SageMaker HyperPod 작업 관리를 사용하여 토폴로지 인식 스케줄링을 소개하고 계층적 네트워크 정보를 나타내는 작업을 제출함으로써 작업을 최적화하는 방법에 대한 세부 정보를 제공합니다.

msg는 Amazon Bedrock를 사용하여 msg.ProfileMap의 데이터 조화화를 자동화했고, 이를 통해 HR 개념 일치의 정확성이 향상되었으며 수동 작업 부하가 줄어들고, EU AI 법과 GDPR의 규정 준수가 강화되었습니다.

이 글에서는 Amazon SageMaker AI를 사용하여 RAG 개발 생명주기를 실험부터 자동화까지 한 과정으로 간소화하는 방법을 안내하며, 팀이 효율적으로 실험하고 효과적으로 협업하여 지속적인 개선을 이끌어내는 데 도움이 됩니다.

Amazon Bedrock에서 가져온 모델에 로그 확률이 어떻게 작용하는지 알아봅니다. 로그 확률의 개념, API 호출에서 활성화하는 방법, 반환된 데이터 해석 방법을 배우고, 잠재적 환각 감지부터 RAG 시스템 최적화 및 세밀하게 조정된 모델 평가에 이르기까지 이러한 통찰력이 AI 애플리케이션을 개선하는 방법을 강조합니다.

Anthropic의 Claude 3.5 Sonnet에서 Claude 4 Sonnet으로의 체계적인 마이그레이션 방법을 소개하고, 주요 모델 차이를 살펴보며, 핵심적인 마이그레이션 고려 사항을 강조하며, 이 필수적인 전환을 조직에 측정 가능한 가치를 창출하는 전략적 이점으로 전환하는 검증된 모범 사례를 제공합니다.

실제 비디오 및 이미지 분석에서 기업들은 종종 모델의 원래 학습 세트에 포함되지 않은 객체를 감지하는 어려움을 겪습니다. 특히 새로운, 알려지지 않은 또는 사용자 정의 객체가 자주 나타나는 동적 환경에서 이는 특히 어려워집니다. 이 게시물에서는 Amazon Bedrock Data Automation이 OSOD를 활용하여 비디오 이해력을 향상하는 방법을 탐구합니다.

Skello는 직원 일정 및 인력 관리에 초점을 맞춘 선도적인 HR SaaS 솔루션으로, 다양한 분야에 서비스를 제공하며 스케줄 생성, 시간 추적, 급여 준비 등의 기능을 제공합니다. 이 기사는 대량 언어 모델을 데이터 쿼리에 구현하는 과정에서의 도전과, 특히 GDPR 하 프랑스 회사의 맥락에서 다룹니다.

이 글에서는 AWS CDK를 사용하여 Amazon SageMaker AI에서 프로그래밍 방식으로 프라이빗 워크포스를 생성하는 완벽한 솔루션을 제시하며, 전용 및 완전히 구성된 Amazon Cognito 사용자 풀 설정을 포함하고 있습니다.

기술 혁신 연구소(TII)의 Falcon-H1 모델이 Amazon Bedrock Marketplace 및 Amazon SageMaker JumpStart에 출시되었습니다. 이를 통해 개발자와 데이터 과학자들은 AWS에서 여섯 가지 Falcon-H1 모델(0.5B, 1.5B, 1.5B-Deep, 3B, 7B, 34B)을 사용할 수 있게 되었으며 전통적인 어텐션 메커니즘과 State Space Models(SSMs)를 결합한 하이브리드 아키텍처 모델을 통해 탁월한 성능과 획기적인 효율성을 제공받을 수 있습니다.

Oldcastle가 AWS와 협력하여 Amazon Bedrock 및 Amazon Textract를 사용하여 문서 처리 워크플로우를 개선했고, 이를 통해 매달 수십만 개의 POD 문서 처리를 자동화하여 정확성을 향상시키고 수동 노력을 줄였다.

런던 증권 거래소 그룹(LSEG)이 Amazon Bedrock과 Anthropic의 Claude foundation 모델을 활용해 자동 시스템을 구축하여 시장 감시 작업의 효율성과 정확도를 크게 향상시켰다.

Amazon Bedrock AgentCore Runtime이나 다른 서비스에서 호스팅된 AI 에이전트의 구현 옵션과 옵저버빌리티를 포함한 개발 라이프사이클 전반에 걸친 모범 사례를 소개합니다.

기업의 운영과 혁신을 변화시키는 생성 AI로 인해 AI 모델의 교육 및 배포를 위한 인프라 수요가 급증하고 있다. 전통적인 인프라 방식은 현대 AI 워크로드의 계산 요구, 네트워크 요구, 내구성 요구와 맞춰가기 어렵다. AWS는 기술 분야에서 변화를 경험하고 있으며 AI 인프라 도전 과제에 대응하고 있다.

AWS는 Amazon SageMaker HyperPod에서 관리형 계층형 체크포인팅을 발표했는데, 이는 수천 개의 AI 가속기를 통해 생성 AI 모델 개발을 확장하고 가속화하기 위한 목적으로 만들어진 인프라이다. CPU 메모리를 사용하여 고성능 체크포인트 저장 및 인접한 컴퓨팅 노드 간 자동 데이터 복제를 통해 신뢰성을 향상시킨다.

HyperPod 작업 관리 기능을 사용하여 고객은 Amazon Elastic Kubernetes Service (Amazon EKS)에서 Amazon SageMaker HyperPod 클러스터 활용을 최적화하고 공정한 사용을 분배하며 다른 팀 또는 프로젝트 간에 효율적인 리소스 할당을 지원할 수 있습니다.

글은 Strands Agents를 사용해 AI 에이전트를 빠르게 구축하고, Amazon Bedrock AgentCore로 안정적으로 확장하며, LibreChat을 통해 사용자들이 바로 적용할 수 있도록 교육 기관 전반에 걸쳐 즉시 사용자 채택을 촉진하는 방법을 보여준다.

Skai는 AI 기반의 옴니채널 광고 및 분석 플랫폼으로, 브랜드와 기관이 검색, 소셜, 소매 미디어 시장 및 기타 “벽돌 정원” 채널을 통해 유료 미디어를 계획, 출시, 최적화 및 측정할 수 있도록 설계되었다. Skai가 Amazon Bedrock 에이전트를 활용하여 데이터 접근과 분석을 개선하고 고객 인사이트를 향상시킨 방법에 대해 소개한다.

중동의 주요 전자 상거래 플랫폼인 Snoonu가 AI 기반 맞춤화를 통해 제품 발견 경험을 변화시킨 과정을 소개합니다.

이 블로그 글에서는 연구 대학이 SageMaker HyperPod를 도입하여 동적 SLURM 파티션, 세밀한 GPU 자원 관리, 예산 고려 컴퓨트 비용 추적, 그리고 다중 로그인 노드 부하 균형을 통해 AI 연구를 가속화하는 방법을 소개합니다.

Amazon Nova를 활용한 Real-Time Race Track(RTRT)은 팬들이 자신만의 레이싱 서킷을 디자인하고 사용자화하여 공유할 수 있는 상호작용적인 경험을 제공한다. 피트 타이밍과 타이어 선택과 같은 전략적 레이싱 통찰력과 AI 음성 비서, 레트로 스타일 레이싱 포스터와 같은 대화형 기능을 강조하고 있다.

FuzzyPixel이 제작한 Picchu 애니메이션 단편을 활용해 주인공 Mayu와 그녀의 어머니를 위한 캐릭터 일관성 있는 모델을 세밀하게 조정하여 새 시퀄을 위한 스토리보드 컨셉을 빠르게 생성할 수 있게 함.

스토리보드는 현대 콘텐츠 제작의 중심 역할을 하는데, 아마존 노바 캔버스와 노바 릴 같은 AI 기반 모델(FMs)이 이 랜드스케이프를 변화시키고 있다. 이를 통해 손그림 순차적인 일러스트를 사용하는 전통적인 방식에서 벗어나 스토리를 매핑할 수 있다.

이 게시물에서는 Amazon Q 데이터 접근자를 위한 TTI 인증을 구현하는 방법을 소개했습니다. ISV와 기업을 위한 설정 프로세스를 다루고 TTI 인증이 사용자 경험을 간단하게 만들면서도 보안 표준을 유지하는 방법을 시연했습니다.

프루프포인트는 Amazon Q Business를 통합하여 전문 서비스를 재정의했습니다. 이는 기업 데이터를 기반으로 질문에 답변하고 요약을 제공하며 콘텐츠를 생성하고 작업을 완료하는 완전 관리형 생성형 AI 기반 어시스턴트입니다. 이 게시물에서는 Amazon Q Business가 프루프포인트의 전문 서비스를 어떻게 변화시켰는지, 배포, 기능 및 미래 로드맵을 자세히 살펴봅니다.

Coveo의 Passage 검색 API를 Amazon Bedrock 에이전트 액션 그룹으로 배포하여 응답 정확도를 향상시키는 방법 소개. Coveo 사용자는 현재의 색인을 활용하여 조직 전반에 새로운 생성 경험을 신속하게 배포할 수 있음.

Amazon SageMaker HyperPod CLI 및 SDK를 사용하여 대규모 AI 모델의 훈련 및 배포 프로세스를 최적화하는 방법을 실제 분산 훈련 예제를 통해 보여줍니다. FSDP를 사용한 분산 훈련 및 추론용 모델 배포의 실용적인 예제를 제공하며, CLI는 일반적인 작업을 위한 간단한 명령을 통해 단순화된 워크플로우를 제공하고, SDK는 복잡한 요구 사항을 위한 유연한 개발 옵션을 제공합니다.

이 솔루션은 FM 일괄 추론 작업을 간편하고 확장 가능하게 만들어줍니다. 수백만 문서의 임베딩 생성이나 대규모 데이터셋으로 사용자 지정 평가 또는 완료 작업 실행과 같은 FM 일괄 추론 요구사항을 효율적으로 처리할 수 있는 고도로 확장 가능한 방법을 제공합니다.

자연어 데이터베이스 분석이 조직이 구조화된 데이터와 상호 작용하는 방식을 혁신할 수 있는 방법을 살펴봅니다. 대형 언어 모델 (LLM) 에이전트의 힘을 통해 복잡한 쿼리를 명확하고 검증 가능한 추론 단계로 분해하고, 오류를 잡아내고 실패를 분석하며 쿼리를 사용자 의도와 스키마 요구 사항과 정확하게 일치하도록 세밀하게 조정함으로써 데이터베이스 분석을 향상시킵니다.

이 글에서는 Amazon 지식 베이스를 RAG 애플리케이션에 자동화된 방법으로 배포하는 방법을 보여줍니다.

이 블로그 포스트에서는 Amazon Bedrock를 통해 제공되는 Amazon Nova 모델을 사용하여 KIE 솔루션을 구축하고 평가하는 종단간 접근 방식을 시연합니다. 데이터 준비, 솔루션 개발, 성능 측정이라는 세 가지 핵심 단계를 포함하며, FATURA 데이터 세트를 사용하여 포괄적인 방법을 설명합니다.

Amazon SageMaker HyperPod의 새로운 클러스터 생성 경험을 통해 한 번의 클릭으로 필요한 AWS 리소스가 포함된 SageMaker HyperPod 클러스터를 만들 수 있고, 자동으로 권장되는 기본값이 적용됩니다.

Datadog Cloud Security의 새로운 보안 기능을 통해 Amazon Bedrock 구성 오류를 사전에 감지하고 해결할 수 있습니다. 이 통합은 AI 보안을 클라우드 보안 전략에 통합하여 종합적인 AI 보안을 제공하고, 실시간 위험 감지를 통해 AI 관련 보안 문제를 식별하며, 사전 구축된 감지로 AI 규정을 준수하는 것을 단순화합니다.

이 포스트에서는 CloudFront를 사용하여 Amazon Bedrock AgentCore Runtime 에이전트 엔드포인트를 위한 사용자 정의 도메인 이름을 생성하는 방법을 안내합니다. 이 솔루션은 개발팀에 대한 통합을 간소화하고 조직과 일치하는 사용자 정의 도메인, 더 깔끔한 인프라 추상화, 엔드포인트 업데이트 시 간편한 유지 관리를 제공합니다.

Amazon SageMaker HyperPod가 이제 Karpenter를 활용한 관리 노드 자동 스케일링을 지원한다. SageMaker HyperPod 클러스터의 효율적인 스케일링을 가능케 하며, Karpenter의 혜택과 활성화 및 구성 방법에 대한 세부 정보를 제공한다.

부에노스아이레스 시의 정부와 GenAIIC가 개발한 AI 보티는 시민들의 정부 절차 관련 질문에 대답하는 데 사용됩니다. 이 솔루션은 유해한 사용자 쿼리에 응답하는 것을 방지하는 입력 가드레일 시스템과 관련 정보를 검색하고 응답을 생성하는 정부 절차 에이전트 두 가지 주요 구성 요소로 구성됩니다.

Amazon SageMaker AI, AWS Lambda, AWS Step Functions을 사용한 데이터 보완 솔루션 소개. 환경 분석가, 보건 당국, 비즈니스 인텔리전스 전문가를 위해 PM2.5 데이터 예측하는 솔루션. openAFRICA에서 트레이닝 데이터셋 확보, 시계열 예측으로 PM2.5 값을 예측.

아마존 파이낸스 기술팀은 Amazon의 글로벌 영역에서 표준화된 금융 의사 결정과 운영 효율을 뒷받침하는 포괄적인 기술 솔루션을 개발하고 관리한다. 이 글에서는 팀이 Amazon Bedrock의 생성 AI 기술과 Amazon Kendra의 지능적인 검색을 활용하여 비즈니스 도전에 대한 솔루션을 개념화하고 구현한 방법을 설명한다.

이제 Inception Labs의 Mercury 및 Mercury Coder Foundation 모델이 아마존 베드락 마켓플레이스 및 아마존 세이지메이커 점프스타트를 통해 이용 가능합니다. NVIDIA H100 GPU에서 초고속 확산 기반 언어 모델을 배포하는 방법과 코드 생성 및 도구 사용 시나리오에서의 능력을 소개합니다.

Amazon Health Services가 Amazon.com 검색에서 발견성 문제를 해결하기 위해 AWS SageMaker, Bedrock, EMR 등을 사용하여 머신러닝, 자연어 처리, 벡터 검색 기능을 결합하여 고객들에게 관련 있는 의료 서비스를 제공하는 능력을 향상시켰다.

아마존 베드락을 활용하여 기존 시스템을 통합하고 효율적인 인사이트를 얻기 위한 새로운 워크플로우를 만들 수 있습니다. 이 통합은 기술, 비기술, 리더십 역할에 모두 이점을 줄 수 있습니다.

Amazon Bedrock 사용자를 위한 체계적인 평가 방법론 소개. 이론적 프레임워크와 실용적 전략을 결합하여 데이터 과학자와 머신러닝 엔지니어가 최적의 모델 선택을 할 수 있게 함.

GenAI IDP Accelerator를 활용한 지능형 문서 처리 솔루션을 AWS에서 소개. 자동화된 문서 처리 워크플로우는 문서에서 구조화된 정보를 정확하게 추출하여 수동 작업을 줄임. 이 솔루션을 통해 Generative AI를 활용한 워크플로우를 몇 일 안에 구축할 수 있음.

SageMaker HyperPod의 세 가지 기능 소개. Continuous provisioning으로 유연한 리소스 프로비저닝 제공해 모델 학습 및 배포를 빠르게 시작하고 클러스터를 효율적으로 관리. Custom AMIs로 ML 환경을 조직의 보안 표준과 소프트웨어 요구 사항에 맞게 조정 가능.

아마존 세이지메이커를 사용하여 GPT-OSS 모델을 세밀하게 조정하는 방법에 대한 시리즈 중 두 번째 포스팅이다. 이번 글에서는 오픈 소스 허깅페이스 라이브러리를 이용해 GPT-OSS 모델을 세밀하게 조정하는 방법을 다룬다.

아마존 베드락 플로우의 공개 미리보기로 인라인 코드 노드 지원이 가능해졌습니다. 이 강력한 새로운 기능을 통해 워크플로우 내에서 파이썬 스크립트를 직접 작성할 수 있어 간단한 로직에 대한 별도의 AWS 람다 함수가 필요 없어졌습니다. 이 기능은 데이터 정규화와 응답 서식 지정과 같은 전처리 및 후처리 작업을 간소화하여 창조적 AI 애플리케이션 개발을 단순화하고 조직 전체에서 더 접근성 있게 만듭니다.

Amazon Q Business는 AWS 고객에게 조직 전반의 업무 프로세스를 향상시키는 확장 가능하고 포괄적인 솔루션을 제공한다. 사용 사례를 신중히 평가하고 구현 모범 사례를 따르며, 이 게시물에서 제공된 아키텍처 지침을 사용함으로써 Amazon Q Business를 배포하여 기업 생산성을 변형할 수 있다. 성공의 열쇠는 작게 시작하고 빠르게 가치를 입증하며, 조직 전반에 체계적으로 확장하는 것에 있다.

새로운 코드 편집기와 다중 공간 지원을 활용하여 SageMaker 통합 스튜디오에서 ML 파이프라인을 개발하는 방법을 안내합니다. 이 샘플 솔루션은 전형적인 ML 활동을 자동화하여 ML 모델을 구축, 훈련, 평가 및 (선택적으로) 배포하는 방법을 보여줍니다.

대규모 에너지 공급업체의 기술 도움데스크 요원들이 고객 전화를 받고 현장 요원을 지원하는 사례를 살펴봅니다. 아마존 베드락과 인포시스 토파즈™ 기능을 활용하여, 콜 처리 시간을 단축하고 작업 자동화, 기술 지원의 전반적인 품질 향상을 이끌어내는 생성적 AI 애플리케이션을 구축합니다.

Amazon Bedrock의 Amazon Nova를 활용하여 구축된 The Fragrance Lab은 소매, 소비재, 광고 및 마케팅 분야에서 생성적 AI의 변혁적인 힘을 보여주는 포괄적인 애플리케이션이다. 이 게시물에서는 The Fragrance Lab의 개발에 대해 살펴보며, 프랑스 리비에라의 영혼을 담아 창의성, 광고, 소비재를 축하하는 독특한 물리적 및 디지털 경험의 조합을 만들었다.

Tyson Foods가 AWS Generative AI Innovation Center와 협력하여 웹사이트에 통합된 직관적인 AI 어시스턴트를 통해 고객 상호작용을 혁신했다. Amazon Bedrock을 사용해 구축된 이 AI 어시스턴트는 고객의 검색 경험을 향상시키고 있다.

이 포스트에서는 아마존 SageMaker AI와 MCP를 활용하여 예측적 머신러닝 모델을 통합하여 AI 에이전트의 능력을 향상하는 방법을 소개합니다. Strands Agents SDK와 SageMaker AI의 유연한 배포 옵션을 사용하여, 개발자들은 대화형 AI를 강력한 예측 분석 기능과 결합한 고급 AI 애플리케이션을 만들 수 있습니다.

이 블로그 글에서는 Amazon SageMaker Studio에서 신뢰할 수 있는 아이덴티티 전파를 활성화하고 사용하는 방법을 탐구하며, 이를 통해 조직이 기존 AWS IAM Identity Center 신원에 권한을 부여하여 액세스 관리를 간소화할 수 있습니다. 이 솔루션은 사용자의 물리적 신원을 기반으로 세밀한 액세스 제어를 구현하는 방법을 보여주며, 지원되는 AWS 서비스 전체에 걸쳐 자세한 감사 로그를 유지하고 교육 작업에 대한 장기 사용자 백그라운드 세션을 지원합니다.

이 게시물은 Amazon Bedrock의 foundation models (FMs) 중 Amazon Nova Pro를 사용하여 높은 정확도의 문서 필드 로컬라이제이션을 실현하는 방법을 보여줍니다. 이러한 모델을 사용하면 프론트엔드 노력을 최소화하면서 문서 필드를 정확하게 찾아내고 해석할 수 있어 처리 오류와 수동 개입을 줄일 수 있습니다.

Infosys는 석유 및 가스 부문을 위해 맞춤형 Amazon Bedrock을 활용한 고급 RAG 솔루션을 구축했다. 이 솔루션은 다중 모달 데이터 원본을 처리하며 텍스트, 다이어그램, 숫자 데이터를 매끄럽게 처리하고 다른 데이터 요소 간의 맥락과 관계를 유지한다. 이 글에서는 해당 솔루션에 대한 통찰과 다양한 접근 방식 및 아키텍처 패턴(다른 청킹, 다중 벡터 검색, 개발 중 하이브리드 검색)을 안내한다.

이 포스트에서는 Amazon Q Business에 맞춤형 플러그인을 설계하고 구현하여 교육 자료에서 답변을 검색하여 직원 교육을 간소화하는 지능형 챗봇을 만드는 방법을 탐구합니다. 이 솔루션은 사용자 인증 및 권한 부여를 위해 Amazon Cognito를 사용한 안전한 API 액세스를 구현하고, 다양한 문서 형식을 처리하며, RAG 향상된 응답 및 사용자 정의 플러그인을 통한 이메일 에스컬레이션 기능을 포함합니다.

이 포스트에서는 AI 에이전트를 활용하여 여행 계획 솔루션을 구축하는 방법을 탐구합니다. 아마존 노바를 사용하는데, 다른 상업용 LLM에 비해 성능과 비용의 최적 균형을 제공합니다. 정확하지만 비용 효율적인 아마존 노바 모델과 LangGraph 오케스트레이션 기능을 결합하여 복잡한 계획 작업을 처리하면서 제품 배포의 운영 비용을 관리할 수 있는 실용적인 여행 보조 도우미를 만듭니다.

아마존 베드락 에이전트코어 게이트웨이는 기업이 AI 에이전트와 도구 및 서비스를 연결하는 방식을 혁신적으로 변화시키는 완전히 관리되는 서비스로, 에이전트-도구 소통을 위한 통합 인터페이스를 제공한다. 보안 가드, 번역, 구성, 대상 확장성, 인프라 관리자, 의미론적 도구 선택과 같은 주요 기능을 제공하며, 양방향 보안 아키텍처를 구현하여 수신 및 발신 연결에 고급 보안을 제공한다.

전통적인 소프트웨어 개발 생명주기에서 많은 시간이 각 단계에서 소비되는 것에 대해 알아봤습니다. 이 게시물에서는 Amazon Q Developer를 활용하여 AWS에서 확장 가능한 MERN 스택 웹 애플리케이션을 구축함으로써 얻을 수 있는 생산성 향상을 살펴보았습니다.

Salesforce AI 플랫폼팀이 Amazon SageMaker AI를 활용하여 GPU 활용률을 최적화하고 리소스 효율성을 향상시키며 비용 절감을 이룬 경험을 공유합니다.

이 포스트에서는 최신 기술 스택을 사용하여 실용적인 RAG 채팅 기반 어시스턴트를 구현하는 방법을 보여줍니다. 솔루션은 NVIDIA NIMs를 사용하여 LLM 추론 및 텍스트 임베딩 서비스를 제공하며, NIM Operator가 이들의 배포와 관리를 처리합니다. 아키텍처에는 Amazon OpenSearch Serverless가 포함되어 유사성 검색을 위한 고차원 벡터 임베딩을 저장하고 쿼리합니다.

Amazon Bedrock AgentCore Identity는 AI 에이전트를 위한 종합 식별 및 액세스 관리 서비스로, AWS 리소스와 제3자 도구에 안전한 액세스를 가능하게 합니다. 에이전트 식별 디렉토리, 에이전트 권한 부여자, 리소스 자격 증명 제공자 및 리소스 토큰 보관소와 같은 강력한 식별 관리 기능을 제공하여 조직이 대규모로 AI 에이전트를 안전하게 배포할 수 있습니다.

DTDC와 ShellKode가 아마존 베드락을 활용하여 제너레이티브 인공지능(AI)을 기반으로 한 DIVA 2.0 물류 에이전트를 구축한 과정에 대해 소개합니다.

이 게시물은 Salesforce Agentforce를 Amazon Bedrock Agents와 Amazon Redshift와 통합하여 기업 업무 프로세스를 자동화하는 실용적인 협업을 탐구합니다.

아마존 베드락을 활용해 계정 계획 프로세스를 간소화하고 향상시킨 Account Plan Pulse를 소개합니다. Pulse는 검토 시간을 줄이고 협업과 소비를 위해 실질적인 계정 계획 요약을 제공하여 AWS 영업팀이 고객에게 더 나은 서비스를 제공할 수 있게 도와줍니다.

Asana AI Studio와 Amazon Q index가 통합되어 기업 효율성을 높이는 지능적인 워크플로우 자동화와 데이터 접근성을 향상시키는 방법을 살펴봅니다.

결제 업계가 AI 도입 확장에서 직면하는 독특한 과제, 시행 결정에 영향을 미치는 규제적 고려사항, 책임 있는 AI 원칙 적용에 대한 실용적 접근 방법을 탐구한다. 파트 2에서는 결제 시스템 내에서 책임 있는 AI를 운영화하는 실용적인 전략을 제시한다.

이 시리즈의 첫 번째 부분에서는 결제 업계에서의 책임 있는 AI의 기본적인 개념을 탐구했습니다. 본문에서는 책임 있는 AI 프레임워크의 실질적인 구현에 대해 논의합니다.

아마존 베드락 데이터 자동화와 세이지메이커 AI를 사용하여 다중 페이지 문서에 인간 검토 루프를 적용하는 방법을 소개합니다.

이 포스트에서는 Amazon Q Business를 사용하여 AI 어시스턴트를 구축하는 방법을 보여줍니다. 사용자 요청에 응답하는 AI 어시스턴트를 구축하고, S3 버킷에 저장된 기업 문서를 기반으로 응답합니다. 사용자들은 AI 어시스턴트 응답에서 참조 URL을 사용하여 참조 문서를 보거나 다운로드할 수 있으며, 책임 있는 AI를 실천하기 위해 AI 응답을 확인할 수 있습니다.

Amazon SageMaker JumpStart에서 OpenAI의 새로운 GPT OSS 모델인 gpt-oss-120b와 gpt-oss-20b을 이용할 수 있다. 이를 통해 AWS에서 OpenAI의 최신 추론 모델을 배포하여 생성적 AI 아이디어를 실험하고 책임 있게 확장할 수 있다. 본문에서는 이러한 모델을 SageMaker JumpStart에서 어떻게 시작하는지에 대해 설명한다.

Amazon Q Business는 기업이 데이터와 지식의 가치를 발견하는 데 도움을 주는 완전히 관리되는 생성 AI 기반 어시스턴트이다. Amazon Q Business를 사용하면 회사의 다양한 데이터 소스와 기업 시스템에 저장된 정보와 전문 지식을 활용해 빠르게 질문에 답을 찾고 요약 및 콘텐츠를 생성하며 작업을 완료할 수 있다.

본문에서는 Amazon Bedrock에 여러 생성 AI 모델을 배포하여 LLM 모델에게 텍스트 응답의 주제 요약을 작성하도록 지시하는 방법을 강조합니다. 그런 다음 이러한 LLM 생성 요약을 검토하는 판사로서 여러 LLM 모델을 사용하여 요약 제목과 요약 설명 사이의 내용 일치를 판단하고 등급을 할당하는 방법을 보여줍니다.

이 글에서는 강의 개요 생성과 강의 콘텐츠 생성이라는 두 가지 핵심 모듈의 기술적 구현과 함께 각 구성 요소를 자세히 탐구합니다.

Handmade.com이 Amazon Bedrock 및 Amazon OpenSearch Service를 활용하여 AI 기반 파이프라인을 구현하여 제품 설명 처리를 현대화했습니다. 이 솔루션은 Anthropic의 Claude 3.7 Sonnet LLM, Amazon Titan Text Embeddings V2 및 시맨틱 검색 기능을 결합하여 60,000개 이상의 카탈로그에서 제품 설명을 자동화 및 향상시킵니다.

이 게시물에서는 Converse API의 requestMetadata 매개변수를 사용하여 Amazon Bedrock에서 멀티 테넌트 모델 추론 비용을 추적하고 분석하는 방법을 보여줍니다. 솔루션에는 AWS Glue를 사용한 ETL 파이프라인과 Amazon QuickSight 대시보드가 포함되어 있어 사용 패턴, 토큰 소비 및 다양한 테넌트 및 부서 간의 비용 할당을 시각화합니다.

Amazon Bedrock AgentCore 브라우저 도구를 소개합니다. 기업이 클라우드 기반 브라우저 자동화를 필요로 하는 이유와 실시간 데이터 접근을 요구하는 FMs에게 해결책을 제공합니다. 핵심 사용 사례와 도구의 핵심 기능에 대해 다루며, 도구 사용 방법을 안내합니다.

아마존 베드락의 에이전트코어 코드 해석기는 AI 에이전트가 격리된 샌드박스 환경에서 안전하게 코드를 실행할 수 있게 해주는 완전히 관리되는 서비스입니다. 보안, 확장성, 인프라 관리와 관련된 도전 과제를 해결하는 방법에 대해 설명합니다.

Arize AX 서비스를 사용하여 Strands Agents를 통해 시작된 AI 에이전트 작업을 추적하고 평가하여 에이전트 워크플로우의 정확성과 신뢰성을 확인하는 방법 소개.

이 포스트에서는 조직이 보안 포지션을 유지하면서 운영 이벤트를 모니터링하고 식별하며 문제 해결하는 데 도움이 되는 로우코드 노코드 AIOps 솔루션을 구현하는 방법에 대해 논의합니다. 이러한 기술이 어떻게 함께 작동하여 반복 작업을 자동화하고 사고 대응을 간소화하며 조직 전체의 운영 효율성을 향상시키는지 보여줍니다.

이 포스트에서는 Amazon Q Developer CLI와 Model Context Protocol (MCP) 서버 통합을 사용하여 온프레미스에서 실행 중인 레거시 Java Spring Boot 애플리케이션을 현대화하고, Amazon Elastic Kubernetes Service (Amazon EKS)에 배포하여 AWS로 마이그레이션하는 방법에 대해 알아볼 수 있습니다.

AWS Batch가 Amazon SageMaker 학습 작업과 완벽하게 통합되었습니다. ML 학습 작업을 효율적으로 관리하고 우선순위를 지정하여 비즈니스에 하드웨어를 효율적으로 활용하는 이점에 대해 설명하고, 이 새로운 기능을 사용하는 방법과 SageMaker 학습 계획 활용을 안내합니다.

Amazon Nova의 제약 디코딩을 통해 구조화된 출력 도구의 신뢰성을 제공했다. 이제 Amazon Nova Foundation 모델(FMs)을 사용하여 복잡한 스키마를 기반으로 데이터를 추출하고 도구 사용 오류를 95% 이상 줄일 수 있다. 본문에서는 Amazon Nova FMs를 구조화된 출력 사용 사례에 어떻게 활용할 수 있는지 탐구한다.

Amazon Q를 사용하여 사용자 정의 플러그인을 활용하여 AWS 지원 데이터에 대한 의미 검색 기능과 정확한 분석을 결합하는 방법을 배우세요. 이 솔루션은 구조화된 데이터 쿼리를 RAG 아키텍처와 통합하여 더 정확한 분석 질문에 대한 답변을 제공하며, 팀이 지원 사례와 건강 이벤트를 실행 가능한 통찰로 변환할 수 있도록 합니다.

Amazon Strands Agents SDK는 AWS 환경과 통합되어 안전하고 확장 가능한 배포를 제공하며, 생산 환경에서 풍부한 관측 가능성을 제공합니다. 실용적인 사용 사례를 살펴보고 Strands를 활용한 단계별 예시를 제시합니다.

본문에서는 Strands 에이전트와 Tavily의 웹 인텔리전스 API를 결합하여 강력한 리서치 에이전트를 소개하며, 기업 배포에 필요한 보안 및 규정 준수 기준을 유지하면서 복잡한 정보 수집 작업에 뛰어난 성과를 거둘 수 있는 방법을 소개합니다.

이 글에서는 Amazon Bedrock Data Automation을 사용하여 웨비나 녹화물을 종합적인 핸드아웃으로 변환하는 자동화된 서버리스 솔루션을 구축하는 방법을 소개합니다. Amazon Bedrock Data Automation을 구현하여 영상 분석을 위해 트랜스크라이브하고 슬라이드 변경을 감지하며, Amazon Bedrock foundation 모델 (FM) 및 사용자 정의 AWS Lambda 함수를 AWS Step Functions에 의해 조정하는 과정을 안내합니다.

Amazon Bedrock FMs, LangGraph 및 Model Context Protocol (MCP)를 사용하여 강력한 에이전트 애플리케이션을 만드는 방법을 탐색하며, GitHub 워크플로우를 다루는 실제 시나리오를 소개합니다.

Mistral AI의 24 억 개 파라미터 대형 언어 모델 Mistral-Small-3.2-24B-Instruct-2506이 출시되었습니다. 이 모델은 향상된 지시 따르기와 반복 오류 감소를 위해 최적화되어 Amazon SageMaker JumpStart 및 Amazon Bedrock Marketplace를 통해 이용 가능합니다.

금융 기관이 의심스러운 금융 거래를 의심하는 합리적인 근거가 있는 경우 금융 감독기관에 제출해야 하는 의심스러운 거래 보고서(STR)에 대해 살펴봅니다. 이 글에서는 Amazon Bedrock의 FMs를 활용하여 초안 STR을 작성하는 솔루션에 대해 알아봅니다.

이 포스트에서는 Llama-3.2-11B-Vision-Instruct 모델을 웹 자동화 작업에 세밀하게 조정하고 배포하는 완벽한 솔루션을 제시합니다. AWS Deep Learning Containers (DLCs)를 사용하여 Amazon Elastic Kubernetes Service (Amazon EKS)에서 안전하고 확장 가능하며 효율적인 인프라를 구축하는 방법을 보여줍니다.

니뽘 라이프 인도 자산관리가 채택한 솔루션은 사용자 쿼리를 재작성하고 응답을 집계 및 재랭킹하여 일반적인 RAG 방법보다 정확도를 향상시킴. 개선된 RAG 방법을 사용해 응답의 전반적인 정확도를 향상시키는 방법을 살펴봄.

Strands 에이전트와 아마존 베드락을 이용하여 약물 발견을 위한 강력한 연구 보조 도구를 만드는 방법을 소개합니다. 이 AI 보조 도구는 Model Context Protocol (MCP)을 사용하여 여러 과학 데이터베이스를 동시에 검색하고, 그 결과를 종합하여 약물 타겟, 질병 메커니즘, 치료 분야에 대한 포괄적 보고서를 생성할 수 있습니다.

Amazon Nova Act SDK는 브라우저 기반의 워크플로우를 대규모로 자동화하기 위해 이미 여러 산업 분야의 팀들이 사용하고 있는데, 이 포스트에서는 Nova Act SDK의 독특한 기능과 작동 방식에 대해 살펴볼 것이다.

Crypto.com은 사용자 및 시스템 피드백을 활용하여 지시 프롬프트를 지속적으로 개선하고 최적화하는 방법을 탐색합니다. 이 피드백 중심적 접근법은 다양한 서브시스템에 적응하면서 다양한 사용 사례에서 높은 성능을 유지하면서 더 효과적인 프롬프트를 만들 수 있게 했습니다.

AWS Serverless MCP 서버가 서버리스 라이프사이클 전반에 걸쳐 개발을 가속화하는 방법을 살펴보고 있습니다. get_iac_guidance 및 get_lambda_guidance와 같은 도구를 사용하여 구조적인 결정을 내린 후 get_serverless_templates, sam_init를 통해 개발을 간소화하고 SAM 통합, webapp_deployment_help, configure_domain를 통해 배포합니다. 우리는 대화형 AI 접근 방식이 아키텍처 설계부터 운영까지 전 과정을 변화시키는 방법을 보여줍니다.

Amazon Bedrock 에이전트를 사용하여 실시간 문서 분석을 위한 지능형 eDiscovery 솔루션을 구축하는 방법을 소개합니다. 문서 분류, 계약 분석, 이메일 검토, 법적 문서 처리를 위한 특수 에이전트를 배포하고 다중 에이전트 아키텍처를 통해 함께 작동하는 방법을 보여줍니다. 구현 세부 정보, 배포 단계 및 조직이 특정 eDiscovery 요구 사항에 적응할 수있는 확장 가능한 기반을 만드는 데 필요한 모범 사례를 안내합니다.

PerformLine은 Amazon Bedrock을 활용하여 규정 준수 프로세스를 가속화하고 실행 가능한 통찰을 얻으며 속도와 정확성을 제공함. 이는 대규모 감시에 필수적인 요소로 작용함.

이 글에서는 vLLM을 사용하여 확장 가능한 추론을 어떻게 할지 보여주고 AWS Deep Learning Containers (DLC)를 사용하여 모델 패키징과 배포를 간편화하는 방법을 소개합니다. 구조화된 프롬프트를 통해 관심 확장을 생성하고 이를 임베딩으로 인코딩하며, FAISS로 후보를 검색하고 결과를 유지하기 위해 검증을 적용하며, cold-start 도전을 과학적 실험으로 구성합니다. LLM과 인코더 쌍을 벤치마킹하고 추천 메트릭에 빠르게 반복하며 각 구성에 대한 명확한 ROI를 보여줍니다.

MT-Bench와 Arena-Hard의 저장소는 OpenAI의 GPT API를 사용하여 개발되었으며, 주로 GPT-4를 심사관으로 활용했습니다. 우리 팀은 Amazon Bedrock API와 통합하여 Amazon의 심사관으로 Anthropic의 Claude Sonnet을 사용할 수 있도록 기능을 확장했습니다. 이 게시물에서는 MT-Bench와 Arena-Hard를 사용하여 Amazon Nova 모델을 벤치마킹하고, Amazon Bedrock를 통해 사용 가능한 다른 주요 LLM과 비교합니다.

AWS Summit에서 Amazon Nova foundation 모델을 위한 포괄적인 모델 사용자 정의 기능 세트를 소개했습니다. Amazon SageMaker AI에서 사용할 수 있는 준비된 레시피로, Nova Micro, Nova Lite 및 Nova Pro를 모델 훈련 수명주기 전반에 걸쳐 적응하는 데 사용할 수 있습니다. 이 게시물에서는 SageMaker 훈련 작업에서 Nova Micro를 사용자 정의하는 간소화된 방법을 소개합니다.