AWS Machine Learning Blog

Amazon Bedrock의 새로운 관리형 지식 베이스는 엔터프라이즈 데이터 소스 연결부터 벡터 스토어 관리, 멀티모달 파싱까지 전 과정을 자동화하는 완전 관리형 솔루션입니다. 이를 통해 개발자는 복잡한 RAG(검색 증강 생성) 파이프라인 구축에 드는 시간과 비용을 획기적으로 줄이고 보안 및 확장성 문제를 해결할 수 있습니다.

xAI의 Grok 4.3 모델이 Amazon Bedrock에 정식 출시되어 개발자들이 고성능 AI 에이전트와 워크플로우를 구축할 수 있게 되었습니다. 이 모델은 작업 성격에 따라 추론 수준을 설정할 수 있는 기능을 제공하며, 100만 토큰의 컨텍스트 창과 높은 비용 효율성을 갖추고 있습니다.

이 글은 Amazon Bedrock AgentCore와 Nova 2 Sonic을 사용하여 전화로 음식을 주문하고 예약할 수 있는 AI 호스트 시스템 구축 방법을 설명합니다. SIP 게이트웨이와 MCP를 활용해 통신 레이어와 비즈니스 로직을 분리함으로써, 확장성 있고 지능적인 음성 인터페이스 구현 방안을 제시합니다.

Built Technologies는 AWS Bedrock과 IDP Accelerator를 활용해 부동산 금융 문서의 분류, 추출, 추론이 가능한 AI 엔진을 구축했습니다. 이를 통해 250종 이상의 복잡한 문서를 자동 처리하며, 단순 데이터 추출을 넘어 문서 맥락을 이해하는 '에이전틱(Agentic)' 제품군의 토대를 마련했습니다.

이 기사는 컴퓨터 비전, AI 에이전트(Strandom Agents), 그리고 MCP 프로토콜을 통합하여 시각 정보를 이해하고 행동으로 옮기는 '에이전틱 비전' 구축 방법을 다룹니다. AWS의 다양한 서비스를 활용해 복잡한 API 통합 없이도 표준화된 방식으로 시각적 지능을 구현하는 아키텍처를 소개합니다.

이 글은 여러 AWS 계정과 리전에 흩어진 Sagelar 파이프라인을 중앙 집중식으로 관리하기 위한 서버리스 이벤트 기반 아키텍처를 소개합니다. Hub-and-Spoke 모델을 통해 각 리전의 데이터를 통합하여 CloudWatch 대시보드에서 실시간 가시성을 확보하고 운영 오버헤드를 줄이는 방법을 제시합니다.

Thrad.ai의 사례를 통해 개별적으로는 노이즈에 불과한 소셜 미디어 신호들을 결합하여 유의미한 영업 기회로 전환하는 멀티 에이전트 아키텍처를 설명합니다. 전문화된 4개의 에이전트가 트렌드 조사부터 이메일 초안 작성까지 자동화하는 파이프라인을 구축함으로써 수동 리서치 시간을 획기적으로 단축할 수 있습니다.

Amazon Nova Act 기반의 QA Studio가 개별 테스트 케이스를 그룹화하여 병렬로 실행하는 '테스트 스위트' 기능과 CI/CD 파이프라인 통합을 위한 CLI 도구를 선보였습니다. 이를 통해 개발자는 에이전트 기반의 자동화된 회귀 테스트를 구축하고 배포 프로세스를 효율적으로 관리할 수 있습니다.

Amazon Nova Act는 스크린샷을 직접 분석하는 멀티모달 모델로, 기존의 코드 기반 자동화 도구와 달리 UI 변경에도 깨지지 않는 지능형 UX 테스트를 가능하게 합니다. AWS 기반 아키텍처를 통해 문서로부터 테스트 시나리오를 생성하고 대규모 병렬 실행 및 사용자 경험 분석까지 자동화하는 통합 솔루션을 제안합니다.

Flo Health은 의료 콘텐츠의 정확성을 유지하면서도 생산성을 높이기 위해 Amazon Bedrock 기반의 AI 검토 시스템을 구축했습니다. 이 시스템은 내부 가이드라인과 외부 신뢰 소스를 활용한 3단계 검증 체계를 통해 리뷰 시간을 60% 줄이고 콘텐츠 처리량을 3배로 확대하는 성과를 거두었습니다.

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.