AWS Machine Learning Blog

AWS Professional Services는 대규모 클라우드 마이그레이션 과정에서 발생하는 수동 조사, 반복적인 IaC 개발, 사후 운영의 어려움을 해결하기 위해 4종의 특화된 AI 에이전트 프레임워크를 선보였습니다. 이 시스템은 Amazon Bedrock AgentCore를 기반으로 작동하며, 인프라 구축 시간을 혁신적으로 단축하고 자동화된 거버넌스를 제공합니다.

AWS는 Amazon S3, Aurora, DynamoDB 등 기존 데이터 저장소에 벡터 검색 기능을 추가하여 에이전트형 AI를 구현하는 '데이터가 있는 곳에서 구축'하는 원칙을 제안합니다. 이를 통해 RAG, 시맨틱 검색, GraphRAG 등 고도화된 AI 기능을 데이터 이동이나 중복 없이 저지연·저비용으로 구현할 수 있습니다.

Amazon Bedrock의 파운데이션 모델을 활용하여 FHIR 의료 API에 대해 정적 규칙이 놓치기 쉬운 이상 행동 탐지, 데이터 민감도 자동 분류, 자연어 기반 컴플라이언스 보고서 생성을 구현하는 기술적 방안을 다룹니다. 특히 보안 분석 프로세스를 비동기 방식으로 설계하여 API 응답 지연 없이 실시간 보안 모니터링이 가능하도록 구성했습니다.

Amazon Bedrock AgentCore의 웹 검색 커넥터(v1.2.0)에 도메인 허용/차단 및 게시 날짜 범위 지정 기능이 도입되었습니다. 이를 통해 개발자는 API 호출 시점에 실시간으로 검색 소스의 신뢰도와 데이터의 최신성을 제어할 수 있으며, 도쿄 리전 확장을 통해 아시아 지역에서의 낮은 지연 시간과 보안성도 확보했습니다.

이 기사는 AWS의 IDP Accelerator와 Quick Automate를 결합하여 대규모 문서 처리 파이프라인을 자동화하는 방법을 설명합니다. 모기지 대출 사례를 통해 문서 분류, 데이터 추출 및 워크플로우 자동화가 어떻게 수작업 시간을 단축하고 운영 비용을 절감하는지 구체적으로 보여줍니다.

AI 에이전트의 추론 과정에서 발생하는 지연 시간 동안 Lambda와 같은 호출 서비스가 유휴 상태로 비용을 발생시키는 문제를 해결하는 방법을 제시합니다. Task-token 콜백, 직접 서비스 통합, Durable function 등 세 가지 비동기 패턴을 통해 컴퓨팅 비용을 최적화하고 효율적인 파이프라인을 구축하는 방안을 설명합니다.

팬애틱스 베팅앤게이밍은 주별로 상이한 규제와 스포츠 이벤트 시 발생하는 폭발적인 문의량을 처리하기 위해 단일 챗봇 대신 전문화된 에이전트들이 협업하는 멀니 에이전트 시스템을 도입했습니다. Amazon Bedrock과 EKS를 활용해 각 에이전트를 독립적으로 확장 및 개선할 수 있는 오케스트레이터 패턴 아키텍처를 구축하여 비용 절감과 정확도 향상을 동시에 달성했습니다.

KnowledgeForge는 해결된 ITSM 티켓에서 새로운 지식 베이스 문서를 생성하고, 기존의 중복되거나 오래된 문서를 자동으로 정제하는 '폐쇄 루프(Closed-loop)' 시스템입니다. Amazon Bedrock과 S3 Vectors 등 AWS 서비스를 활용해 데이터 추출부터 품질 개선, 인간의 검토 단계까지 자동화된 워크플로우를 제공합니다.

Amazon Bedrock AgentCore payments가 정식 출시되어 AI 에이전트가 Coinbase와 Stripe를 통해 자율적으로 마이크로 트랜잭션을 수행할 수 있게 되었습니다. 이 서비스는 보안 가드레일, 결제 한도 설정, 프로토콜 추상화 기능을 제공하여 안전하고 확장 가능한 에이전트 기반 경제 생태계를 지원합니다.

AWS의 Amazon Quick embedded chat를 웹 애플<0xA5>리케이션에 자연스럽게 통합하기 위한 커스텀 가이드를 다룹니다. SDK 옵션과 CSS를 활용해 iframe의 레이아웃, 브랜드 로고 제거, 톤앤매너 조절을 통해 서비스 고유의 디자인 시스템을 유지하는 방법을 설명합니다.

이 글은 Amazon Bedrock와 Strands Agents SDK를 사용하여 보험 등 전문 분야의 복잡한 문서를 정밀하게 분류하는 멀티 에이전트 솔루션 구축 방법을 설명합니다. Claude Haiku 4.5의 텍스트 분석 능력과 Amazon Titan의 시각적 임베딩 기술을 결합하여 기존 단일 모델 방식의 한계를 극복하는 아키텍처를 제안합니다.

Jumio는 데이터 중복과 수동 배동으로 인한 로직 불일치 문제를 해결하기 위해 AWS 기반의 스트리밍 우선 피처 스토어 아키텍처를 도입했습니다. Kinesis와 Flink를 통한 실시간 처리와 S3 및 EMR을 활용한 오프라인 저장소를 결합하여, 고성능 사기 탐지를 위한 저지연 데이터 파이프라인을 구축했습니다.

AWS는 대규모 법률 계약서 관리의 어려움을 해결하기 위해 메타데이터 기반의 자동 필연적/명시적 필터링 기능을 갖춘 AIDA 솔루션을 소개했습니다. 이 시스템은 Amazon Bedrock Knowledge Bases를 활용해 단순 의미 검색을 넘어 날짜, 당사자 등 구체적 조건을 결합한 정밀한 RAG 워크플로우를 구현합니다.

SaaS 기업인 Axonius가 Amazon Bedrock AgentCore를 통해 기존의 고객 격리 인프라에 AI 에이전트를 안전하게 통합하는 전략을 공개했습니다. 이들은 데이터 보안, 테넌트별 비용 추적, 그리고 기존 인증 시스템과의 통합을 핵심 과제로 삼아 아키텍렉처를 설계했습니다.

NVIDIA Nemotron 3.5 Lightning은 고빈도 에이전트 작업에 최적화된 하이브리드 MoE 구조의 오픈 모델로, Amazon SageMaker JumpStart를 통해 손쉽게 배포할 수 있습니다. 이 모델은 30B 파라미터 중 3B만 활성화하여 높은 처리량과 빠른 속도를 제공하며, 대규모 에이전트 시스템 구축 시 비용과 지연 시간을 획기적으로 줄여줍니다.

Amazon Bedrock AgentCore의 결제 기능을 OpenClaw 에이전트에 통합하여, AI가 인간의 개입 없이도 유료 API나 콘텐츠에 대해 자동 결제를 진행할 수 있는 기술적 토대를 마련했습니다. 이 솔루션은 사전에 설정된 예산 및 한도 내에서만 작동하도록 설계되어 보안과 자율성을 동시에 확보합니다.

Amazon Nova Forge는 BYOO(Bring Your Own Orchestration) 기능을 통해 사용자가 직접 정의한 보상 로직을 다중 회전 강화 학습에 적용할 수 있도록 지원합니다. 특히 GRPO 알고리즘을 활용하여 모델의 출력물 간 상대적 우위를 학습함으로써, 도구 사용이나 코드 실행과 같은 복기 가능한 에이전트 작업의 성능을 높이는 전략을 제시합니다.

이 글은 Amazon Bedrock의 관리형 모델과 SageMaker AI에 배포된 오픈 소스 모델을 하나의 멀티 에이전트 시스템으로 통합하는 기술적 방법을 다룹니다. 이를 통해 사용자는 작업 특성에 따라 최적화된 모델을 선택적으로 활용하여 비용 효율성과 성능을 극대화할 수 있습니다.

AWS 외부 환경(온프레미스, GCP, Azure 등)에서 실행되는 AI 에이전트의 텔레메트리를 Amazon Bedrock AgentCore Observability로 전송하는 방법을 다룹니다. ADOT를 활용한 자동 계측과 IAM 인증을 통해 멀티클라우드 환경에서도 에이전트의 추론 체인, 도구 호출, 토큰 사용량을 통합 관리할 수 있습니다.

Amazon Bedrock AgentCore Browser Tool은 API가 부재한 레거시 웹 환경에서도 AI 에이전트가 브라우저를 통해 직접 상호작용할 수 있도록 지원하는 완전 관리형 서비스입니다. Strands Agents와 결합하여 복잡한 워크플로우를 자동화하며, 보안과 감사 추적 기능을 갖추어 규제 산업의 업무 효율을 높일 수 있습니다.

M&A 실사 과정에서 발생하는 데이터 파편화와 반복적인 업무 부담을 해결하기 위해 Amazon Bedrock AgentCore 기반의 멀티 에이전트 시스템 활용법을 다룹니다. 이 시스템은 자율적인 데이터 수집, 우선순위 지정, 지식 축적 및 거버넌스 통제를 통해 실사 기간을 주 단위에서 시간 단위로 단축할 수 있습니다.

Amazon Quick이 Microsoft Word, Excel, PowerPoint, Outlook에서 직접 작동하는 에이전트 AI 확장을 출시했습니다. 이 서비스는 AWS와 외부 데이터 소스를 연결하여 단순한 채팅을 넘어 문서 수정 및 데이터 기반 작업을 수행하며 업무 워크플로우의 단절을 해결합니다.

이 글은 Amazon Bedrock 사용 비용을 IAM principal(사용자/애플리케이션) 단위로 분리하여 분석하는 방법을 다룹니다. CUR 2.0의 특정 설정을 통해 비용 데이터를 확장하고, Athena와 CUDOS 대시보드를 사용하여 팀이나 프로젝트별로 정밀한 비용 추적 및 시각화를 구현하는 과정을 설명합니다.

영국의 기업용 소프트웨어 제공업체인 OneAdvanced는 의료 및 법률 등 민감한 데이터를 다루는 고객의 요구에 맞춰 영국 내 데이터 주권을 보칭하는 AI 솔루션을 구축했습니다. 이를 위해 Amazon Bedrock 대신 SageMaker를 활용해 Llama 4 모델을 직접 호스팅하고, 50개 이상의 전문화된 AI 에이전트를 배포하는 아키텍처를 구현했습니다.