AWS Machine Learning Blog

ScienceSoft는 AWS 기반의 HIPAA 준수 AI 음성 스케줄러를 통해 의료 예약 과정의 비효율성과 높은 운영 비용 문제를 해결하고자 합니다. 이 솔루션은 Amazon Nova Sonic의 자연스러운 대화 능력과 Bedlar Guardrails의 보안 기능을 결합하여 환자 데이터 보호와 자동화된 예약 프로세스를 동시에 달성합니다.

OpenAI의 새로운 모델 라인업인 GPT-5.6 Sol, Terra, Luna가 Amazon Bedrock에서 일반 출시되었습니다. 이번 업데이트는 용도에 따른 세분화된 모델 티어와 프롬프트 캐싱을 통한 비용 절감, 그리고 강력한 보안 및 데이터 거버넌스 기능을 제공하여 기업용 AI 에이전트 개발의 효율성을 극대화합니다.

이 글은 AuDHD(자폐 및 ADHD)를 가진 솔루션 아키텍트가 실행 기능의 한계를 극복하기 위해 Amazon Bedrock 기반의 AI 자동화 시스템을 구축한 과정을 설명합니다. 단순한 프롬프트 활용을 넘어, 이메일 분류와 작업 우선순위 결정을 스스로 수행하는 '보이지 않는 지지대'로서의 AI 역할을 강조합니다.

의료 소프트웨어 기업 블루사이트는 여러 제품에 흩어진 데이터를 통합하여 인사이트를 도상하는 에이전트형 AI 'Pr리즘'을 개발했습니다. Amazon Bedrock AgentCore를 활용해 HIPAA 규제를 준수하면서도, 기존 API를 에이전트가 사용할 수 있는 도구로 변환하여 복잡한 약가 및 재고 관리 프로세스를 자동화합니다.

멀티 테넌트 AI 에이전트가 하위 API를 호출할 때 사용자 신원을 안전하게 전달하기 위한 OAuth 2.0 Token Exchange(RFC 8693) 구현 방안을 다룹니다. Amazon Bedrock AgentCore의 기능을 통해 에이전트 코드 수정 없이도 보안과 감사 추적을 유지하며 권한을 최소화하는 토큰 교환 프로세스를 설명합니다.

Amazon SageMaker AI Studio 내에 생성형 AI 추론 추천을 위한 새로운 UI가 도입되었습니다. 이 기능은 사전 정의된 사용 사례 프로필과 최적화 목표를 통해 인스턴스 유형 및 설정값을 자동으로 제안하며, 복잡한 벤치마킹 주기를 단 몇 분에서 몇 시간 단위로 단축해 줍니다.

Amazon SageMaker AI가 NVIDIA Nemotron 3 Nano 및 Super 모델에 대해 인프라 관리 없이 미세 조정이 가능한 서버리스 커스터마이징 기능을 도입했습니다. Mamba-Transformer MoE 아키텍처를 기반으로 한 이 모델들은 높은 처리량과 효율성을 제공하며, 기업은 SFT, RLVR 등의 기술을 통해 자사 데이터에 최적화된 독자적인 AI 자산을 구축할 수 있습니다.

헨리 쉬인 원은 저품질 이미지로 인한 치과 보험 청구 거절 문제를 해결하기 위해 Amazon SageMaker AI 기반의 실시간 품질 검증 솔루션 'Image Verify'를 출시했습니다. 이 시스템은 촬영 후 3초 이내에 이미지의 선명도와 정렬 상태를 평가하여, 환자가 현장에 있을 때 즉시 재촬영을 유도함으로써 재방문 비용과 행정적 손실을 방지합니다.

이 기사는 Amazon Bedrock AgentCore와 Stardog를 활용하여 분산된 AWS 데이터 소스(Aurora, Redshift, S3 등) 위에 비즈니스 컨텍스트를 입힌 시맨틱 레이어를 구축하는 방법을 설명합니다. 이를 통해 AI 에이전트가 ETL 과정 없이도 정확하고 신뢰할 수 있는 분석 결과를 도출하며, RAG의 한계를 넘어 복잡한 데이터 관계를 이해하도록 돕습니다.

Amazon Quick Automate는 AI 에이전트가 대규모 생산 환경에서 직면하는 운영상의 한계를 극복하기 위해 사례 관리 기능을 제공합니다. 이를 통해 각 작업 단위를 추적 가능한 '케이스'로 관리하며, 인간의 개입(HITL)과 병렬 처리를 지원하여 엔터프라이즈급 자동화 워크플로우를 구축할 수 있습니다.

Unsloth의 동적 양자화 기술은 모델의 중요 레이어는 높은 정밀도로 유지하고 덜 중요한 레이어는 압축하여, 정확도 저하를 최소화하면서 메모리 사용량을 대폭 절감합니다. 이를 통해 AWS EC2, SageMaker, EKS 등 다양한 인프라 환경에서 효율적인 LLM 배포 및 운영이 가능해집니다.

SAP 디지털 전환 전문 기업 KTern.AI는 Amazon Bedrock AgentCore와 Strands Agents SDK를 도입하여 복잡한 SAP 워크플로우를 자율적으로 관리하는 에이전트형 AI 플랫폼을 구축했습니다. 이를 통해 인프라 운영 부담을 줄이고, 도메인 지식에 집중하며 새로운 AI 에이전트를 단 몇 시간 만에 배포할 수 있는 환경을 마련했습니다.

Amazon SageMaker HyperPod는 LLM 추론의 두 단계인 프리필과 디코딩을 별도의 GPU 풀로 분리하는 DPD(Disaggregated Prefill and Decode) 기술을 제공합니다. 이를 통해 긴 프롬프트가 기존 요청의 토큰 생성 속도를 늦추는 간섭 현상을 제거하고, 대규모 동시 접속 환경에서도 일관된 응답 성능을 보장합니다.

MCP 도구 성능 저하의 주된 원인은 프로토콜 자체보다 불필요한 정보로 인한 컨텍스트 비대화(Bloat)와 모호한 정의로 인한 모델의 혼란(Confusion)에 있습니다. 이를 해결하기 위해 스키마 제약 조건 활용, 온디맨드 데이터 제공, 도구 구조 재설계 등 효율적인 컨텍스트 엔지니어링 전략이 필요합니다.

Amazon SageMaker HyperPod는 데이터 캡처 기능을 세 가지 계층으로 확장하여 모델 모니터링과 디버깅의 정밀도를 높였으며, Hugging Face 모델의 직접 배포와 NVMe 기반 가중치 로딩을 통해 추론 성능을 최적화했습니다. 또한 Route 53 및 세분화된 IAM 권한 관리를 지원하여 보안과 운영 편의성을 동시에 강화했습니다.

Anthropic은 기업 내 개발 팀이 Claude Code와 Desktop을 안전하고 효율적으로 사용할 수 있도록 돕는 'Claude apps gateway for AWS'를 발표했습니다. 이 게이트웨이는 중앙 집중식 권한 관리, 비용 한도 설정, 사용량 모니터링 및 보안 정책 적용 기능을 제공하여 대규모 AI 도입 시 발생하는 운영 복잡성을 해결합니다.

제약 연구 과정에서 발생하는 데이터 파편화와 지식 손실 문제를 해결하기 위해 GraphRAG 기술이 주목받고 있습니다. Amazon Neptune Analytics와 Bedrock을 결합하여 분산된 과학적 데이터를 지식 그래프로 통합함으로써, 자연어 질의를 통해 근거가 명확한 인사이트를 도출하고 신약 개발 속도를 가속화할 수 있습니다.

이 글은 Amazon Bedrock을 사용하여 대량의 이메일을 자동으로 분류, 우선순위 지정 및 요약하는 기술적 솔루션을 설명합니다. S3와 Step Functions를 결합한 서버리스 아키텍처를 통해 업무 부하를 줄이고 긴급한 민원에 즉각 대응할 수 있는 자동화된 워크플로우 구축 방법을 다룹니다.

본 기사는 Amazon Bedrock AgentCore와 Mistral AI Studio를 활용해 프로덕션 환경에서 작동하는 이커머스용 MCP(Model Context Protocol) 서버 구축 과정을 다룹니다. 개발자는 AWS CDK를 통해 데이터베이스, 인증, 런타임을 자동화된 방식으로 배포하여 제품 검색부터 반품 처리까지 가능한 고도화된 AI 쇼핑 어시스턴트를 구현할 수 있습니다.

생성형 AI 에이전트를 상용 서비스로 운영하기 위해 AWS WAF를 통합하여 보안 및 트래픽 제어를 구현하는 방법을 다룹니다. Lambda 프록시를 활용한 유연한 변환 방식과 VPC 엔드포인트를 직접 타겟팅하는 저지연 방식이라는 두 가지 설계 패턴을 통해 인증 충돌 문제를 해결하는 방안을 설명합니다.

Jamf는 Amazon Bedrock과 연동하여 Mac 사용자의 AI 애플리케이션 설정을 중앙에서 제어하는 'AI 거버넌스' 기능을 출시했습니다. 이를 통해 기업은 Claude Code 등 로컬 실행형 AI 앱의 인증, 모델 접근 권한, 보안 설정을 일괄 관리하며 데이터 추론 과정을 AWS 보안 경계 내로 유지할 수 있습니다.

Amazon QuickSight는 기존의 분리된 'Topics' 방식에서 벗어나, 데이터셋 내에 비즈니스 규칙과 의미론적 정보를 직접 포함하는 'Dataset Enrichment'로 전환합니다. 이를 통해 데이터와 메타데이터 간의 불일치를 방지하고, AI 워크플로우가 즉시 활용 가능한 자가 설명형(self-describing) 데이터 구조를 제공하여 거버넌스 단순화와 분석 정확도를 높입니다.

Amazon QuickSight의 새로운 멀티 데이터셋 기능은 여러 테이블을 미리 하나로 합칠 필요 없이, 각 데이터셋의 고유한 입도(granularity)를 유지하며 논리적 관계를 설정할 수 있게 해줍니다. 이를 통해 데이터 준비 과정의 복잡성을 줄이고, 데이터 중복 및 관리 오버헤드를 최소화하면서 유연한 분석 환경을 구축할 수 있습니다.

이 글은 Amazon QuickSight에서 여러 데이터셋 간의 관계를 설정하기 위한 세 가지 주요 모델링 패턴인 스타 스키마, 스노우플레이크 스키마, 갤럭시 스키마의 구조와 구현 방법을 상세히 다룹니다. 특히 각 패턴별 사용 사례와 SQL 예시를 통해 데이터 복잡도에 따른 최적의 설계 전략을 제안하며, 현재 QuickSight가 Inner Join만을 지원한다는 기술적 제약 사항을 강조합니다.