AI 및 기술

무슨 일이 있었나

Amazon SageMaker Feature Store가 피처 그룹을 보다 효율적으로 관리할 수 있는 두 가지 새 API를 도입했습니다. 첫 번째인 BatchWriteRecord를 사용하면 단일 요청으로 최대 25개의 레코드를 쓸 수 있으며, 동시에 여러 피처 그룹을 대상으로 지정할 수 있습니다.

두 번째 새 API인 ListRecords는 피처 그룹 내 레코드 식별자를 열거하는 방법을 제공합니다. 발표에 따르면 첨부된 게시물에서는 사용자가 시작하는 데 도움이 되도록 두 API를 코드 예제와 함께 설명합니다.

중요한 이유

이 업데이트는 피처 데이터에 대한 배치 작업을 단순화하여 일반적인 머신러닝 워크플로에서 필요한 API 호출 수를 줄일 수 있습니다. 한 번에 여러 피처 그룹에 대한 쓰기를 지원함으로써 데이터 파이프라인이 더 간결해질 수 있습니다.

레코드 식별자를 나열하는 기능은 피처 스토어 콘텐츠를 감사하고 관리하는 것도 더 쉽게 만들어 주며, 이는 데이터 계보를 유지하고 피처 엔지니어링 프로세스를 디버깅하는 데 중요합니다.

주요 사실

Amazon SageMaker Feature Store는 이제 단일 호출로 여러 피처 그룹에 최대 25개의 레코드를 쓰는 BatchWriteRecord를 지원합니다.

ListRecords는 피처 그룹 내 레코드 식별자를 열거합니다.

게시물에는 두 API에 대한 코드 예제가 포함되어 있습니다.

다음에 주목할 점

개발자는 제공된 코드 예제를 통합의 출발점으로 사용하여 이러한 API를 피처 엔지니어링 워크플로에 통합할 수 있을 것입니다.

이러한 새 기능이 프로덕션 ML 파이프라인에서 배치 데이터 수집 및 검색 성능에 어떤 영향을 미치는지 지켜보는 것도 흥미로울 것입니다.

출처

• AWS Machine Learning

무슨 일이 있었나

Decathlon은 글로벌 스포츠용품 소매업체로, 여러 대륙에 걸쳐 수만 개 제품에 대한 주간 수요 예측을 생성합니다.

이 회사는 AWS에 Chronos-2를 배포하여 예측 정확도를 11~15포인트 개선하면서 운영 복잡성을 줄였습니다.

주간 추론은 CPU 전용 인스턴스에서 실행되며 비용은 약 $0.03입니다.

중요한 이유

이 사례는 대형 유통업체가 값비싼 GPU 인프라에 투자하지 않고도 저비용 CPU 전용 추론 덕분에 상당한 예측 개선을 달성할 수 있음을 보여줍니다.

정확도 개선과 복잡성 감소의 조합은 고용량, 다지역 운영에서 고급 AI 예측을 실용적으로 만들어 유사한 채택을 소매 업계 전반에 촉진할 수 있습니다.

주요 사실

Decathlon은 여러 대륙에 걸쳐 수만 개 제품에 대한 주간 수요를 예측합니다.

AWS의 Chronos-2는 예측 정확도를 11~15포인트 개선했습니다.

주간 추론 비용은 CPU 전용 인스턴스에서 약 $0.03이며 운영 복잡성을 줄입니다.

다음에 주목할 점

다른 대형 유통업체들이 Decathlon의 뒤를 이어 Chronos-2 또는 유사한 비용 효율적인 예측 모델을 채택하는지 지켜보십시오.

이로 인해 이전에 GPU 의존적이라고 여겨졌던 AI 워크로드에서 CPU 전용 추론이 더 널리 사용될 수 있는지도 주목하십시오.

출처

• AWS Machine Learning

무슨 일이 있었나

Salesforce는 Amazon SageMaker AI의 Inference Component 배치 기능, 특히 SchedulingConfig 파라미터를 활용하여 모델 복사본이 배포되는 위치를 제어했습니다.

이 배치 메커니즘을 사용함으로써 Salesforce는 모델 복제본을 여러 가용 영역(Availability Zones)에 분산하여 고가용성(HA) 규정 준수 요구 사항을 충족했습니다.

이 접근 방식을 통해 Salesforce는 모델별로 별도의 인프라를 전용으로 사용하는 대신 다중 모델 공동 호스팅의 비용 이점을 유지할 수 있었습니다.

왜 중요한가

이 기술은 조직이 컴퓨팅 리소스 공유에서 얻는 규모의 경제를 포기하지 않고도 엄격한 Multi-AZ 고가용성 요구 사항을 충족할 수 있는 방법을 보여줍니다.

이는 대규모로 기계 학습 워크로드를 실행하는 기업에게 흔한 과제인 복원력과 비용 간의 균형을 맞추는 방법을 제시합니다.

이 예시는 다른 기업들이 지출을 최적화하면서 인프라를 규정 준수에 맞추기 위해 유사한 배치 전략을 모색하도록 장려할 수 있습니다.

주요 사실

Salesforce는 Amazon SageMaker AI Inference Component 배치를 사용했습니다.

이 배치는 SchedulingConfig 파라미터에 의존합니다.

모델 복사본은 여러 가용 영역(Availability Zones)에 분산되었습니다.

이로써 Multi-AZ 고가용성 규정 준수 요구 사항을 충족했습니다.

다중 모델 공동 호스팅의 비용 효율성이 유지되었습니다.

다음에 주목할 점

규제 산업에서 복원력과 비용을 모두 관리하기 위해 더 많은 기업이 Inference Component 배치를 채택할지 지켜보는 것이 흥미로울 것입니다.

SchedulingConfig의 향후 발전은 모델 분배에 대해 더 세밀한 제어를 제공하여 규정 준수 부담을 더욱 완화할 수 있을 것입니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS가 Amazon Bedrock AgentCore Evaluations를 발표했다. 이 새로운 기능은 에이전트 평가를 에이전트가 구축된 프레임워크로부터 분리한다.

이 서비스는 에이전트가 LangGraph, LlamaIndex, OpenAI Agents SDK, Google ADK, Claude Agent SDK, 또는 Strands Agents를 사용하는지와 관계없이, OpenTelemetry 텔레메트리를 내보내는 모든 에이전트를 평가할 수 있다.

이번 발표는 이러한 프레임워크 비종속 계약이 어떻게 작동하는지 설명하며, 팀이 특정 에이전트 프레임워크에 묶이지 않고도 평가를 할 수 있게 해준다.

왜 중요한가

오늘날 에이전트 개발은 많은 프레임워크에 걸쳐 있으며, 평가 도구는 종종 단일 스택에 결합되어 있다. 표준 텔레메트리 계약에 의존함으로써 AgentCore Evaluations는 팀이 평가 파이프라인을 재구축하지 않고도 프레임워크를 비교하거나 전환할 수 있게 한다.

이 접근 방식은 평가를 에이전트 인프라의 보다 보편적인 계층으로 만들어, 평가를 단일 생태계에 고정하지 않고 프레임워크 전반에 걸쳐 모범 사례를 장려할 수 있다.

주요 사실

Amazon Bedrock AgentCore Evaluations는 에이전트 평가를 에이전트를 구축하는 데 사용된 프레임워크에서 분리한다.

이 서비스는 OpenTelemetry 텔레메트리를 내보내는 모든 에이전트를 평가할 수 있다.

지원되는 프레임워크에는 LangGraph, LlamaIndex, OpenAI Agents SDK, Google ADK, Claude Agent SDK, Strands Agents가 포함된다.

공식 게시물은 프레임워크 비종속 계약이 어떻게 작동하는지 설명한다.

다음에 주목할 점

OpenTelemetry 기반 평가 계약이 도구 공급업체 전반에 걸쳐 에이전트 관찰 가능성과 평가의 공통 표준이 될지 여부.

현재 프레임워크별 평가 유틸리티에 의존하는 팀들이 AgentCore Evaluations를 얼마나 폭넓게 채택할지.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning 게시물에 따르면 GoDaddy는 2년에 걸친 전환의 일환으로 기존 비즈니스 인텔리전스 도구를 Amazon Quick으로 교체했습니다.

이 마이그레이션은 비즈니스 전반에 영향을 미쳤습니다. 대시보드 수는 절반으로 줄었고, 렌더링 시간은 5초 미만으로 단축되었으며, AI 기반 셀프 서비스 분석이 모든 직원에게 제공되었습니다.

이 노력으로 연간 15,000시간을 절약하게 되었습니다.

왜 중요한가

절감 규모는 레거시 BI 도구에서 벗어날 때 상당한 운영 효율성을 확보할 수 있음을 시사합니다. 특히 AI 기반 셀프 서비스 분석이 모든 직원에게 제공될 때 더욱 그렇습니다.

대시보드 수가 줄고 렌더링 시간이 빨라지면 데이터 기반 의사 결정의 마찰도 줄어들어 팀이 더 신속하게 답을 얻는 데 도움이 될 수 있습니다.

주요 사실

GoDaddy는 레거시 비즈니스 인텔리전스 도구에서 Amazon Quick으로 마이그레이션했습니다.

전환에는 2년이 걸렸습니다.

GoDaddy는 연간 15,000시간을 절약합니다.

대시보드 수는 50% 감소했습니다.

렌더링 시간은 이제 5초 미만입니다.

AI 기반 셀프 서비스 분석은 모든 직원이 이용할 수 있습니다.

다음에 주목할 점

셀프 서비스 도구가 일상 업무에 자리 잡으면서 GoDaddy가 AI 기반 분석 사용을 계속 확대할지, 아니면 추가 효율성 향상을 보고할지 주목해 볼 만합니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning에 따르면, Natera는 Amazon Bedrock AgentCore에 자동 음성 에이전트를 구축했으며, 이를 통해 환자는 자연스러운 대화로 이동식 채혈 예약을 할 수 있다.

게시된 포스트에 따르면, 이 구현은 이중 WebSocket 브리지, 이벤트 기반 지연 시간 마스킹, 점진적 신뢰 인증에 의존한다.

중요한 이유

이 접근 방식은 생성형 AI 에이전트가 안정적인 도구 실행과 낮은 지연 시간 상호 작용을 요구하는 실제 전화 워크플로우를 처리할 수 있음을 보여준다.

예약을 자동화함으로써, Natera는 대화형 경험을 유지하면서 환자 대면 운영 작업에 음성 에이전트를 사용하는 더 넓은 패턴을 제시한다.

주요 사실

음성 에이전트는 Amazon Bedrock AgentCore에서 실행된다.

환자는 자연스러운 대화를 통해 이동식 채혈 예약을 할 수 있다.

이 시스템은 100% 도구 호출 정확도와 7초 미만의 지연 시간을 달성하는 것으로 보고된다.

기술적 기반에는 이중 WebSocket 브리지, 이벤트 기반 지연 시간 마스킹, 점진적 신뢰 인증이 포함된다.

다음에 주목할 점

Natera가 이 음성 에이전트 아키텍처를 다른 예약 유형이나 지역으로 어떻게 확장할 것인지.

지연 시간과 정확도 벤치마크가 다양한 실제 통화 부하와 대화 패턴에서 유지되는지 여부.

출처

• AWS Machine Learning

어떤 변화가 있었나

Amazon SageMaker Python SDK v3는 스크립트 모드를 재설계하여, 모델을 훈련하고 구축하는 방식을 간소화하는 두 개의 통합 클래스인 ModelTrainer와 ModelBuilder를 도입했습니다.

이 게시물은 scikit-learn Random Forest 모델과 LoRA를 사용한 Stable Diffusion 3.5의 멀티 GPU 파인튜닝이라는 두 가지 엔드투엔드 예제를 통해 워크플로를 보여줍니다.

새로운 SourceCode 메커니즘은 로컬 코드를 런타임에 모든 컨테이너로 동기화하여 개발자들이 Docker 이미지를 다시 빌드하지 않고도 반복 작업을 할 수 있게 해줍니다.

왜 중요한가

모델 훈련 및 구축 클래스를 통합함으로써 개발자들은 이전에 별도의 API와 구성을 관리해야 했던 불편함이 줄어듭니다.

코드를 런타임에 컨테이너로 직접 동기화하면 실험의 주요 병목 현상이 제거되어 팀이 더 빠르게 변경 사항을 테스트하고 인프라 오버헤드를 줄일 수 있습니다.

멀티 GPU LoRA 파인튜닝과 같은 대규모 예제가 포함된 것은 SDK v3가 현대적이고 리소스 집약적인 워크로드에 맞춰 자리 잡고 있음을 보여줍니다.

주요 사실

SageMaker Python SDK v3는 스크립트 모드를 재설계합니다.

이 재설계는 통합된 ModelTrainer 및 ModelBuilder 클래스를 도입합니다.

SourceCode는 런타임에 로컬 코드를 모든 컨테이너로 동기화합니다.

이 게시물은 scikit-learn Random Forest와 멀티 GPU Stable Diffusion 3.5 LoRA 파인튜닝을 다룹니다.

다음에 주목할 점

이 통합 클래스들이 모든 SageMaker 훈련 워크플로의 기본 경로가 될지 여부.

런타임 코드 동기화 기능이 더 복잡하고 프로덕션급 배포 시나리오를 지원하도록 어떻게 발전할지.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning이 지도 미세 조정을 위한 데이터 준비에 관한 2부작 시리즈의 두 번째 게시물을 게시했습니다.

이 게시물은 고급 접근 방식을 다룹니다: 학습 곡선을 사용한 데이터 준비 상태 평가, 고가치 데이터 하위 집합 선택, 합성 및 증류된 예시로 데이터 증강, 파괴적 망각에 대응하기 위한 데이터 소스 혼합입니다.

왜 중요한가

데이터 준비 선택은 미세 조정된 모델의 성능에 큰 영향을 미칠 수 있으므로, 이러한 고급 전략은 학습 파이프라인을 개선하는 팀에게 유용합니다.

합성 데이터와 데이터 혼합은 레이블이 지정된 데이터의 한계를 극복하고 모델이 이전에 학습한 능력을 잃을 위험을 줄이는 실용적인 방법을 제공합니다.

핵심 사실

이 글은 지도 미세 조정 데이터 준비에 관한 2부작 시리즈의 두 번째 부분입니다.

이 게시물은 학습 곡선을 사용한 데이터 준비 상태 평가를 다룹니다.

또한 고가치 데이터 하위 집합 선택, 합성 및 증류된 예시를 통한 데이터 증강, 파괴적 망각을 방지하기 위한 데이터 소스 혼합도 다룹니다.

다음에 주목할 점

독자들은 학습 곡선을 적용하여 학습 데이터가 충분한 시점을 판단하는 방법에 대한 지침을 기대할 수 있습니다.

합성, 증류 및 혼합 데이터 소스의 사용은 미세 조정 워크플로우에서 더 일반적인 부분이 될 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning이 지도 파인튜닝에 관한 2부작 시리즈의 첫 번째 편을 게시했으며, 전적으로 데이터 준비에 초점을 맞췄다. 이 게시물은 데이터가 준비되는 방식이 모든 SFT 프로젝트의 품질 상한선을 결정한다고 주장한다. 즉, 아무리 강력한 모델이라도 제대로 구조화되지 않은 훈련 데이터의 한계를 극복할 수 없다는 뜻이다.

이 기사는 SFT 데이터 준비의 핵심 기반을 설명한다: 품질 검사 실행, 대화를 JSONL로 포맷팅, 추론 및 도구 호출 작업을 위한 스키마 정의, 훈련 세트와 평가 세트 간의 대표성 있는 분할 생성.

왜 중요한가

지도 파인튜닝에서 모델은 오직 데이터가 가르쳐주는 것만 배울 수 있다. 포맷이 일관되지 않거나 품질이 낮으면, 기본 모델의 성능과 관계없이 최종 모델은 그러한 결함을 물려받게 된다.

추론 및 도구 호출 스키마에 대한 명시적 초점은 파인튜닝이 더 이상 단순한 채팅 응답에만 국한되지 않고, 모델이 구조화된 다단계 작업을 안정적으로 수행할 수 있게 하는 데 있음을 시사한다.

주요 사실

이 게시물은 지도 파인튜닝 데이터 준비에 관한 2부작 시리즈의 첫 번째 부분이다.

여기에는 품질 검사, 대화형 JSONL 포맷팅, 추론 및 도구 호출 스키마, 대표성 있는 훈련/평가 분할이 포함된다.

AWS Machine Learning은 2026년 8월 26일에 이 기사를 게시했다.

다음에 주목할 점

시리즈의 두 번째 부분은 데이터 준비 논의를 계속할 것으로 예상되며, 아마도 기초 포맷팅을 넘어 더 고급 준비 기법이나 다운스트림 평가 고려 사항으로 나아갈 것이다.

출처

• AWS Machine Learning

무슨 일이 있었나

우버는, 서비스를 제공하는 도시들과 마찬가지로, 끊임없이 성장하고 변화하고 있습니다. 이는 네트워크 트래픽이 혼잡을 피하도록 신중하게 관리되어야 함을 의미합니다. 우버는 플랫폼 전반에서 애플리케이션 트래픽이 원활하게 흐르도록 기술 전략을 지속적으로 발전시켜 왔습니다.

이러한 노력의 핵심 부분은 하이브리드 네트워크 전반에서 애플리케이션 트래픽의 우선순위를 지정하기 위한 업계 최초의 도구인 Cloud Interconnect의 애플리케이션 인지 기능입니다. 우버는 초기 파트너로서 이 도구의 설계에 참여했으며, DSCP 마킹과 구성된 큐잉 프로필을 사용하여 중요 최종 사용자 트래픽을 덜 시간에 민감한 데이터보다 분류하고 우선순위를 지정합니다.

이 도구는 트래픽 처리, 혼잡 대응, 지연 시간 관리, 비용 효율성이라는 네 가지 주요 기능을 제공합니다. 트래픽은 6개의 개별 클래스로 분류되며, 비즈니스에 중요한 데이터는 엄격한 우선순위 또는 대역폭 공유 정책을 통해 보호됩니다. 우버는 비공개 미리 보기 기간 동안 애리조나주 피닉스와 버지니아주 애슈번의 Google Cloud Interconnect 위치부터 배포하기 시작했습니다.

왜 중요한가

우버와 같은 글로벌 규모의 조직에게 분산 및 하이브리드 애플리케이션의 마이그레이션은 서비스를 중단시킨다면 위험합니다. 애플리케이션 인지 기능을 통해 우버는 대규모 분석 워크로드와 새로운 AI 사용 사례를 포함한 방대한 양의 데이터를 네트워크를 혼잡하게 하거나 비즈니스에 중요한 애플리케이션 성능을 저하시키지 않으면서 이동할 수 있습니다.

기존의 과잉 프로비저닝 방식은 모든 트래픽을 동등하게 취급하며 버스트 중에 높은 우선순위 데이터를 버릴 수 있어 우버의 규모에서는 비용이 많이 들고 신뢰할 수 없습니다. 애플리케이션 인지는 예측 가능한 낮은 지연 시간을 제공하고 중요 트래픽을 보호하므로, 우버는 서비스 중단 위험을 줄이면서 Google Cloud 마이그레이션을 진행할 자신감을 얻습니다.

주요 사실

우버는 Cloud Interconnect의 애플리케이션 인지 기능에 대한 초기 설계 파트너로 활동했습니다.

이 도구는 트래픽을 6개의 개별 클래스로 분류하며 DSCP 마킹과 구성된 큐잉 프로필을 사용합니다.

우버는 애리조나주 피닉스와 버지니아주 애슈번의 Google Cloud Interconnect부터 이 기능을 배포했습니다.

애플리케이션 인지 기능은 우버가 네트워크 혼잡 상황 중 중요 트래픽의 우선순위를 지정하고 신뢰성 위험을 줄이는 데 도움이 되었습니다.

다음으로 주목할 점

우버와 유사한 하이브리드 및 멀티클라우드 마이그레이션 문제에 직면한 다른 조직들도 비용이 많이 드는 과잉 프로비저닝 없이 중요 트래픽을 보호하기 위해 Cloud Interconnect의 애플리케이션 인지 기능을 채택할 수 있습니다.

AI 워크로드가 증가하고 데이터 전송 요구가 커짐에 따라 네트워크 혼잡을 지능적으로 관리하는 도구가 서비스 신뢰성을 유지하는 데 필수적이 될 수 있습니다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud가 클라우드 환경에서 장애 테스트를 자동화하도록 개발자와 아키텍트를 돕기 위한 서비스인 Fault Injection Testing의 미리보기를 발표했다.

이 미리보기 버전에서 서비스는 두 가지 주요 장애 시나리오를 지원한다: 고가용성 Cloud SQL 인스턴스의 장애 조치(failover) 트리거, 그리고 Layer 7 로드 밸런서를 통해 지연 시간(latency)과 HTTP 오류 코드를 추가하여 애플리케이션 트래픽을 저하시키는 것이다.

Fault Injection Testing에는 주입 전 자동 드라이 런(dry run)이 포함되며, 수동 시작을 허용하고, 실험을 중지하고 리소스를 복원하는 중지 및 되돌리기 기능을 제공한다.

왜 중요한가

현대의 분산 시스템은 복잡하여 고가용성을 보장하기가 점점 더 어려워지고 있으며, 특히 클라우드 환경에서는 기본 인프라에 대한 직접적인 접근이 제한적이다.

네이티브 복원력 테스트 도구가 없으면 조직은 고객 신뢰 손상, 컴플라이언스 및 규제 벌금, 대규모 마이그레이션 지연과 같은 위험에 직면한다.

실제 장애가 발생하기 전에 장애 실험을 실행하면 안전 메커니즘이 의도대로 작동하는지, 그리고 중요 업무 서비스가 악조건 상황에서도 계속 온라인 상태를 유지하는지 검증하는 데 도움이 된다.

주요 사실

Fault Injection Testing은 Google Cloud 콘솔, gcloud CLI, REST API를 통해 미리보기로 제공된다.

이 서비스는 장애가 주입되기 전에 권한을 확인하고 영향을 받는 리소스를 나열하기 위해 읽기 전용 드라이 런을 수행한다.

KeyBank 및 Servier와 같은 파트너는 이미 자사 배포를 검증하기 위해 Fault Injection Testing을 사용하고 있다.

Google Cloud는 미리보기 기간 동안 프로덕션 환경이 아닌 환경에서 Fault Injection Testing을 사용할 것을 권장한다.

다음에 주목할 점

조직은 Google Cloud 계정 팀을 통해 미리보기 액세스를 요청하고, Fault Testing API를 활성화하고, 실험을 실행하기 위해 roles/faulttesting.operator 역할을 할당할 수 있다.

미리보기 기간 동안 얼리 사용자는 제품을 개선하는 데 도움이 되는 피드백을 제공할 수 있으며, Google Cloud는 지원되는 장애 시나리오를 Cloud SQL 장애 조치 및 로드 밸런서 트래픽 저하 이외로 확장할 수 있다.

출처

• Google Cloud

무슨 일이 있었나

AWS는 Amazon Bedrock AgentCore를 사용하여 한 AWS 계정의 에이전트가 다른 계정의 Amazon Bedrock 지식 기반에서 답변을 생성할 수 있도록 하는 지침을 발표했습니다.

지식 기반은 Amazon Redshift Serverless를 기반으로 하며, 이 설계는 계정 간 소스 데이터 복사를 피합니다.

이 게시물은 아키텍처와 보안 경계를 설명한 다음, 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스라는 두 가지 오케스트레이션 모델을 다룹니다.

중요성

이 접근 방식은 데이터를 한 계정에 유지하면서 다른 계정의 에이전트가 이를 사용할 수 있도록 해야 하는 조직을 지원하며, 데이터 거버넌스를 간소화하고 중복을 줄일 수 있습니다.

두 가지 오케스트레이션 모델을 제시함으로써 팀에 유연성을 제공합니다. 하나는 코드 기반이고 다른 하나는 선언 기반이므로, 빌더는 자신의 워크플로에 맞는 스타일을 선택할 수 있습니다.

주요 사실

한 계정의 Amazon Bedrock AgentCore 에이전트는 다른 계정에 있는 지식 기반에서 답변을 생성할 수 있습니다.

지식 기반은 Amazon Redshift Serverless를 기반으로 합니다.

소스 데이터는 계정 간에 복사되지 않습니다.

게시물은 아키텍처, 보안 경계, 그리고 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스라는 두 가지 오케스트레이션 모델을 다룹니다.

다음에 주목할 점

보안 경계가 어떻게 구성되는지에 대한 추가 세부 정보는 계정 간 권한과 데이터 액세스가 어떻게 적용되는지 명확히 하는 데 도움이 될 수 있습니다.

다양한 사용 사례에 따라 코드 기반 Strands 에이전트와 선언적 AgentCore 하네스 중 언제 선택해야 하는지에 대한 지침이 있으면 유용할 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

Google Cloud는 조직이 프로젝트 수준의 AI 지출을 추적하고 토큰 쇼크를 방지할 수 있도록 Gemini Enterprise용 새로운 FinOps 제어 기능을 발표했습니다.

또한 예약 용량, 자동화된 장애 조치 계획, Google Kubernetes Engine을 통한 오케스트레이션을 포함한 동적 용량 관리 모범 사례를 자세히 설명했습니다.

이 지침은 예측 가능한 수요를 위한 리소스 예약과 예상치 못한 수요 급증을 처리하는 자동화를 결합하는 것을 강조합니다.

왜 중요한가

에이전트 워크로드는 리소스를 많이 사용하고 수요가 급증하는 특성이 있으므로 정적 인프라로는 확장 병목이나 컴퓨팅 과소 활용이 빠르게 발생할 수 있습니다.

현재 인프라로 에이전트 배포를 처리할 수 있다고 확신하는 IT 리더는 17%에 불과하며, 동적 용량 관리는 기업 도입에 필수 요소가 되고 있습니다.

하드웨어만으로는 충분하지 않기 때문에 팀은 인프라 투자에서 더 많은 가치를 얻기 위한 스케줄링 및 자동화 전략이 필요합니다.

핵심 사실

90%의 기업이 향후 3년 내에 에이전트를 배포하기를 원합니다.

Dynamic Workload Scheduler는 예정된 이벤트를 위한 캘린더 모드와 시작 시간이 유연한 배치 작업을 위한 flex-start 모드를 제공합니다.

관리형 인스턴스 그룹은 서비스 연속성을 위해 자동화된 우선순위별 하드웨어 대체 목록을 지원합니다.

Google Kubernetes Engine은 Custom ComputeClasses와 동적 리소스 할당을 사용하여 에이전트 네이티브 환경을 제공합니다.

다음에 주목할 점

조직이 AI 지출을 관리하고 토큰 쇼크를 없애기 위해 노력함에 따라 Gemini Enterprise용 새로운 FinOps 제어 기능의 채택이 주목됩니다.

기업이 에이전트 배포 확장에 따라 성능을 유지하기 위해 사전 예약 용량과 적응형 자동화를 결합할지 여부가 관건입니다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud는 Gemini Enterprise와 Google Antigravity, Android Studio를 포함한 개발자 도구 전반에서 에이전트 워크로드를 위한 확장된 결제 유연성과 새로운 비용 관리 도구를 발표했다.

이번 업데이트는 Gemini Enterprise 앱에 종량제 옵션, 풀링형 일일 할당량, Flexible Savings Plans, 월간 지출 상한선을 도입하며, 일부 고객에게는 Antigravity 및 Android Studio AI 사용을 기존 Gemini Enterprise 구독에 포함시킨다.

중요한 이유

AI 에이전트가 더 복잡한 작업을 수행하게 되면서, 조직은 꾸준한 비즈니스 생산성과 폭발적인 개발자 워크로드 사이에서 변동하는 사용 패턴에 맞춰 재무 운영을 유지해야 한다. 새로운 옵션을 통해 팀은 예측 가능한 구독과 사용량 기반 가격을 혼합할 수 있다.

라이선스와 결제를 단일 보기로 통합하고 사전 예방적 제어 기능을 추가함으로써, 리더는 가시성을 잃거나 예상치 못한 급증에 예산을 노출하지 않으면서 개발자에게 더 큰 유연성을 부여할 수 있다.

주요 사실

Gemini Enterprise 앱의 새로운 종량제 버전은 소비한 컴퓨팅과 토큰에 대해서만 비용을 청구하며, 선불 약정이나 기본 구독료가 없다.

Flexible Savings Plans를 통해 고객은 월간 지출을 약정하고 토큰 비용의 10–20% 할인을 받을 수 있으며, 최소치나 최대치가 없다.

곧 제공될 Deferred execution pricing은 적격 워크로드를 비수기 용량 시간대에 실행하여 추론 비용을 최대 절반까지 절감할 수 있다.

다음에 주목할 점

종량제 버전과 Antigravity 포함에 대한 제공 일정은 곧 광범위하게 출시될 예정이므로, 기업은 일반 릴리스 세부 사항을 주목해야 한다.

관리자는 풀링 할당량과 초과 사용 정책을 구성하는 방법을 결정해야 한다. 일일 허용량을 초과하는 사용을 허용할지 여부에 대한 제어가 핵심 선택이기 때문이다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud가 완전 초보자를 대상으로, AI 에이전트를 아주 기초부터 구축하고 싶은 사람들을 위해 설계된 무료 5주 라이브 학습 시리즈 'Agent Valley'를 출시했습니다.

이 과정은 Google DevRel 엔지니어인 Annie Wang이 진행하며, 작은 로우폴리 가상 세계 안에서 이루어집니다. 참가자들은 터미널 명령줄 대신 만들고 놀면서 배웁니다.

분할 화면 노트북 작업 공간을 사용해 학습자들은 1일차에 맞춤형 컴패니언을 만들고, 이를 5개 구역을 통해 안내합니다. 그동안 라이브 Runtime Inspector가 AI가 무엇을 생각하고, 결정하고, 얼마의 비용이 드는지 실시간으로 보여줍니다.

왜 중요한가

이 시리즈는 흔한 진입 장벽을 제거합니다. 머신러닝 배경 지식이나 수년간의 소프트웨어 경험이 필요 없으며, Google이 모든 연습 환경을 제공합니다.

Agent Valley는 에이전트 개발을 놀이적이고 시각적으로 만들어, 초보자들이 AI가 어떻게 추론하고 결정을 내리는지 정확히 볼 수 있게 하며, 직접 손으로 해보는 연습을 통해 기술의 신비를 벗겨냅니다.

Google에서 AI 시스템을 설계하는 사람에게 배우는 것은, 그렇지 않으면 진입하기 어려운 빠르게 변화하는 분야로 접근할 수 있는 경로를 제공합니다.

주요 사실

Agent Valley는 무료이며 라이브로 진행되고 5주에 걸쳐 있습니다. 참가자들은 언제든지 참여할 수 있는 5개의 모듈식 세션으로 구성됩니다.

이 과정은 5주간의 세션에서 제어, 분해, 조정, 메모리, 라이브 이벤트 처리를 다룹니다.

라이브스트림은 태평양 시간 9월 1일 오전 10:00부터 5주간 매주 화요일에 진행되며, RSVP는 goo.gle/agent101에서 할 수 있습니다.

다음에 주목할 점

실습 중심의 게임 같은 형식이 진짜 초보자들이 AI 에이전트 구축에 입문하는 데 성공하는지 여부.

참가자들이 라이브 Runtime Inspector의 AI 행동과 비용에 대한 실시간 가시성에 어떻게 반응하는지, 그리고 이 접근 방식이 AI 교육에서 더 널리 채택될지 여부.

출처

• Google Cloud

무슨 일이 있었나

Amazon OpenSearch Service는 이제 AI 에이전트의 텍스트 응답과 함께 대화형 시각화를 반환하는 MCP Apps를 지원합니다.

단일 로컬 실행 MCP 서버를 통해 에이전트는 한 번의 대화에서 알림에서 트레이스, 로그, 근본 원인까지 이동할 수 있습니다.

사용자는 IDE를 떠나지 않고 각 단계를 인라인으로 검증할 수 있습니다.

왜 중요한가

이 통합은 AI 에이전트가 문제를 설명할 뿐만 아니라 시각적 데이터를 표시할 수 있게 하여 에이전트 기반 옵저버빌리티를 강화하고, 디버깅을 더 직관적이고 효율적으로 만듭니다.

MCP 서버를 로컬로 유지하고 인라인 검증을 가능하게 함으로써 컨텍스트 전환을 줄이고 근본 원인 분석 프로세스를 가속화합니다.

주요 사실

Amazon OpenSearch Service는 MCP Apps를 지원합니다.

MCP Apps는 AI 에이전트 텍스트 응답과 함께 대화형 시각화를 반환합니다.

단일 로컬 실행 MCP 서버는 한 번의 대화에서 알림에서 트레이스, 로그, 근본 원인으로 이동하는 것을 용이하게 합니다.

각 단계를 IDE를 떠나지 않고 인라인으로 검증할 수 있습니다.

다음에 주목할 점

통합된 옵저버빌리티 워크플로우를 위해 다른 AWS 서비스에서 MCP Apps의 채택이 더 확대될 것으로 기대됩니다.

MCP Apps가 제공하는 시각화의 상호작용성과 깊이에 대한 향상을 주목하세요.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 Amazon Quick Desktop과 Amazon FSx for NetApp ONTAP을 사용하여 거버넌스가 적용된 주간 보고 워크플로우를 구축하기 위한 솔루션을 발표했습니다.

이 워크플로우는 Amazon S3 액세스 포인트를 사용하여 승인된 폴더를 Quick 지식 베이스에 노출합니다.

사용자 지정 스킬은 인용된 주간 보고서와 Slack 요약을 작성하며, 공유 전에 사람의 검토가 필요합니다.

중요한 이유

이 접근 방식은 승인된 데이터만 사용되도록 보장하여 통제되고 감사 가능한 AI 생성 보고서에 대한 요구를 해결합니다.

사람이 개입하는 검토 단계는 거버넌스 계층을 추가하여 검증되지 않은 콘텐츠가 배포될 위험을 줄입니다.

이는 일상적인 업무를 위해 엔터프라이즈 파일 스토리지를 AI 어시스턴트와 통합하는 실용적인 패턴을 보여줍니다.

주요 사실

워크플로우는 Amazon Quick Desktop과 Amazon FSx for NetApp ONTAP으로 구축됩니다.

Amazon S3 액세스 포인트는 승인된 폴더를 Quick 지식 베이스에 노출합니다.

사용자 지정 스킬은 주간 보고서와 Slack 요약을 작성하며, 공유 전에 사람의 검토가 있습니다.

다음에 주목할 점

엄격한 데이터 액세스 제어가 필요한 기업에서 유사한 거버넌스 적용 AI 워크플로우의 채택.

검토 체크포인트를 유지하면서 더 자동화된 초안 작성을 위한 사용자 지정 스킬의 잠재적 개선.

향후 반복에서 추가 데이터 소스 또는 승인 메커니즘의 통합.

출처

• AWS Machine Learning

무슨 일이 있었나

Google Cloud는 Anyscale과 협력하여 분산 Ray 클러스터에 gVisor 샌드박스를 직접 통합하는 실험적 Ray 라이브러리를 발표했습니다. 이는 에이전틱(agentic) 및 추론(reasoning) 워크로드를 위한 안전하고 격리된 실행 환경을 제공하는 것을 목표로 합니다.

이 라이브러리는 샌드박스를 Ray Actor로 모델링하여 다른 Ray 리소스처럼 스케줄링, 리소스 할당, 관리를 할 수 있게 하며, 각 노드에서 gVisor가 격리를 제공합니다.

Ray 2.58부터 개발자는 샌드박스 API를 사용하여 OCI 이미지에서 환경을 생성하고, 리소스 한도를 설정하고, 명령을 실행하고, 파일을 관리하고, 샌드박스를 종료할 수 있습니다. 또한 더 낮은 수준의 SandboxRuntime을 통해 gVisor에 직접 접근할 수도 있습니다.

왜 중요한가

RL(강화 학습)과 에이전틱 워크로드가 성장함에 따라 대규모로 동적 롤아웃, 코드 생성, 다중 턴 도구 상호작용을 안전하게 실행하는 것이 중요해지고 있습니다. 이 통합은 Ray의 기존 프로그래밍 모델 내에서 이러한 작업을 샌드박싱할 수 있는 기본적인 방법을 제공합니다.

샌드박스를 Ray의 일급 프리미티브로 만듦으로써 프레임워크 작성자와 연구자에게 오케스트레이션을 단순화하고, 안전한 포스트트레이닝 워크플로우의 채택을 가속화할 수 있습니다.

주요 사실

이 라이브러리는 실험적이며 Anyscale과 협력하여 개발되었습니다.

샌드박스는 Ray Actor로 표현되며, gVisor가 격리를 제공합니다.

샌드박스 API는 OCI 이미지에서 환경 생성, CPU/메모리 한도 설정, 명령 실행, 파일 관리를 지원합니다.

Ray 2.58부터 샌드박스 API를 사용할 수 있습니다.

다음에 주목할 점

실험적 라이브러리가 커뮤니티 피드백을 바탕으로 어떻게 발전하고, veRL 및 NeMo-RL과 같은 RL 프레임워크에서 어떻게 채택되는지.

이 접근 방식이 분산 AI 워크로드에서 안전한 실행의 표준이 되어 향후 Ray 릴리스에 영향을 미칠 수 있을지.

출처

• Google Cloud

무슨 일이 있었나

2026년 8월 25일, Google Cloud는 로펌과 사내 법무팀을 대상으로 Gemini Enterprise for Legal을 출시했다.

명시된 프레임은 이렇다. 법률 업무는 특권 정보, 로펌별 플레이북, 끊임없이 변화하는 법체계 위에서 돌아가므로, 이를 지원하는 시스템은 실제 의무를 물려받는다. 넘을 수 없는 윤리적 장벽, 평탄화할 수 없는 사건별 권한, 편의를 위해 굽혀지지 않는 기밀 유지 의무가 그것이다. Google의 입장은 아무리 유능한 범용 AI라도 그 기준을 스스로 충족하지 못한다는 것이다.

왜 중요한가

이는 수직 AI의 경쟁 질문을 '모델이 얼마나 유능한가'에서 '권한 모델이 올바른가'로 옮긴다. 로펌 입장에서 벽을 넘는 검색 한 번은 단지 약한 답변 하나보다 더 나쁘다.

동일한 논리는 규제를 받는 모든 수직 분야에 적용된다. 역량은 필요조건이지 충분조건이 아니다.

핵심 사실

제품: Gemini Enterprise for Legal.

공급업체: Google Cloud.

강조된 제약: 윤리적 장벽, 사건별 권한, 기밀 유지.

명시된 입장: 기초 모델 지능은 필요하지만 법률 업무에 충분하다고는 볼 수 없다.

출처: Google Cloud 블로그, 2026년 8월 25일.

다음에 지켜볼 점

같은 시기에 금융 서비스 에디션도 출시되어 일회성 제품이 아니라 수직 제품 라인임을 시사한다.

권한 보장이 어떻게 검증되는지 — 제품 주장인지, 감사 가능한 메커니즘인지.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud는 자본 시장 및 기업 금융 워크플로를 위해 설계된 통합 AI 솔루션인 Gemini Enterprise for Financial Services를 발표했다.

이 제품은 맞춤형 금융 스킬, 안전한 MCP 커넥터, 실제로 작업을 수행하는 에이전트(Financial Research 에이전트 포함), 개방형 파트너 생태계 등 네 가지 핵심 구성 요소를 포함한다.

관리형 제어 플레인(governed control plane)은 보안 정책 적용, 프라이빗 데이터 격리, 추적 가능한 인용을 통한 검증 가능한 근거(grounding)를 제공한다.

왜 중요한가

범용 AI는 금융 기관에 요구되는 실시간 정확성, 검증 가능한 데이터 계보, 엄격한 보안을 갖추지 못해, 도메인 특화 통합이 필수적이다.

이 솔루션은 도메인 전문성, 안전한 데이터 접근, 실행 가능한 에이전트, 개방형 생태계를 모두 거버넌스 아래 결합하여 실질적인 ROI를 제공하는 것을 목표로 한다.

이는 신용위험 평가, 포트폴리오 모니터링, 시장 뉴스 종합, 조사형 금융 리서치와 같은 고부가가치 워크플로를 다룬다.

주요 사실

Gemini Enterprise for Financial Services는 자본 시장과 기업 금융을 위해 구축되었다.

여기에는 50개 이상의 기본 스킬이 포함된 Financial Research 에이전트가 포함되며, 신뢰도 점수, 방법론, 데이터 스냅샷, 출처 인용을 제공한다.

이 솔루션은 MCP 커넥터를 통해 금융 플랫폼 및 라이선스 데이터 소스와 통합되며, 기존 권한을 존중한다.

파트너로는 Accenture, Deloitte, PwC 등이 있으며, 특정 벤더에 종속되지 않는 맞춤화를 보장한다.

다음 주목할 점

금융 기관의 도입 및 분석가 생산성과 의사결정에 미치는 실질적 영향.

파트너 생태계 확장 및 추가 도메인 특화 스킬 개발.

규제 환경에서 IT 및 리스크 팀이 거버넌스 기능을 어떻게 받아들이는지.

출처

• Google Cloud