AWS Machine Learning Blog

이 글은 AWS vLLM-Omni DLC를 사용하여 FLUX.2 모델로 이미지를 생성하고, 이를 Wan2.1 모델로 전달해 비디오로 변환하는 워크플로우를 설명합니다. 이미지 생성은 실시간 엔드포인트를, 비디오 생성은 대용량 페이로드 처리에 적합한 비동기 추론 엔드포인트를 사용하여 효율적인 인프라 운영 방안을 제시합니다.

기존의 Selenium이나 Playwright 기반 모니터링은 UI 변경 시 스크립트가 깨지는 취약점이 있었으나, Amazon Nova Act는 스크린샷을 직접 분석하는 멀티모달 LLM을 통해 이를 해결합니다. Amazon Bedrock AgentCore와 결합하여 자연어 명령만으로 복잡한 사용자 여정을 안정적으로 테스트하고 자동화할 수 있습니다.

Amazon Textract의 커스텀 어댑터를 개발 환경에서 운영 환경으로 안전하고 자동화된 방식으로 배포하기 위한 아키텍처를 소개합니다. SSM Parameter Store를 통해 어댑터 ID를 관리함으로써 애플리케이션 재배포 없이도 실시간 업데이트가 가능하며, 문서 유형에 따른 자동 라우팅과 보안 강화 전략을 포함합니다.

MoE 모델의 강화 학습(RL) 과정에서 발생하는 추론(Rollout)과 학습(Policy Training) 간의 자원 불균형 및 통신 병목 문제를 해결하기 위한 AWS의 새로운 아키텍처를 소개합니다. Amazon EKS, EFA, DeepEP를 활용하여 전문가 병렬화(EP) 통신을 최적화함으로써 전체 학습 처리량을 40% 개선할 수 있음을 입증했습니다.

Amazon SageMaker HyperPod의 클러스터 회복력과 SkyRL 프레임워크를 활용해 Qwen3-VL-8B 모델의 미로 탐색 성능을 43.75%에서 95% 이상으로 끌어올리는 방법을 다룹니다. 이 방식은 대규모 멀티모달 RL 훈련 시 발생하는 하드웨어 장애 리스크를 최소화하고 학습 효율을 높이는 데 집중합니다.

Amazon Bedrock을 활용한 NarrateAI는 기업용 AI 에이전트의 신뢰성을 높이기 위해 적응형 파이프라인, 멀티 모델 페일오버, 실시간 스트리밍 평가 등 5가지 핵심 QA 기술을 제안합니다. 이를 통해 데이터 규모에 따른 최적의 처리 경로를 구축하고 수치적 정확도를 99%까지 끌어올려 실시간 비즈니스 의사결정을 지원합니다.

Amazon SageMaker JumpStart를 활용하여 Qwen3-TTS 모델을 실시간 추론 엔드포인트로 배포하는 방법을 소개합니다. 이 기술은 짧은 오디오 샘플만으로 화자의 음성 특징을 복제하며, 한국어를 포함한 10개 언어에 대해 저지연 스트리밍 생성 및 교차 언어 음성 복제를 지원합니다.

가스 및 용접 자산 관리 솔루션인 TrackAbout은 기존의 수동적인 보고서 생성 방식을 탈피하기 위해 Amazon QuickSight를 도입했습니다. 이를 통해 사용자는 자연어 질문만으로 렌탈 수익 및 자산 활용도를 즉각적으로 분석할 수 있는 대화형 대시보드를 갖게 되었습니다.

Amazon SageMaker HyperPod와 Qumulo의 Cloud Data Fabric을 결합하여 리전 간 데이터 이동 없이 대규모 AI 모델 학습을 수행하는 솔루션을 소개합니다. Qumulo의 NeuralCache 기술을 통해 원격 리전의 데이터 접근 시 발생하는 네트워크 지연을 최소화하고, 로컬 스토리지와 유사한 수준의 높은 GPU 활용도를 달성할 수 있습니다.

OpenAI의 Whisper를 확장한 WhisperX를 Amazon Sage뮬레이터 AI의 딥러닝 컨테이너(DLC)로 배포하여 정밀한 화자 분리 및 단어 단위 타임스탬프를 구현하는 방법을 다룹니다. 사용자는 작업 특성에 따라 실시간 또는 비동기 엔드포인트를 선택하여 대규모 오디오 데이터를 효율적으로 처리할 수 있습니다.

이 글은 기업 내 여러 AWS 계정에 분산된 데이터를 복제하거나 중앙화하지 않고도 AI 에이전트가 통합적으로 쿼리할 수 있는 멀티 계정 아키텍처를 설명합니다. Amazon Bedrock AgentCore Gateway와 MCP를 사용하여 각 부서의 데이터와 도구를 안전하게 노출하고, 중앙 플랫폼 계정에서 통합된 인증, 권한 관리 및 도구 검색을 수행하는 방식을 다룹니다.

Aderant는 Amazon Bedrock의 Nova Lite 모델을 활용하여 고객 지원 티켓의 분류, 라우팅 및 정보 보강을 자동화하는 지능형 시스템을 구축했습니다. 이 시스템은 Jira, Conente, SharePoint 등 파편화된 데이터 소스를 통합 분석하여 엔지니어의 수동 조사 시간을 대폭 줄이고 운영 효율성을 극대화했습니다.

네덜란드의 대형 유통사 HEMA는 흩어져 있는 사내 위키와 서비스 카탈로그로 인한 정보 탐색 비용을 줄이기 위해 AI 어시스턴트 'HAL'을 도입했습니다. MCP(Model Context Protocol)를 통해 기존 업무 도구 내에서 즉각적인 답변을 제공하며, 향후 단순 지식 조회를 넘어 실행 가능한 액션 레이어로의 확장을 목표로 합니다.

AWS는 Amazon Bedrock과 Rekognition, Transcribe를 통합하여 사용자의 자연어 질문에 따라 실행 도구를 스스로 결정하는 에이전트형 비디오 분석 솔루션을 선보였습니다. 이 기술은 영상 내 음성 및 시각적 정보를 통합 분석하여, 별도의 파이프라인 개발 없이도 영상 속 특정 사건이나 정보를 즉각적으로 찾아낼 수 있게 해줍니다.

Amazon Bedrock에서 제공하는 오픈 웨이트 모델을 OpenCode와 결합하여 보안과 비용 효율성을 극대화한 AI 코딩 에이전트 활용법을 다룹니다. 이를 통해 기업은 데이터 유출 걱정 없이 AWS 환경 내에서 맞춤형 모델을 사용하며 개발 생산성을 높일 수 있습니다.

Amazon Bedrock에서 OpenAI의 GPT-6 Sol과 Luna 모델을 사용할 수 있게 되어, 작업의 난이도와 규모에 따른 맞춤형 AI 워크플로우 구축이 가능해졌습니다. Sol 모델은 복잡한 코딩과 추론에, Luna 모델은 대규모 데이터 처리와 효율적인 자동화에 최적화되어 비용 효율적인 AI 서비스 운영을 지원합니다.

Anthropic의 가장 강력한 모델인 Claude Opus 5.5가 Amazon Bedrock을 통해 공개되었습니다. 이번 모델은 이전 버전 대비 토큰 효율성과 비용 절감을 실현했으며, 자율적인 추론과 작업 과정의 명확한 설명 능력이 강화되었습니다.

AI 에이전트의 복잡한 업무 수행 능력을 평가하기 위해 '스킬(Skill)' 기반의 모듈식 접근법과 이를 검증하는 새로운 평가 도구가 소개되었습니다. Strands Evals와 Amazon Bedrock AgentCore는 에이전트가 적절한 스킬을 선택했는지와 선택된 스킬의 지침을 얼마나 잘 따랐는지를 정밀하게 측정하여 에이전트의 신뢰성을 보장합니다.

Reactiv는 쇼피파이 판매자를 위한 모바일 커머스 앱 관리 자동화를 위해 Amazon Bedlar AgentCore 기반의 AI 스케줄러를 도입했습니다. 이를 통해 자연어 명령만으로 앱 콘텐츠를 주기적으로 업데이트할 수 있는 멀티 에이전트 시스템을 구축하여 운영 비용을 획기적으로 줄였습니다.

Amazon SageMaker AI는 생성형 AI 모델 배포 시 비용 효율성과 성능을 극대화하기 위해 '동시성 스윕(Concurrency Sweeps)' 기능을 제공합니다. 이 기능은 점진적으로 증가하는 트래픽을 통해 처리량과 지연 시간의 상관관계를 분석하여, 서비스 수준 협약(SLA)을 준수하면서도 인스턴스 규모를 최적화할 수 있는 지표를 제공합니다.

트레인 테크놀로지는 방대한 HVAC 자산 데이터를 관리하는 과정에서 발생하는 정보 탐색의 병목 현상을 해결하기 위해 아마존 베드락 기반의 AI 에이잭트 솔루션을 도입했습니다. 이를 통해 사용자 역할에 맞춤화된 자연어 인터페이스를 제공함으로써 데이터 분석 속도를 60배 향상시키고 선제적인 유지보수 운영을 가능하게 했습니다.

타타 엘시는 AWS IoT Greengrass와 NVIDIA Jetson을 활용해 산업 현장의 안전 사고를 실시간으로 감지하는 IRIS 플랫폼을 개발했습니다. 이 시스템은 엣지 단에서 1차 필터링을 수행하고 유의미한 데이터만 클라우드로 전송함으로써, 대규모 카메라 네트워크에서도 비용 효율적이고 즉각적인 안전 경보를 가능하게 합니다.

이 기사는 Amazon Bedrock Data Automation과 Salesforce Agentforce를 결합하여 영상, 오디오, 문서 등 비정형 데이터를 자동 처리하는 솔루션을 소개합니다. AWS의 강력한 데이터 처리 능력과 Salesforce의 에이전트 기능을 MCP(Model Context Protocol)로 연결하여 사용자가 자연어로 복잡한 증거 데이터를 분석할 수 있게 합니다.

xAI의 Grok 4.6 모델이 아마존 Bedrock의 모델 카탈로그에 추가되어 개발자들이 에이전트 및 지식 작업용으로 활용할 수 있게 되었습니다. 이 모델은 500K의 대규모 컨텍스트 윈도우와 4단계의 가변적 추론 수준을 지원하며, 특히 코딩과 복잡한 에이전트 작업에 최적화된 성능을 보여줍니다.