델에 대한 보안 중심의 기술 지원 체계를 구축했습니다. 이를 통해 고객은 장기적인 권한 부여 없이도 필요할 때만 특정 리소스에 대한 한정된 접근을 승인함으로써, 데이터 보안과 운영 효율성을 동시에 확보할 수 있습니다.

가드독 헬스는 Amazon Bedrock의 Nova 모델과 Textract를 활용해 비정형 의료 문서에서 정보를 정확하게 추출하고 분류하는 파이프라인을 구축했습니다. 이를 통해 문서 오류를 46% 감소시키고 시설당 연간 40만 달러 이상의 ROI를 창출하며 의료 데이터의 가치를 극대화하고 있습니다.

Anthropic의 최신 5세대 모델인 Claude Opus 5가 AWS Amazon Bedrock 및 Claude Platform에 출시되었습니다. 이 모델은 코딩, 지식 작업, 시각적 이해 및 장기 실행 태스크에서 비약적인 발전을 이루었으며, 기업용 데이터 보안을 유지하면서도 합리적인 비용으로 고성능 AI를 사용할 수 있도록 설계되었습니다.

이 글은 은행이 고객의 거래 내역과 행동 패턴을 바탕으로 다음에 구매할 최적의 상품을 예측하는 'Next-Best-Product' 추천 시스템의 설계 방안을 다룹니다. 멀티 타워 신경망 구조와 어텐션 메커니즘을 통해 높은 정확도와 개별 고객별 설명 가능성을 동시에 구현하는 아키텍처를 제안합니다.

Amazon Bedrock가 OpenAI의 GPT-5.6 모델 시리즈인 Sol, Terra, Luna를 정식 출시했습니다. 개발자는 용도에 따라 고성능 추론부터 저비용 대량 처리에 이르는 최적화된 모델을 AWS 인프라 내에서 보안과 비용 효율성을 유지하며 사용할 수 있습니다.

코드 생성 AI 도구는 대량의 데이터를 실시간 스트리밍 방식으로 처리하므로, 기존의 짧은 대기형 방식과 동일한 가드레일 설정을 적용할 경우 심각한 스로틀링과 비용 상승을 초래할 수 있습니다. 본 기사는 텍스트 단위(Text Units) 기반의 소비 구조를 분석하고, 코드 생성 워크플로우 특성에 맞춘 효율적인 가드레일 구성 전략을 다룹니다.