AI 및 기술

어떤 일이 있었나

Amazon SageMaker HyperPod가 Amazon EKS에서 관리형 Ray 지원을 도입하여 사용자가 SageMaker Studio에서 직접 Ray 클러스터를 생성하고 모니터링할 수 있게 되었습니다.

사용자는 JupyterLab 및 Code Editor 노트북을 활성 Ray 클러스터에 연결할 수 있으며, 기본 제공되는 관측 가능성 기능을 활용할 수 있습니다.

이 통합은 오픈소스 KubeRay와 표준 Ray API를 활용하여 복원력 있는 분산 학습과 가속화된 추론을 가능하게 합니다.

중요한 이유

이 통합은 SageMaker 생태계 내에서 Ray 클러스터 관리를 단순화하여 분산 워크로드의 운영 부담을 줄여줍니다.

표준 Ray API와 KubeRay를 사용함으로써 사용자는 이식성을 유지하고 벤더 종속을 피하면서 SageMaker 도구와의 원활한 통합을 얻을 수 있습니다.

노트북을 활성 클러스터에 연결하는 기능은 개발 경험을 향상시켜 대화형 디버깅과 반복적 실험을 가능하게 합니다.

주요 사실

Amazon SageMaker HyperPod는 이제 Amazon EKS에서 관리형 Ray 지원을 제공합니다.

사용자는 SageMaker Studio에서 Ray 클러스터를 생성하고 모니터링할 수 있습니다.

JupyterLab 및 Code Editor 노트북은 활성 Ray 클러스터에 연결할 수 있습니다.

이 솔루션에는 기본 제공 관측 가능성 기능이 포함되어 있으며, 복원력 있는 분산 학습과 가속화된 추론을 지원합니다.

오픈소스 KubeRay와 표준 Ray API를 기반으로 구축되었습니다.

향후 주목할 점

대규모 분산 학습 워크로드를 위한 SageMaker HyperPod의 관리형 Ray 채택.

향후 업데이트에서 관측 가능성 및 클러스터 관리 기능의 잠재적 개선.

ML 워크플로를 더욱 간소화하기 위한 다른 AWS 서비스 및 타사 도구와의 통합.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 음성 우선 AI 아바타를 통해 조직의 제도적(암묵적) 지식을 포착하고 전달하는 지식 관리 시스템 구축용 액셀러레이터를 소개했다.

이 시스템은 사용자 정의가 가능하며 스마트 캐싱을 사용해 효율성을 높이고, AWS CloudFormation을 사용해 몇 시간 안에 배포할 수 있다.

정확한 응답을 제공하기 위해 검색 증강 생성(RAG)에 Amazon Bedrock Knowledge Bases를 활용한다.

중요한 이유

이 액셀러레이터는 종종 특정 개인에게만 존재하는 중요한 지식을 보존하고 접근하는 문제를 해결하여 조직이 전문성을 유지하기 쉽게 만든다.

음성 상호작용을 지원함으로써 정보 접근 장벽을 낮추고, 팀 전반의 생산성과 의사 결정을 개선할 수 있다.

빠른 배포와 Bedrock 같은 관리형 서비스 사용은 고급 AI 기능을 더 폭넓은 조직이 이용할 수 있게 한다.

주요 사실

이 시스템은 AWS 기반으로 구축되었으며 검색 증강 생성에 Amazon Bedrock Knowledge Bases를 사용한다.

상호작용을 위해 음성 우선 AI 아바타를 제공한다.

배포는 AWS CloudFormation으로 간소화되어 몇 주가 아닌 몇 시간이면 된다.

향후 주목할 점

의료, 엔지니어링, 법률 등 전문 지식에 대한 의존도가 높은 산업에서 이 액셀러레이터의 채택을 주목하라.

스마트 캐싱 기능이 실제 환경에서 어떻게 작동하는지 모니터링하라. 비용과 응답 시간에 영향을 미칠 수 있다.

AWS의 추가 사용자 지정 옵션 또는 다른 서비스와의 통합에 대한 업데이트를 기대하라.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning은 전화를 받고 주문을 처음부터 끝까지 처리하는 레스토랑용 음성 주문 시스템 구축 가이드를 게시했습니다. 앱, 웹사이트, 로그인이 필요 없습니다.

이 시스템은 전화 통신에 Amazon Connect, 실시간 음성에 Amazon Connect Agentic Voice, 추론에 Amazon Connect AI 에이전트, MCP를 통한 백엔드 도구 연결에 Amazon Bedrock AgentCore Gateway를 활용합니다.

중요한 이유

이 방식은 레스토랑이 전화 주문을 처리하는 방식을 간소화하여 전화를 관리하는 인력의 필요성을 줄이고 효율성을 개선할 수 있습니다.

AI가 전체 주문 과정을 처리하도록 함으로써 레스토랑은 고객에게 일관되고 항상 이용 가능한 주문 경험을 제공할 수 있습니다.

주요 사실

이 시스템은 전화 통신을 위해 Amazon Connect로 구축되었습니다.

실시간 음성에는 Amazon Connect Agentic Voice를 사용합니다.

Amazon Connect AI 에이전트가 추론을 담당합니다.

Amazon Bedrock AgentCore Gateway는 MCP를 통해 백엔드 도구에 연결됩니다.

주문 과정에는 앱, 웹사이트, 로그인이 필요 없습니다.

다음에 주목할 점

향후 개발 사항에는 더 많은 레스토랑 특화 백엔드 시스템과의 통합이나 유사한 전화 기반 주문 수요가 있는 다른 업종으로의 확장이 포함될 수 있습니다.

복잡한 주문이나 고객 상호작용을 처리하는 AI의 능력이 개선될 가능성도 주목할 만합니다.

출처

• AWS Machine Learning

무슨 일이 있었나

Google Cloud의 새 보고서는 이메일 읽기, 데이터베이스 쿼리, API 호출 트리거가 가능한 AI 에이전트가 자율적 행동으로 인해 기업 리스크를 재정의하고 있음을 강조한다.

보고서는 기술 리더의 79%가 추론 확장에 가장 큰 과제로 보안, 거버넌스 또는 운영을 꼽았고, 고위 IT 의사결정권자의 35%는 에이전트 배포를 막는 주요 문제로 다중 시스템 접근에 대한 보안 부족을 꼽았다고 밝힌다.

이러한 과제를 해결하기 위해 보고서는 Secure AI Framework(SAIF) 같은 프레임워크를 채택하고 Gemini Enterprise Agent Platform 같은 특화 플랫폼을 사용하여 보안 기본 설계(secure-by-default), 에이전트 거버넌스, 사람이 개입하는 통제(human-in-the-loop)를 통해 리스크를 관리할 것을 제안한다.

왜 중요한가

AI 에이전트가 보편화됨에 따라 위협 모델이 변화했기 때문에 전통적인 보안 도구만으로는 더 이상 충분하지 않으며, 툴 포이즈닝 및 간접 프롬프트 인젝션 같은 새로운 리스크가 등장했다.

조직은 에이전트에게 필요한 접근 권한을 부여하면서 보호 장치를 구현하는 균형을 맞춰야 하며, 거버넌스를 방해물이 아닌 혁신의 동력으로 보아야 한다.

견고한 거버넌스를 통합된 기반에 내장함으로써 기업은 민감한 워크로드 전반에 에이전트를 자신 있게 배포할 수 있으며, 이를 통해 안전하게 혁신하고 더 빠르게 확장할 수 있다.

주요 사실

기술 리더의 79%가 추론 확장에 가장 큰 과제로 보안, 거버넌스 또는 운영을 꼽았다.

고위 IT 의사결정권자의 35%는 에이전트 배포를 막는 주요 문제로 다중 시스템 접근에 대한 보안 부족을 꼽았다.

설문에 응한 경영진의 69%는 풀스택 플랫폼을 핵심 요건으로 평가했으며, 80%는 데이터 컴플라이언스가 해당 선택을 좌우하는 주요 요인이라고 답했다.

다음에 주목할 것

에이전트형 AI 배포에 대한 더 큰 통제력을 확보하기 위한 통합 풀스택 클라우드 플랫폼의 채택.

프롬프트 인젝션 같은 위협에 선제적으로 대응하기 위한 보안 기본 설계 원칙의 구현.

에이전트의 상호작용을 제어하고 리스크를 제한하기 위한 목적별 권한 및 ID 관리의 개발.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud는 Migration Center에서 AI 기반 Quick Assessments를 발표했습니다. 이 도구는 온프레미스 인프라 평가를 자동화하고 거의 즉각적인 총소유비용(TCO) 모델링과 자동화된 서비스 매핑을 제공하도록 설계되었습니다.

새로운 기능에는 VMware 인벤토리 내보내기에서 즉시 Compute Engine TCO 추정치를 제공하는 기능, 사용자 지정 가능한 재무 통제, 비용 최적화를 추천하고 재무 가정을 설명하는 에이전틱 채팅이 포함됩니다.

이 도구는 또한 자동화된 비즈니스 케이스와 Google Sheets 내보내기를 생성하여, 권장 BOM(자재 명세서), TCO 비교, ROI 분석이 포함된 공유 가능한 경영진 보고서를 제공합니다.

왜 중요한가

인프라 현대화를 위한 기존의 디스커버리 프로세스는 수 주간의 수동 스프레드시트 분석이 필요할 수 있으며, 이로 인해 마이그레이션 일정이 지연되고 엔지니어링 오버헤드가 증가합니다. AI 기반 자동화는 이를 몇 분으로 단축하여 IT 리더에게 TCO와 ROI에 대한 즉각적인 가시성을 제공합니다.

평가 단계를 간소화함으로써 조직은 더 빠르게 설득력 있는 비즈니스 케이스를 구축하고 클라우드 마이그레이션 이니셔티브를 가속화할 수 있습니다. 이는 생성형 AI를 위한 인프라 현대화와 데이터 기반 구축에 대한 압박이 커지는 상황에서 매우 중요합니다.

주요 사실

AI 기반 Quick Assessments는 거의 즉각적인 TCO 모델링과 자동화된 서비스 매핑을 제공합니다.

이 도구는 원시 인프라 데이터 또는 클라우드 결제 보고서를 수집하여 최적화된 대상 BOM, 서비스 매핑 범위, 예상 절감액을 생성합니다.

또한 재무 가정을 설명하고 비용 최적화를 추천하며 경영진 보고서를 내보내는 에이전틱 어시스턴트가 포함되어 있습니다.

다음에 주목할 점

AI 지원 평가 도구의 채택은 클라우드 마이그레이션 프로젝트의 표준적인 첫 단계가 될 수 있으며, 기업이 인프라 현대화에 접근하는 방식을 재편할 잠재력이 있습니다.

에이전틱 채팅과 자동화된 보고의 통합은 IT 의사 결정을 위한 재무 모델링에서 투명성과 속도에 대한 새로운 기대치를 세울 수 있습니다.

출처

• Google Cloud

무슨 일이 있었나

AWS Machine Learning의 새 게시물은 AI가 메타데이터 교정을 자동화할 수 있는 방법을 탐구합니다. 메타데이터 교정은 데이터 세트 간의 상호 운용성을 가능하게 하기 위해 레이블, 식별자 및 형식을 표준화하는 프로세스입니다.

이 게시물에서는 두 가지 실용적인 접근 방식을 자세히 설명합니다: 인간이 AI 제안을 검토하는 인간 참여 검증(human-in-the-loop validation)과 AI 에이전트가 독립적으로 수정을 처리하는 자율 에이전트 기반 워크플로입니다.

또한 프로덕션 환경에서 이러한 AI 시스템을 배포할 때의 거버넌스 고려 사항도 다룹니다.

왜 중요한가

메타데이터 하모나이제이션은 종종 수동적이고 시간이 많이 걸리는 작업이며, AI는 부담을 크게 줄여 데이터 통합과 분석을 가속화할 수 있습니다.

이 게시물은 인간 참여 및 자율적 접근 방식을 모두 설명함으로써 조직이 위험 허용도와 규정 준수 요구 사항에 따라 적절한 자동화 수준을 선택하는 데 도움을 줍니다.

거버넌스 논의는 AI가 데이터 인프라를 수정하는 데 사용될 때 감독과 책임의 중요성을 강조합니다.

주요 사실

메타데이터 하모나이제이션은 데이터 세트가 함께 작동할 수 있도록 레이블, 식별자 및 형식을 표준화합니다.

이 게시물은 AI 기반의 두 가지 접근 방식, 즉 인간 참여 검증과 자율 에이전트 기반 워크플로를 다룹니다.

프로덕션 배포를 위한 거버넌스 고려 사항도 논의됩니다.

다음에 주목할 점

더 많은 조직이 데이터 운영을 간소화하기 위해 AI 기반 메타데이터 교정을 채택할 것으로 예상됩니다.

인간의 감독과 완전 자동화 사이의 균형은 AI 시스템에 대한 신뢰가 성장함에 따라 진화할 것입니다.

데이터 관리에서 AI를 위한 거버넌스 프레임워크가 점점 더 중요해질 것입니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 Amazon Bedrock 기반으로 구축된 참조 아키텍처인 에이전틱 데이터 운영 플랫폼(ADOP)을 소개했습니다.

ADOP는 특화된 AI 에이전트를 사용하여 Bronze-to-Silver-to-Gold 데이터 파이프라인 수명주기 전체를 자동화합니다.

이 플랫폼은 데이터 거버넌스와 규정 준수 통제를 인라인으로 유지하면서 새 소스 온보딩 기간을 몇 주에서 몇 시간으로 단축합니다.

왜 중요한가

ADOP는 데이터 변환의 반복적인 단계를 자동화함으로써 데이터 팀이 파이프라인 유지보수에서 더 높은 수준의 분석과 의사결정으로 초점을 옮길 수 있게 해줍니다.

온보딩 기간의 단축은 조직이 새 데이터 소스를 훨씬 더 빠르게 통합하여 인사이트 도출 시간을 앞당길 수 있음을 시사합니다.

주요 사실

ADOP는 특화된 AI 에이전트를 사용하여 Bronze-to-Silver-to-Gold 데이터 파이프라인을 자동화하는 Amazon Bedrock 기반의 참조 아키텍처입니다.

새 소스 온보딩 시간을 몇 주에서 몇 시간으로 단축합니다.

데이터 거버넌스와 규정 준수 통제는 인라인으로 유지됩니다.

다음에 지켜볼 점

ADOP가 기존 데이터 플랫폼과 어떻게 통합되는지, 그리고 어떤 특화 에이전트가 포함되는지에 대한 추가 세부 사항을 주시하세요.

이 아키텍처는 에이전트 기반 자동화가 핵심 데이터 엔지니어링 워크플로우에 진입하는 더 넓은 추세를 예고할 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 인프라 통합을 강제하지 않으면서 AI 에이전트에게 엔터프라이즈 도구에 대한 관리되고 감사 가능한 액세스를 제공하는 Amazon Bedrock AgentCore용 새 게이트웨이 개념을 자세히 설명했습니다.

이 접근 방식은 팀이 관리형 도구 게이트웨이를 점진적으로 구축할 수 있도록 설계된 4-스코프 성숙도 모델(Connect, Control, Catalog, Harden)을 도입합니다.

이 가이드는 실제 거버넌스 곤란(governance pain)이 요구될 때만 이러한 단계로 진행하도록 강조하며, 성급한 복잡성을 피합니다.

왜 중요한가

AI 에이전트가 더 많은 엔터프라이즈 작업을 맡게 됨에 따라, 에이전트의 도구 액세스는 통제되고 추적 가능해야 합니다. 전용 게이트웨이 계층은 기존 시스템을 재구성하지 않고도 이를 제공할 수 있습니다.

이 성숙도 모델은 조직이 처음부터 과도하게 설계하지 않고 작게 시작하여 필요가 생길 때 거버넌스를 확장할 수 있는 실용적이고 단계적인 경로를 제공합니다.

이 접근 방식은 AWS가 에이전트 배포의 운영 측면, 즉 감사 가능성과 거버넌스에 주목하고 있음을 보여주며, 이는 종종 엔터프라이즈 도입의 진정한 병목 지점입니다.

주요 사실

Amazon Bedrock AgentCore Gateway는 AI 에이전트에게 엔터프라이즈 도구에 대한 관리되고 감사 가능한 액세스를 제공합니다.

이 접근 방식은 인프라 통합을 피합니다.

이 게시물은 Connect, Control, Catalog, Harden의 4-스코프 성숙도 모델을 설명합니다.

팀은 실제 거버넌스 곤란이 요구할 때만 진행하도록 권장됩니다.

다음에 주목할 점

조직은 자체적인 기존 에이전트 도구 액세스 패턴을 Connect, Control, Catalog, Harden 범위에 매핑하여 현재 성숙도 수준을 파악하기 시작할 수 있습니다.

AWS가 AgentCore Gateway를 전용 기능으로 확장하거나 기존 엔터프라이즈 거버넌스 및 감사 플랫폼과 통합할지 지켜보는 것이 흥미로울 것입니다.

이 모델을 조기에 도입하는 기업은 에이전트 자율성과 보안 통제의 균형을 맞추는 모범 사례를 개발해 다른 기업을 위한 템플릿이 될 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning은 대규모 RAG(검색 증강 생성) 실행 비용에서 입력 토큰이 상당한 비중을 차지할 수 있다는 게시물을 게시했습니다.

이 게시물은 Amazon Bedrock에서 쿼리 인식 컨텍스트 압축 패턴을 설명합니다. 검색 후 더 작은 모델이 검색된 청크를 쿼리와 비교하여 필터링합니다.

필터링이 완료되면 기본 모델이 축소된 컨텍스트만 사용하여 답변하므로 입력 토큰과 비용이 줄어들고 답변 품질 유지를 목표로 합니다.

왜 중요한가

RAG 워크로드는 종종 크게 검색된 컨텍스트를 비용이 많이 드는 모델에 입력하여 입력 토큰 수가 상당한 비용 요인이 됩니다.

주요 추론 단계 전에 더 작은 모델을 사용하여 관련 없는 청크를 제거하면 품질을 반드시 희생하지 않으면서 지출을 통제할 수 있는 실질적인 수단을 제공합니다.

이 패턴은 특수화된 더 작은 모델과 대형 생성 모델 간에 작업을 분할하여 AI 파이프라인을 최적화하는 광범위한 추세를 보여줍니다.

핵심 사실

이 패턴은 쿼리 인식 컨텍스트 압축이라고 하며 Amazon Bedrock에서 실행됩니다.

기본 모델이 답변을 생성하기 전에 더 작은 모델이 쿼리를 기준으로 검색된 청크를 필터링합니다.

명시된 목표는 답변 품질을 유지하면서 입력 토큰과 비용을 줄이는 것입니다.

다음에 주목할 점

이 압축 패턴이 비용 효율성을 추구하는 Bedrock 기반 RAG 애플리케이션의 표준 구성 요소가 될지 여부.

기본 모델이 응답하기 전에 더 작은 모델이 컨텍스트를 필터링할 때 실제로 얼마나 많은 품질 트레이드오프가 발생하는지.

출처

• AWS Machine Learning

무슨 일이 있었나

Panasonic Avionics는 AWS 및 AWS Generative AI Innovation Center와 협력하여 기내 엔터테인먼트 및 연결(IFEC) 문제를 진단하는 에이전틱 AI 시스템을 개발했습니다.

이 솔루션은 Amazon Bedrock, Amazon SageMaker, AWS Glue에서 실행되며, 전 세계 항공기 기단 전반에서 작동하도록 설계되었습니다.

이 시스템은 진단 정확도를 유지하면서 IFEC 진단 시간을 수 시간에서 수 분으로 단축합니다.

왜 중요한가

항공기 IFEC 시스템은 복잡하며, 문제 해결이 느리면 가동 중단 시간이 길어지고 승객 경험이 저해될 수 있습니다. 정확도를 희생하지 않고 진단 시간을 단축하면 유지보수 팀이 문제를 훨씬 더 빨리 해결할 수 있습니다.

관리형 AWS 서비스에서 에이전틱 AI를 활용하는 것은 항공사와 항공 우주 공급업체가 규칙 기반 진단을 넘어 분산된 기단 전반에서 더 자율적이고 확장 가능한 문제 해결로 나아갈 수 있는 방법을 보여줍니다.

주요 사실

에이전틱 AI 시스템은 Panasonic Avionics가 AWS 및 AWS Generative AI Innovation Center와 함께 구축했습니다.

이 솔루션은 Amazon Bedrock, Amazon SageMaker 및 AWS Glue를 사용합니다.

전 세계 기단의 기내 엔터테인먼트 및 연결 문제를 진단하며, 정확도를 유지하면서 진단 시간을 수 시간에서 수 분으로 단축합니다.

다음에 주목할 점

Panasonic Avionics가 동일한 에이전틱 AI 방식을 IFEC를 넘어 다른 항공기 시스템으로 확장할지 여부.

다른 항공 우주 및 항공사 운영자들이 AWS에서 에이전틱 AI를 기단 전체 유지보수 및 운영 진단에 어떻게 도입하는지.

출처

• AWS Machine Learning

어떤 일이 있었나

Google Cloud는 최신 업데이트를 단일 허브로 통합하여 발표, 리소스, 이벤트, 학습 기회를 제공합니다. 주요 항목 중 하나는 제품 관리자 Shaun Liu가 진행하는 August 27 웨비나로, 도난당한 API 키가 악성 에이전트를 합법적으로 보이게 할 수 있는 방식과 정적 자격 증명 및 레거시 IAM 정책이 기계 속도 실행을 따라잡지 못하는 이유를 다룹니다.

허브에는 또한 출품작 접수가 August 31, 2026까지 열리는 All Things Agentic Hackathon, 총 $190,000 상금, Gemini를 사용하여 PostgreSQL 및 AlloyDB로의 AI 지원 코드 변환을 제공하는 Database Migration Service 기능, G2 및 G4 GPU VM용 Compute Flex CUDs, 적응형 동시 프리페칭(adaptive concurrent prefetching)을 포함한 GCSFS 2026.8.0 릴리스도 포함되어 있습니다.

왜 중요한가

자율 에이전트가 엔터프라이즈 시스템 전반으로 확장됨에 따라 에이전트 신원은 중요한 문제가 되고 있습니다. 검증 가능한 암호화 신원을 통해 에이전트, 인간, 비인간 신원을 통합하려는 Google Cloud의 비전은 조직이 기계 간 상호작용을 보호하는 방식을 변화시킬 수 있습니다.

이번 업데이트 묶음은 데이터베이스 마이그레이션의 어려운 최종 단계, AI 학습 중 GPU 데이터 기아(data starvation), 예측 불가능한 컴퓨팅 지출 등 실제 운영상의 문제를 겨냥합니다. 함께 이러한 업데이트는 기업이 비용과 성능을 통제하면서 인프라를 현대화할 수 있는 실질적인 수단을 제공합니다.

주요 사실

Google Cloud 허브는 최신 업데이트, 발표, 리소스, 이벤트, 학습 기회를 위한 중앙 장소입니다.

Agent Identity 웨비나는 Google Cloud 제품 관리자 Shaun Liu와 함께 August 27, 1 PM ET에 예정되어 있습니다.

All Things Agentic Hackathon은 총 $190,000의 상금을 제공하며, 출품작 접수는 August 3부터 August 31, 2026까지입니다.

Database Migration Service는 이제 Gemini를 사용하여 레거시 Oracle 또는 SQL Server 코드를 네이티브 PostgreSQL 및 AlloyDB로 변환합니다.

Compute Flex CUDs는 이제 G2 및 G4 GPU VM에 사용할 수 있습니다.

GCSFS 2026.8.0은 적응형 동시 프리페칭을 기본값으로 설정하여 Rapid Bucket과 함께 사용할 때 단일 파일 처리량을 최대 5배, 최대 21 GiB/s까지 향상시킵니다.

향후 주목할 점

August 27 웨비나는 Google Cloud가 에이전트, 인간, 비인간 워크로드에 대한 신원 관리를 어떻게 발전시킬 계획인지 보여줄 수 있습니다.

해커톤과 GCSFS 업데이트는 개발자와 기업이 Google Cloud의 AI 및 머신러닝 인프라를 실제로 어떻게 채택하는지 보여줄 수 있습니다.

출처

• Google Cloud

무슨 일이 있었나

Google Cloud는 고전적인 조직 리더십 교훈을 AI 에이전트에 적용하고 있으며, 멀티 에이전트 시스템은 에이전트 스스로 복잡한 작업을 효과적으로 분해하고 할당할 수 있을 때 가장 잘 작동한다고 주장합니다.

Google DeepMind의 'Intelligent AI Delegation' 연구를 바탕으로, 이 회사는 위임을 위한 원칙을 강조합니다: 계약 우선 분해를 통해 위임된 작업을 검증하고, 작업을 라우팅할 때 비용을 인식하며, 최소 권한을 통해 민감한 데이터를 존중하는 것입니다.

왜 중요한가

기업이 단일 AI 어시스턴트에서 멀티 에이전트 워크플로로 전환함에 따라 오케스트레이션의 품질이 중요해집니다. 이러한 원칙은 위임을 단순한 작업 할당이 아니라 계획, 비용 절충, 보안 경계를 수반하는 지능적인 행위로 자리매김합니다.

검증과 인간의 판단에 대한 강조는 에이전트 시스템이 인간의 감독을 위한 명시적 체크포인트를 갖추도록 설계되는 미래를 시사하며, 기업이 자동화와 전문가 검토가 가장 가치 있는 영역을 결정하는 데 도움을 줍니다.

주요 사실

Google Cloud는 AI 에이전트가 복잡한 엔터프라이즈 워크플로를 처리하려면 훌륭한 위임자가 되어야 한다고 말합니다.

Google DeepMind의 'Intelligent AI Delegation' 연구 프레임워크는 위임이 적응형 협상, 공식 계약, 보안 가드레일을 포함한 지능을 수반함을 보여줍니다.

원칙 1, 계약 우선 분해는 인간의 판단이 필요한 곳에 주관적 평가를 남겨두고, 안정적으로 검증할 수 있는 작업으로 작업을 분해할 것을 요구합니다.

원칙 2는 작업을 적절한 모델 크기에 맞추라고 조언하며, 단순한 작업에는 더 작고 저렴한 모델을, 복잡한 작업에는 더 강력한 모델을 사용하되, 흔히 API 게이트웨이 모델 라우팅이나 LiteLLM 같은 프록시를 통해 사용합니다.

원칙 3은 에이전트가 필요한 최소 권한만 부여하고, 보안과 컨텍스트 윈도우 성능을 보호하기 위해 하위 에이전트에게 전체 민감 데이터를 전송하지 않도록 요구합니다.

다음에 주목할 점

조직이 멀티 에이전트 배포를 확장하고 비용 효율성을 추진함에 따라 모델 라우팅과 최소 권한 패턴의 채택이 늘어날 것으로 보입니다.

Google Cloud는 연구에서 네 가지 원칙이 도출되었으며, 이 발표에서는 세 가지를 자세히 다룬다고 말합니다. 나머지 원칙은 원본 발행물에서 다룰 수 있습니다.

출처

• Google Cloud

무슨 일이 있었나

Amazon Bedrock는 교차 리전 추론을 사용하여 25개 이상의 AWS 리전에 걸쳐 세 가지 OpenAI GPT-5.6 모델 변형(Sol, Terra, Luna)에 대한 지원을 발표했습니다.

새로운 기능은 미국 지리적 및 글로벌 추론 프로필을 사용하여 요청을 라우팅함으로써 더 높은 처리량을 제공하며, OpenAI 및 Converse API를 통해 모델에 액세스할 수 있습니다.

개발자들은 프로덕션에서 모델을 채택할 때 IAM 권한, 할당량 및 모니터링을 구성하도록 안내됩니다.

왜 중요한가

리전 간 추론 라우팅은 단일 리전 엔드포인트에 의존하는 대신 부하를 분산시키고 처리량을 개선하는 데 도움이 될 수 있습니다.

OpenAI 및 Converse API를 모두 지원하면 팀이 Amazon Bedrock의 관리 및 거버넌스 프레임워크 내에서 요청을 유지하면서 친숙한 인터페이스를 사용할 수 있는 유연성을 얻을 수 있습니다.

주요 사실

Amazon Bedrock는 이제 Sol, Terra, Luna라는 이름의 OpenAI GPT-5.6 모델을 제공합니다.

이 모델은 교차 리전 추론을 통해 25개 이상의 AWS 리전에서 사용할 수 있습니다.

US 지리적 및 글로벌 추론 프로필은 더 높은 처리량을 위해 요청을 라우팅합니다.

모델은 OpenAI 및 Converse API를 사용하여 호출할 수 있습니다.

다음에 주목할 점

조직은 US 지리적 및 글로벌 추론 프로필을 사용할 때 처리량 및 지연 시간 개선을 평가할 수 있습니다.

채택이 증가함에 따라 주목은 IAM 구성, 할당량 관리 및 교차 리전 모델 호출 모니터링을 위한 모범 사례로 옮겨갈 것입니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 Snowflake에 운영 데이터를 저장하고 코드 작성 없이 머신러닝 모델을 구축하려는 팀을 대상으로 하는 튜토리얼 시리즈의 1부를 게시했습니다.

이 첫 번째 편에서는 Amazon SageMaker Canvas를 사용하는 노코드 ML 워크플로를 지원하기 위해 AWS 계정 및 Snowflake 환경을 구성하는 과정을 안내합니다.

이 설정은 향후 사기 탐지 모델의 기반이 되며, 헬스케어, 리테일, 생명과학과 같은 산업을 아우릅니다.

중요한 이유

데이터가 많은 분야의 조직은 ML 개발에 일반적으로 코딩 전문 지식이 필요하기 때문에 대규모 운영 데이터 세트를 예측으로 전환하는 데 어려움을 겪는 경우가 많습니다.

Snowflake 데이터 스토리지와 Amazon SageMaker Canvas를 결합함으로써, 이 시리즈는 비프로그래머가 친숙한 클라우드 인프라를 사용하여 모델 구축을 시작할 수 있는 경로를 보여줍니다.

체계적인 단계별 설정은 진입 장벽을 낮추어 비즈니스 팀이 예측 분석에 더 쉽게 접근할 수 있게 합니다.

주요 사실

이 튜토리얼은 노코드 ML 워크플로 구축에 관한 시리즈의 1부입니다.

AWS 계정 및 Snowflake 환경 설정을 다룹니다.

이 워크플로는 Amazon SageMaker Canvas를 사용하며, 사기 탐지 모델 구축을 위한 것입니다.

헬스케어, 리테일, 생명과학 팀은 대량의 운영 데이터를 Snowflake에 저장합니다.

다음에 주목할 점

시리즈의 후속 편에서는 SageMaker Canvas를 Snowflake 데이터에 연결하고 실제로 사기 탐지 모델을 구축하는 방법을 다룰 예정입니다.

이 접근 방식은 나열된 예시 외에도 규제가 심하거나 데이터가 많은 다른 산업에서 노코드 ML의 템플릿이 될 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

노코드 머신러닝 시리즈의 두 번째 편은 Amazon SageMaker Canvas를 데이터 기반으로 Snowflake에 연결합니다.

트랜잭션 데이터는 Data Wrangler의 시각적 변환을 사용하여 준비되고 조인되며, 코드가 필요 없습니다.

XGBoost 사기 탐지 모델이 동일한 시각적 워크플로우를 통해 훈련되어, 이후 대시보드 단계를 위한 토대를 마련합니다.

중요한 이유

이 워크플로우는 사기 탐지와 같은 의미 있는 머신러닝 작업이 전적으로 시각적 인터페이스를 통해 완료될 수 있음을 보여줍니다.

코딩 요구 사항을 제거함으로써, 이 접근 방식은 더 넓은 범위의 실무자들이 모델 구축에 접근할 수 있게 합니다.

주요 사실

Amazon SageMaker Canvas가 Snowflake에 연결됩니다.

Data Wrangler 시각적 변환이 트랜잭션 데이터를 준비하고 조인합니다.

머신러닝 코드를 작성하지 않고 XGBoost 사기 탐지 모델이 훈련됩니다.

다음에 볼 것

시리즈의 3부는 준비되고 모델링된 데이터 위에 대화형 대시보드를 구축하는 단계로 설정되어 있습니다.

이 시리즈는 별도의 AWS 서비스를 결합하여 완전한 노코드 ML 파이프라인을 조립할 수 있는 방법을 강조합니다.

출처

• AWS Machine Learning

어떤 일이 있었나

AWS 노코드 ML 워크플로우 튜토리얼의 3부에서는 Amazon SageMaker Canvas의 사기 탐지 예측을 가져와 Amazon Quick Sight에서 시각화하는 방법을 보여줍니다.

이 워크스루는 예측 가져오기, 대화형 대시보드 구축, 생성형 BI를 사용한 자연어 질문, 이해관계자를 위한 AI 생성 경영진 요약 게시를 다룹니다.

중요한 이유

이번 편은 모델 출력부터 비즈니스에 바로 사용할 수 있는 시각적 인사이트까지 전체 분석 여정을 노코드 서비스가 어떻게 다룰 수 있는지 보여줍니다.

머신러닝과 BI 모두에서 코드의 필요성을 없앰으로써 팀은 원시 예측에서 경영진과 비기술적 청중과 공유되는 의사 결정까지 빠르게 이동할 수 있습니다.

주요 사실

이 기사는 Snowflake, Amazon SageMaker Canvas, Amazon Quick Sight를 포함하는 노코드 ML 워크플로우 시리즈의 3부입니다.

사기 탐지 예측은 Amazon SageMaker Canvas로 생성된 후 Amazon Quick Sight로 가져옵니다.

사용자는 대화형 대시보드를 구축하고, 생성형 BI를 통해 자연어로 질문하며, AI 생성 경영진 요약을 게시할 수 있습니다.

다음에 주목할 점

시리즈의 이후 부분에서는 데이터 준비, 모델 튜닝, 거버넌스와 같은 노코드 ML 파이프라인의 추가 단계를 다룰 수 있습니다.

생성형 BI에 대한 강조는 AI 지원 분석이 비즈니스 사용자가 머신러닝 출력과 상호작용하는 방식에서 더 큰 역할을 계속할 것임을 시사합니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 자연어 정책 문서를 올바른 Dogwood 정책으로 변환하는 기능인 Policy Authoring을 설명하는 게시물을 게시했습니다.

게시물은 Amazon Bedrock AgentCore의 Policy가 이제 에이전트 전반에 걸쳐 통제를 적용하기 위한 시간 기반 제약 조건을 포함한다고 강조합니다.

또한 이러한 정책 작성에 대한 실제 예제와 모범 사례를 포함합니다.

중요한 이유

AI 에이전트는 조직의 정책과 충돌하는 조치를 취할 수 있으므로 에이전트 전반에 걸쳐 명확한 통제를 적용하는 것이 필수적입니다.

일반 언어 정책 문서를 공식 Dogwood 정책으로 변환하면 모호성을 줄이고 팀이 에이전트 동작을 조직 규칙에 맞추는 데 도움이 될 수 있습니다.

시간 기반 제약 조건을 추가하면 팀이 특정 에이전트 작업이 허용되는 시기를 정의할 때 더 큰 유연성을 얻을 수 있습니다.

주요 사실

Amazon Bedrock AgentCore의 Policy를 사용하면 팀이 에이전트 전반에 걸쳐 통제를 적용할 수 있습니다.

이 기능에는 이제 시간 기반 제약 조건이 포함됩니다.

Policy Authoring은 자연어 정책 문서를 Dogwood 정책으로 변환합니다.

다음에 주목할 점

더 많은 실제 예제를 통해 자연어로 복잡한 정책 시나리오를 처리하는 방법이 명확해질 수 있습니다.

모범 사례의 채택은 조직이 다양한 시간 창에 걸쳐 AI 에이전트 작업을 관리하는 방식에 영향을 미칠 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Machine Learning은 멀티 에이전트 시리즈의 두 번째 게시물을 발표했으며, 기업이 유연성을 유지하면서 에이전트 AI 시스템을 확장하는 방법에 초점을 맞췄습니다.

이 게시물은 ML 팀이 다양한 프레임워크, 모델, 제공업체에 걸친 멀티 에브리싱 환경에서 여러 에이전트 AI 시스템을 운영하는 방법을 살펴봅니다.

또한 이러한 시스템이 특정 벤더에 종속되지 않고 함께 확장할 수 있도록 하는 원칙을 제시합니다.

왜 중요한가

에이전트 AI를 확장하는 기업은 기술과 비즈니스 요구가 진화함에 따라 적응할 수 있도록 벤더 종속을 피해야 합니다.

멀티 에브리싱 환경에서 운영하는 것은 유연성이 지속 가능한 엔터프라이즈 AI 성장의 핵심 요구 사항임을 시사합니다.

설명된 패턴은 조직이 상호 운용성을 희생하지 않으면서 에이전트 AI를 더 광범위하게 통합하는 데 도움이 될 수 있습니다.

주요 사실

이 게시물은 AWS 멀티 에이전트 시리즈의 두 번째 게시물입니다.

유연성을 유지하는 패턴을 사용하여 엔터프라이즈 전반에 걸쳐 에이전트 AI를 확장하는 방법을 다룹니다.

프레임워크, 모델, 제공업체로 구성된 멀티 에브리싱 환경에서 여러 에이전트 AI 시스템을 운영하는 것에 대해 논의합니다.

설명된 원칙은 벤더 종속을 피하면서 이러한 시스템이 함께 확장되도록 합니다.

다음에 주목할 점

멀티 에이전트 시리즈의 향후 게시물에서는 특정 구현 패턴이나 사례 연구를 더 자세히 다룰 수 있습니다.

기업은 장기적인 적응성을 보장하기 위해 자체 에이전트 AI 아키텍처를 설계할 때 이러한 원칙을 참고할 수 있습니다.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS Professional Services는 Amazon Bedrock AgentCore 기반 멀티 에이전트 프레임워크로 구축된 엔터프라이즈 클라우드 마이그레이션 접근 방식을 상세히 공개했다.

이 프레임워크는 발견(discovery), 코드형 인프라 생성, 포트폴리오 거버넌스, 마이그레이션 후 운영을 위한 특수 목적 AI 에이전트를 배포한다.

AWS에 따르면, 이 종단간 자동화는 코드형 인프라 개발 시간을 몇 주에서 몇 분으로 단축한다.

중요한 이유

에이전트 AI는 클라우드 마이그레이션을 수동적이고 프로젝트 중심적인 작업에서 더 자동화되고 반복 가능한 프로세스로 바꿀 수 있다.

코드형 인프라 및 거버넌스 작업을 자동화함으로써, 조직은 전용 에이전트를 통해 통제를 유지하면서 대규모 마이그레이션을 가속화할 수 있다.

주요 사실

멀티 에이전트 프레임워크는 Amazon Bedrock AgentCore 기반으로 구축되었다.

특수 목적 AI 에이전트는 발견, 코드형 인프라 생성, 포트폴리오 거버넌스, 마이그레이션 후 운영을 처리한다.

이 접근 방식은 IaC 개발 시간을 몇 주에서 몇 분으로 단축한다.

다음 주목 사항

AWS Professional Services가 이 에이전트 프레임워크를 다양한 마이그레이션 사용 사례와 엔터프라이즈 환경으로 확장하는지 지켜보라.

AI 에이전트가 클라우드 마이그레이션 워크플로에서 더 많은 운영 책임을 맡게 됨에 따라 거버넌스와 감독 메커니즘이 어떻게 진화하는지 관찰하라.

출처

• AWS Machine Learning

무슨 일이 있었나

AWS는 고객이 이미 사용 중인 데이터베이스 및 스토리지 서비스에 직접 내장된 광범위한 벡터 검색 기능 포트폴리오를 발표했다.

이 발표는 벡터 워크로드를 위한 6개의 목적별 서비스와 함께, 적합한 엔진을 선택하는 데 도움을 주는 의사 결정 프레임워크와 각 옵션에 대한 고객 성공 사례를 설명한다.

왜 중요한가

이 접근 방식은 에이전틱 AI 프로젝트의 일반적인 장애물인 별도의 벡터 데이터베이스로 데이터를 이동하는 문제를 제거한다. 벡터 검색을 데이터가 이미 있는 곳에 유지함으로써 팀은 익숙한 인프라 위에 AI 에이전트를 구축할 수 있다.

의사 결정 프레임워크의 포함은 AWS가 단일 독립 제품에 의존하지 않고 여러 벡터 지원 엔진 중에서 선택해야 하는 개발자들의 복잡성을 줄이려 하고 있음을 시사한다.

주요 사실

AWS는 고객이 이미 사용하는 데이터베이스 및 스토리지 서비스에 직접 내장된 광범위한 벡터 검색 포트폴리오를 제공한다.

별도의 벡터 데이터베이스나 데이터 마이그레이션이 필요 없다.

이 게시물은 6개의 목적별 서비스, 적합한 엔진 선택을 위한 의사 결정 프레임워크, 그리고 각각에 대한 고객 성공 사례를 다룬다.

다음에 주목할 점

이 의사 결정 프레임워크는 어떤 기존 AWS 서비스가 벡터 워크로드 요구 사항에 가장 적합한지 평가하는 팀에게 핵심 참고 자료가 될 수 있다.

고객 성공 사례는 다양한 산업에서 에이전틱 AI를 위해 벡터 검색을 실제로 어떻게 적용하는지 보여줄 수 있다.

출처

• AWS Machine Learning