AWS Machine Learning Blog

Heurist Finance는 Amazon Bedrock AgentCore를 기반으로 개인 투자자를 위한 AI 금융 지능 플랫폼을 구축했습니다. 이들은 x402 프로토콜을 통해 필요한 데이터만 쿼리 단위로 구매함으로써, 고가의 데이터 구독료 부담 없이 기관급 수준의 정밀한 금융 분석 서비스를 제공합니다.

TorchServe의 지원 중단으로 인해 발생하는 의존성 관리 및 보안 문제를 해결하고자 AWS가 Ray Serve용 Deep Learning Containers(DLC)를 출시했습니다. 이 컨테이너는 최적화된 GPU 스택과 프레임워크를 사전 구축하여 제공함으로써, 엔지니어가 인프라 관리 대신 모델 서비스 자체에 집중할 수 있도록 돕습니다.

Amazon QuickSight 환경의 확장에 따라 보안 유지를 위한 사용자별 맞춤 권한 자동화가 중요해졌습니다. 본 글은 사용자 생성, 기본값 설정, 이벤트 기반 로직, 소급 업데이트를 포함한 네 가지 자동화 시나리오와 구현 방법을 상세히 다룹니다.

OpenAI의 최신 모델 GPT-6 Astra가 Amazon Bedrock을 통해 정식 출시되었습니다. 이 모델은 100만 토큰의 컨텍스트 창과 고도화된 추론 능력을 바탕으로 복잡한 데이터 분석, 코드 리뷰, 브라우저 기반 업무 자동화를 지원하며, AWS의 강력한 보안 인프라와 결합되어 기업용 AI 에이전트 구축에 최적화되어 있습니다.

Pathway의 BDH 아키텍처는 텍스트를 생성하는 체인 오브 쏘트(CoT) 방식 대신 잠재 공간 내에서 추론을 수행하는 뇌 모방형 구조를 채택했습니다. 이를 통해 트랜스포머 모델의 고질적인 문제인 컨텍스트 윈도우 제한과 막대한 연산 비용을 줄이고, 효율적인 지식 업데이트와 추론이 가능해집니다.

Amazon SageMaker Feature Store에 특정 피처 값만 업데이트할 수 있는 UpdateRecord API가 추가되었습니다. 이를 통해 기존의 '읽기-수정-쓰기' 사이클 없이도 원자적 업데이트가 가능해져, 데이터 처리 지연을 줄이고 비용 효율성을 높이며 데이터 정합성 문제를 방지할 수 있습니다.

이 글은 MLflow와 Amazon SageMaker AI Model Registry를 동기화하여 여러 AWS 계정에 걸쳐 모델을 관리하는 두 가지 토폴로지(Hub-and-spoke 및 Hybrid)를 설명합니다. 개발 계정과 거버넌스 계정을 분리하여 보안과 규제 준수를 강화하면서도, 자동화된 모델 등록 및 CI/CD를 통한 효율적인 배급 워크플로우를 구현하는 방법을 다룹니다.

Amazon SageMaker AI가 MLflow와 SageMaker AI Model Registry 간의 모델 동기화 기능을 대폭 강화했습니다. 이제 학습 메트릭, 평가 결과, 리니지 정보가 함께 전달되며, MLflow 워크플로우 내에서 모델의 생명주기 단계(Staging to Production)를 자동으로 관리할 수 있습니다.

이 글은 Amazon Bedrock AgentCore를 활용해 AI 에이전트의 성능을 자동 평가하고, GitHub Actions를 통해 품질 저하 시 PR을 차단하는 CI/CD 파이프라인 구축 사례를 다룹니다. MCP 서버와 OAuth 보안 환경에서도 에이전트의 정확도와 도구 사용 능력을 지속적으로 검증하는 자동화된 프로세스를 제시합니다.

본 기사는 Amazon SageMaker AI에서 G7, G5, G6 GPU 인스턴스를 활용해 30B 규모의 MoE 모델 추론 성능을 비교 분석합니다. NVIDIA Blackwell 기반의 G7 인스턴스가 더 적은 GPU 메모리와 수량으로도 기존 세대 대비 우수한 지연 시간과 비용 대비 성능을 제공함을 보여줍니다.

HPE Zerto는 파편화된 운영 데이터를 통합하여 자연어로 장애를 진단하고 조치할 수 있는 에이전트 기반 시스템을 구축했습니다. Amazon Bedrock의 유연성과 보안성을 활용해 온프mathcal프레미스 환경에서도 안전하게 작동하며, 운영자의 수동 작업을 줄이고 복구 의사결정 속도를 높이는 것이 핵심입니다.

디디는 기존의 불투명한 제3자 QA 솔루션을 대체하기 위해 Amazon Bedrock 기반의 자체 AI QA 시스템을 구축했습니다. 이 시스템은 의도 검증, 컴플라이언스 평가, VOC 분석의 세 가지 파이프라인을 통해 서비스 품질 관리의 투명성과 운영 효율성을 획기적으로 높였습니다.

이 글은 Amazon Bedrock AgentCore를 사용하여 WhatsApp의 텍스트, 음성 메시지, 음성 통화를 모두 처리할 수 있는 멀티모달 주문 에이전트 배포 방법을 설명합니다. Amazon Nova 2 모델을 통해 채널에 관계없이 고객의 주문 이력을 통합 관리하며, AWS CDK를 통해 전체 인프라를 자동화된 방식으로 구축하는 아키텍처를 다룹니다.

AI 에이전트가 대화 누적으로 인해 발생하는 정보 노후화 문제를 해결하기 위해 메모리를 에피소드, 시맨틱, 프로시저 유형으로 분류하고 관리하는 라이프사이클 정책을 제안합니다. AWS Step Functions와 AgentCore를 활용해 메모리를 주기적으로 삭제, 통합, 검증하는 자동화된 워크플로우 아키텍처를 구축할 수 있습니다.

이 글은 NVIDIA Cosmos 3의 단일 토큰 스트림 기술과 AWS Sage뮬레이션 인프라를 활용해 로봇 및 자율주행을 위한 물리적 AI 파이프라인을 구축하는 방법을 다룹니다. 특히 Cosmos 3의 MoT 구조를 통해 데이터 생성, 학습, 평가 단계를 하나의 GPU 클러스터에서 통합 관리함으로써 GPU 활용 효율성을 극대화하는 전략을 설명합니다.

Amazon SageMaker HyperPod InstantStart는 AI 에이전트를 활용해 복잡한 클러스터 프로비저닝, 스토리지 연결, 노드 복구 등 일련의 인프라 운영 작업을 자동화하는 오픈 소스 컨트롤 플레인입니다. 사용자는 웹 UI나 터미널 명령 한 줄로 안정적인 학습 및 추론 환경을 구축할 수 있으며, AWS의 관리형 서비스와 Kubernetes의 유연성을 결합하여 운영 효율성을 극대화합니다.

복잡한 양식의 공공요금 고지서와 같은 대규모 문서를 처리할 때 발생하는 기존 RAG의 정보 누락 및 환각 문제를 해결하기 위해 Amazon Textract와 Amazon Bedrock의 통합 솔루션을 제안합니다. Textract의 정밀한 텍스트 및 테이블 추출 기능을 활용하여 다양한 문서 포맷을 구조화함으로써 LLM이 정확한 답변을 생성할 수 있도록 돕습니다.

인튜이트는 기존의 자동화된 재해 복구 시스템인 EWOK에 아마존 베드락 기반의 AI 에이전트를 결합하여, 복잡한 장애 상황에서의 의사결정 프로세스를 자동화했습니다. 이 시스템은 LLM의 추론 능력과 기존 시스템의 결정론적 실행력을 결점 없이 결합하여, 엔지니어의 경험에 의존하던 복구 절차를 표준화하고 운영 효율성을 높였습니다.

이 기사는 Amazon Bedrock AgentCore를 사용하여 개발 프로세스에 AI 에이전트를 통합하는 AI-DLC의 실질적인 구현 사례를 다룹니다. SQL 스키마를 ER 다이어그램으로 자동 변환하거나 CI/CD 파이프라인 내에서 코드 보안을 분석하는 멀티 에이전트 아키텍처를 통해 개발 생산성을 높이는 방법을 설명합니다.

이 글은 LangGraph 기반의 에이전트를 Amazon Bedrock AgentCore로 단계적으로 마이그레이션하여 운영 복잡성을 줄이는 방법을 설명합니다. Runtime, Gateway, Memory 서비스를 통해 인프라 관리 부담을 줄이고, 모델 중심의 계획(planning) 기능으로 에이전트의 지능을 고도화할 수 있습니다.

AWS의 Amazon Quick이 Microsoft Outlook과 통합되어 이메일 스레드 요약, 답장 초안 작성, 회의 예약 등 이메일 기반 업무를 자동화합니다. 이를 통해 기업은 단순 반복적인 이메일 처리 시간을 줄이고, AI 에이전트와 워크플로우를 통해 비즈니스 데이터 기반의 지능형 업무 환경을 구축할 수 있습니다.

이 글은 개발자 워크스테이션의 Codex와 Amazon Bedrock 사이에 LiteLLM 게이트웨이를 배치하여 AI 모델 사용을 중앙 관리하는 방법을 설명합니다. 이를 통해 기업은 모델 라우팅, 예산 관리, 사용량 제한 및 관측성을 확보하면서도 보안과 제어권을 유지할 수 있습니다.

이 글은 Amazon Quick Automate를 이용해 신뢰할 수 있는 에이전트 기반 자동화를 구축하기 위한 모범 사례를 제시합니다. 단순한 기술 적용이 아닌, 비즈니스 문제 해결을 위한 프로세스 재설계와 에이전트의 명찰한 역할 정의, 그리고 측정 가능한 성과 지표 설정의 중요성을 강조합니다.

이 글은 Amazon Cognito로 인증된 사용자에게 Amazon QuickSight의 개별 시각화 요소를 React 앱에 안전하게 임베딩하는 기술적 방법을 설명합니다. Lambda를 활용해 사용자 등록과 권한 관리를 자동화함으로써, 복잡한 인증 레이어를 최소화하면서도 정교한 데이터 접근 제어를 구현할 수 있는 서버리스 아키텍처를 제안합니다.