AWS Machine Learning Blog

Amazon Bedrock AgentCore Evaluations는 LangGraph, LlamaIndex 등 다양한 에이전트 프레임워크를 통합 평가할 수 있는 솔루션입니다. OpenTelemetry를 통해 에이전트의 실행 트레이스를 표준화된 방식으로 읽어 들여, 프레임워크 선택과 무관하게 일관된 성능 평가를 가능하게 합니다.

GoDaddy는 방대한 데이터량과 느린 로딩 속도, 높은 비용 문제를 해결하기 위해 2년에 걸쳐 기존 BI 도구를 Amazon QuicklySight로 교체했습니다. 이를 통해 대시보드 수를 50% 줄이면서도 데이터 접근성을 높여 전 직원이 AI 기반의 셀프 서비스 분석을 활용할 수 있는 환경을 구축했습니다.

글로벌 진단 기업 Natera는 Amazon Bed액 AgentCore를 도입하여 환자의 채혈 예약 과정을 자동화하는 지능형 음성 에이전트를 구축했습니다. 이 시스템은 복잡한 인증 및 외부 벤더 연동을 처리하면서도 7초 미만의 낮은 지연 시간과 호출당 1센트 미만의 저렴한 비용으로 높은 정확도를 구현했습니다.

Amazon SageMaker AI SDK v3는 기존의 프레임워크별 클래스를 ModelTrainer와 ModelBuilder라는 단일화된 인터페이스로 통합했습니다. 새로운 SourceCode 객체를 통해 로컬 소스 코드를 컨테이너에 실시간으로 동기화함으로써, 컨테이너 재빌드 없이도 빠른 모델 학습과 배포가 가능해졌습니다.

SFT 성능 최적화를 위해 학습 곡선 분석을 통해 데이터의 포화 지점을 파악하고, 무조건적인 데이터 증설 대신 고품질 데이터의 선별 및 반복 학습 전략이 필요함을 강조합니다. 또한 데이터의 양보다 학습의 깊이와 커버리지가 모델 성능에 더 결정적인 영향을 미친다는 점을 제시합니다.

LLM의 미세 조정(SFT) 성공은 데이터의 양보다 정확성과 다양성에 달려 있으며, 모델의 행동 양식을 교정하기 위해서는 정제된 골드 스탠다드 데이터가 필수적입니다. 본 글은 지식 확장을 위한 CPT, 행동 교정을 위한 SFT, 최적화를 위한 RFT의 차이와 데이터 품질 관리의 중요성을 다룹니다.

기업의 멀티 계정 환경에서 보안과 거버넌스를 위해 분리된 데이터 계정의 Redshift Serverless 데이터를 복사 없이 안전하게 AI 에이전트와 연결하는 방법을 다룹니다. AWS STS를 통해 권한을 위임받아 RetrieveAndGenerate API를 호출함으로써, 데이터 이동 없이도 고도화된 RAG(Retrieval Augmented Generation) 기능을 구현할 수 있습니다.

Amazon OpenSearch Service가 MCP(Model Context Protocol)를 확장한 MCP Apps를 출시하여, AI 에이전트의 텍스트 분석과 함께 인터랙티브한 대시보드 위젯을 대화창 내에서 직접 확인할 수 있게 합니다. 이를 통해 개발자는 별도의 브라우저 전환 없이 AI의 분석 결과를 즉각적으로 검증할 수 있습니다.

Amazon Quick Desktop은 Amazon FSx for NetApp ONTAP에 저장된 기업 데이터를 활용해 AI 기반의 자동화된 보고서 생성 기능을 제공합니다. 사용자는 특정 폴더에 대한 권한을 제어하면서 AI 어시스턴트를 통해 데이터 기반의 요약, 시각화, Slack 공유까지 한 번에 수행할 수 있습니다.

Amazon SageMaker HyperPod가 Ray 프레임워크와의 통합을 통해 분산 Python 워크로드의 관리 편의성을 대폭 강화했습니다. 이제 데이터 과학자는 복잡한 Kubernetes 설정 없이 SageMaker Studio에서 Ray 클러스터 생성, 모니터링, 작업 제출을 통합적으로 수행할 수 있습니다.

이 글은 기업의 숙련된 인력이 퇴사할 때 발생하는 지식 공백을 막기 위해 AWS 서비스를 활용한 AI 기반 지식 관리 시스템 구축 방법을 설명합니다. 단순한 텍스트 챗봇을 넘어 아바타와 음성 인터페이스를 통해 현장 작업자도 쉽게 지식에 접근할 수 있는 것이 핵심입니다.

AI 에이전트와 MCP 서버 등 자원이 급증함에 따라 발생하는 '자원 파편화' 문제를 해결하기 위해 AWS는 중앙 집중식 카탈로그인 'AWS Agent Registry'와 개방형 표준인 'ARD'를 제시했습니다. ARD는 서로 다른 클라우드와 환경에 있는 에이전트 자원을 DNS처럼 통합 검색할 수 있게 하여 에이전트 생태계의 상호운용성을 극대화합니다.

이 글은 Amazon Connect와 Claude 4.5를 활용하여 전화 주문을 자동화하는 AI 호스트 시스템 구축 방법을 다룹니다. MCP를 통해 에이전트와 백엔드를 분리하여 유연성을 높였으며, 실시간 음성 기술로 자연스러운 대화형 주문 경험을 제공합니다.

데이터 양의 급증으로 발생하는 메타데이터 불일치 문제를 해결하기 위해 Amazon Bedrock 등 AWS 서비스를 활용한 자동화된 메타데이터 교정 시스템을 소개합니다. 이 시스템은 LLM의 의미론적 이해를 통해 스키마 정렬과 필드 검증을 수행하며, 최종 결정은 인간이 검토하는 'Human-in-the-loop' 방식을 채택하여 정확성과 효율성을 동시에 확보합니다.

ADOP는 Amazon Bedrock 기반의 AI 에이전트를 활용해 데이터 엔지니어링의 ETL, 품질 검사, 컴플라이언스 설정을 자동화하는 빌드 타임 가속화 플랫폼입니다. 개발 단계에서 생성된 코드를 CI/CD를 통해 프로덕션에 배포함으로써, 런타임에는 모델 의존성 없이 안정적이고 감사 가능한 데이터 파이프lam을 운영할 수 있습니다.

AI 에이전트가 기업 내부 도구에 연결될 때 발생하는 자격 증명 유출, 정책 불일치, 감사 공백 등의 보안 문제를 해결하기 위해 Amazon Bedrock AgentCore Gateway를 소개합니다. 이 서비스는 인증, 권한 관리, 도구 카탈로그화를 통해 단계별로 AI 에이전트의 운영 성숙도를 높이는 4단계 거버넌스 체계를 제안합니다.

이 기사는 Amazon Bedrock 환경에서 RAG 시스템의 입력 토큰 비용을 최적화하기 위한 '쿼리 인식 압축' 방법을 설명합니다. 검색된 대량의 청크 중 질문과 관련된 핵심 문구만 저비용 모델로 추출하여 메인 모델에 전달함으로써, 비용 절감과 환각 감소라는 두 마리 토끼를 동시에 잡는 전략을 다룹니다.

Panasonic Avionics는 다양한 항공기 기종별로 상이한 IFEC 시스템의 결함 진단을 위해 AWS 기반의 멀티 에이전트 AI 시스템을 구축했습니다. 이 솔루션은 트렌드 분석, 병렬 진단, 요약 단계로 구성된 에이전트 워크플로우를 통해 로그 분석 및 원인 파악 시간을 획기적으로 줄이고 엔지니어의 업무 효율을 높였습니다.

아마존 베드락이 OpenAI GPT-5.6 모델(Sol, Terra, Luna)에 대해 교차 리전 추론 기능을 출시하여 25개 이상의 AWS 리전에서 가용성을 극대화했습니다. 이 기능은 데이터 거버넌스를 유지하는 지리적 프로필과 전 세계 리전을 활용해 성능을 최적화하는 글로벌 프로필로 나뉘어 운영 효율성을 제공합니다.

전문적인 데이터 과학자 없이도 Snowflake의 데이터를 활용해 예측 모델을 만들 수 있는 노코드 ML 워크플로우를 소개합니다. Amazon SageMaker Canvas와 QuickSight를 결합하여 데이터 준비부터 시각화까지의 과정을 자동화하고 의사결정 속도를 높이는 방법을 다룹니다.

본 기사는 Amazon SageMaker Canvas와 Snowflake를 활용하여 데이터 준비부터 모델 구축까지 이어지는 노코드 ML 워크플로우의 두 번째 단계를 다룹니다. 사용자는 Data Wrangler를 통해 Snowflake 데이터를 직접 연결하고 변환하며, 이를 바탕으로 사기 탐지(Fraud Detection) 모델을 구축하는 과정을 상세히 설명합니다.

본 기사는 Amazon SageMaker Canvas에서 생성된 머신러닝 예측 데이터를 Amazon QuickSight로 통합하여 인터랙티브 대시보드를 구축하는 방법을 설명합니다. 특히 자연어 질의가 가능한 생성형 BI 기능을 활용해 복잡한 데이터 분석 과정을 자동화하고 비즈니스 의사결정에 필요한 인사이트를 시각화하는 워크플로우를 다룹니다.

아마존은 자연어 문서를 정교한 Dogwood 정책 스펙으로 변환해주는 'Policy Authoring' 기능을 공개했습니다. 이를 통해 개발자는 복잡한 코딩 없이도 AI 에이전트의 행동 범위, 시간적 제약, 입력 파라미터 제한 등을 설정하여 기업의 규제 준수와 보안을 강화할 수 있습니다.

기업 내 에이전트 AI 도입이 확산됨에 따라 다양한 프레임워크, 모델, 제공업체가 공존하는 '멀티-에브리싱(multi-everything)' 환경의 복잡성이 증대되고 있습니다. 이를 해결하기 위해 애플리케이션 수준의 강제적 표준화 대신, 하위 제어 평면을 통해 거버넌스와 보안을 관리하며 유연성을 유지하는 아키텍처 패턴이 필요합니다.