AWS Machine Learning Blog

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.

Amazon Quick Sight는 사용자가 사전 정의된 관계 없이도 자연어로 질문하면 AI가 직접 SQL을 생성하는 새로운 Multi-Dataset Topics 기능을 제공합니다. 이 방식은 기존의 고정된 조인 구조를 넘어 복잡한 데이터셋 간의 유연한 쿼리를 가능하게 하며, 시맨틱 레이어 구축을 통해 분석의 자율성을 극대화합니다.

Amazon Quick는 이제 최대 12개의 데이터셋을 하나의 토픽으로 연결하여 데이터 간의 관계를 정의할 수 있는 '멀티 데이터셋 Topics' 기능을 공개했습니다. 이를 통해 사용자는 복잡한 데이터 전처리 과정 없이도 자연어 질문만으로 여러 테이블에 걸친 통합된 분석 결과를 얻을 수 있습니다.

Amazon Bedrock AgentCore harness는 오케스트레이션, 도구 라우팅, 메모리 관리를 설정만으로 처리하여 서버리스 이미지 편집 에이전트 구축을 가능하게 합니다. 이 기술은 별도의 파이썬 코드 없이도 모델 스위칭, 페르소나 지정, MCP 기반의 도구 실행 등을 지원하며 개발 복잡도를 획기적으로 낮춥니다.

배포된 머신러닝 모델의 정확도가 환경 변화로 인해 저하되는 문제를 방지하기 위해 데이터 및 모델 드리프트를 모니터링하는 솔루션을 소개합니다. Amazon SageMaker AI 기반 워크플로우에 MLflow와 Evidently를 통합하여 드리프트 탐지, 시각화, 알림 자동화를 구현하는 방법을 다룹니다.

이 글은 Amazon Bedrock AgentCore와 MCP(Model Context Protocol)를 사용하여 AWS 인프라 장애 대응 프로세스를 자동화하는 AI 에이전트 구축 방법을 다룹니다. 개발자는 이를 통해 로그 분석, 문서 검색, 커뮤니티 확인 및 지원 케이스 생성을 단일 대화형 인터페이스에서 수행할 수 있습니다.

AWS 재무팀은 Amazon Quick의 자연어 질의와 자동화된 Flows 기능을 활용해 수동으로 진행하던 복기적인 데이터 취합 및 분석 업무를 혁신했습니다. 이를 통해 고객 포트폴리오 전체에 대한 심층 분석이 가능해졌으며, 매주 반복되던 주간 비즈니스 리뷰 준비 시간을 6시간에서 10분으로 단축하는 성과를 거두었습니다.

허깅페이스와 아마존 세이지메이커 AI 간의 딥링크 통합을 통해 모델 발견부터 실험 및 배포까지의 과정을 단일 클릭으로 단순화했습니다. 개발자는 복잡한 IAM 권한 설정이나 인스턴스 확인 과정 없이, 선택한 모델 컨텍스트를 유지한 채 즉시 학습 및 엔드포인트 구축에 착수할 수 있습니다.

아마존은 파운데이션 모델의 과도한 안전 가드레일이 비즈니스 활용을 방해하는 문제를 해결하기 위해 '선택적 언러닝' 기술을 도입했습니다. rDPO(Reverse Direct Preference Optimization)를 통해 모델이 특정 유해 패턴을 잊게 만드는 동시에 고품질 응답을 생성하도록 유도함으로써, 기업이 목적에 맞게 안전 설정을 조정할 수 있는 CCMS 기능을 선보였습니다.

Amazon Bedrock가 소프트웨어 엔지니어링 및 에이전트 활용에 특화된 MiniMax M2 모델군을 지원하기 시작했습니다. 이 모델들은 MoE 아키텍처를 통해 높은 성능과 저렴한 추론 비용을 동시에 제공하며, AWS의 관리형 서비스를 통해 보안 걱정 없이 즉시 배포가 가능합니다.

이 기사는 단일 응답 최적화를 넘어 전체 상호작용 시퀀스를 학습하는 다중 회전 강화 학습(Multi-Turn RL) 인프라 구축 방법을 설명합니다. Amazon Nova Forge와 SageMaker HyperPod를 결합하여, 복잡한 에이전트 워크플로우를 자동화된 파이프라인을 통해 효율적으로 훈련할 수 있는 아키텍처를 제안합니다.

Amazon Nova를 중앙 컨트롤러로 활용하여 이미지 속 텍스트와 시각적 개인정보를 자동으로 탐지하고 가리는 멀티스텝 파이프라인을 소개합니다. 이 솔루션은 Meta의 SAM 3와 Amazon Textract를 연동하여 복잡한 상황에서도 정밀한 픽셀 단위 마스킹을 구현합니다.

Amazon SageMaker AI가 벤치마크 및 추론 추천 작업 결과를 MLflow로 실시간 스트리밍하는 새로운 통합 기능을 도입했습니다. 이를 통해 개발자는 여러 실험 데이터를 한곳에서 비교 분석하고, 장기 실행되는 작업의 진행 상황을 실시간으로 모니터링하며 최적화된 인프라 구성을 빠르게 도출할 수 있습니다.

생성형 AI와 OSINT를 결합한 현대적 피싱은 완벽한 문법과 개인화된 정보를 사용하여 기존의 규칙 기반 보안 필터를 무력화하고 있습니다. Amazon Bedrock은 파운데이션 모델을 활용해 이메일의 행동 패턴, 어조 변화, 요청의 맥락적 적절성을 분석함으로써 고도화된 사회 공학적 공격을 탐지하는 다단계 분석 파이프라인을 제공합니다.

Amazon SageMaker AI는 도구 사용과 피드백 반영이 필수적인 멀티턴 에이전트 학습을 위한 전용 훈련 루프(MTRL)를 제공합니다. 서버리스 실행, 비동기 데이터 수집, 최신 알고리즘 라이브러리를 통해 인프라 관리 부담 없이 정교한 에이전틱 워크플로우를 구축할 수 있도록 지원합니다.