포스코DX의 엔지니어링 암묵지를 AI가 활용할 수 있는 지식 자산으로 전환하기
들어가며 “이 밸브 유형에는 향후 사양 변경에 대비해 예비 접점을 반드시 확보합니다.” 20년 차 시니어 엔지니어는 이 규칙을 당연하게 적용합니다. 하지만 이 판단 기준은 어떤 매뉴얼에도 적혀 있지 않고, 어떤 교과서에도 나오지 않으며, 인터넷 어디에서도 검색할 수 없습니다. 오직 수십 년의 현장 경험을 통해, 사람에서 사람으로 전승되어 온 지식입니다. 이 문제는 한 조직만의 이야기가 아닙니다. […]
AI/MLBackendCulture
전체 읽기 →하나투어의 Amazon Neptune과 Amazon Bedrock AgentCore를 활용한 여행상품 기획 에이전트 구축기
“오사카 3박 4일, 벚꽃 시즌, 예산 150만 원.” 이 조건 한 줄로 여행 패키지 기획 초안을 만들 수 있다면 어떨까요? 하나투어는 상품기획자(MD, Merchandiser)가 수작업으로 2~3일에 걸쳐 만들던 패키지 일정 초안을, 지식 그래프 기반의 AI 에이전트로 2~3분 만에 생성하는 시스템을 구축했습니다. 이 글에서는 하나투어가 두 번의 시행착오 끝에 Amazon Neptune 기반 GraphRAG(그래프 기반 검색 증강 생성)와 A
AI/MLBackendTools
전체 읽기 →Amazon Bedrock AgentCore로 구축하는 AgentOps (2): 관측성, 평가, 그리고 AgentOps 라이프사이클
본 사례는 AWS 3A(Agentic AI Acceleration) 프로그램에서 재사용 가능한 레퍼런스 asset으로 개발되었습니다. 이 글은 프로덕션 환경에서 에이전틱 AI를 운영하기 위한 2부작 시리즈입니다. 파운데이션을 세우는 것에서 시작해, 이를 안정적으로 운영하는 AgentOps까지 다루며, 이번 글은 그 두 번째 편입니다. Part 1: Amazon Bedrock AgentCore로 구축하는 AgentOps (1): 파운데이션과 게이
AI/MLBackendDevOpsInfraTools
전체 읽기 →Amazon Bedrock AgentCore로 구축하는 AgentOps (1): 파운데이션과 게이트웨이
본 사례는 AWS 3A(Agentic AI Acceleration) 프로그램에서 재사용 가능한 레퍼런스 asset으로 개발되었습니다. 이 글은 프로덕션 환경에서 에이전틱 AI를 운영하기 위한 2부작 시리즈입니다. 파운데이션을 세우는 것에서 시작해, 이를 안정적으로 운영하는 AgentOps까지 다룹니다. Part 1: Amazon Bedrock AgentCore로 구축하는 AgentOps (1): 파운데이션과 게이트웨이 (이번 글) Part 2:
AI/MLBackendInfra
전체 읽기 →Amazon RDS for MySQL에서 Amazon Aurora Serverless v2로 전환한 메가MGC커피 모바일 주문 서비스 DB 현대화 사례
메가MGC커피 소개 메가MGC커피는 전국 단위의 매장을 기반으로 빠르게 성장해 온 국내 대표 커피 프랜차이즈 브랜드입니다. 오프라인 매장 주문과 모바일 앱을 통한 주문 서비스도 제공하고 있으며, 고객은 앱을 통해 가까운 매장을 선택하고, 음료를 미리 주문한 뒤 매장에서 픽업할 수 있습니다. 모바일 앱 주문 서비스는 고객 편의성과 매장 운영 효율성을 높이는 핵심 디지털 채널입니다. 특히 출근 시간대와 […]
DatabaseInfraMobile
전체 읽기 →의뢰자가 가장 어려워하는 단계를 AI로: Strands SDK를 활용한 라우드소싱의 공모전 브리핑 에이전트 구축기
스터닝은 ‘창작자가 중심이 된 비즈니스 생태계를 만드는 플랫폼’을 목표로 라우드소싱과 노트폴리오가 만나 탄생한 기업입니다. 그 중 라우드소싱은 디자인 아이디어를 얻을 수 있는 공모전, 1:1 의뢰 등의 서비스를 제공하고 있으며, 창작자와 의뢰자를 효과적으로 연결하기 위해 마켓, 매칭, 통합검색 기능 등을 지속적으로 고도화 해왔습니다. 라우드소싱의 브리핑 작성 AI는 의뢰자가 공모전을 등록할 때 원하는 디자인 카테고리, 업종, 스타일, […]
AI/MLBackendTools
전체 읽기 →AWS DevOps Agent 를 활용한 성능 테스트 결과 분석
1. 개요 AWS DevOps Agent는 인시던트 대응을 위한 자율형 AI 에이전트입니다. 장애가 발생하면 AWS 리소스와 외부 모니터링 도구(Datadog 등)의 메트릭·로그를 자동으로 수집·분석하고, 근본 원인을 파악하여 우선순위가 지정된 권장사항을 제공합니다. 그런데 한 발 물러서 생각해보면, 성능 테스트 결과 분석도 본질은 같습니다 — “특정 시간대에 시스템에 부하가 가해졌을 때, 어떤 리소스가 어떤 상태였고, 어디가 병목이었는가?”를
BackendDevOpsTesting
전체 읽기 →단일 LLM Gateway 아키텍처 : Claude Code와 Codex를 Amazon Bedrock을 통해 한 곳에서
Claude Code와 Codex를 비롯한 AI 코딩 에이전트는 이미 엔터프라이즈 개발 조직의 일상적인 생산성 도구로 자리잡았습니다. 도구가 빠르게 발전하는 만큼 개발자들은 더 나은 모델과 기능을 따라 다양한 도구를 적극적으로 사용하고 있습니다. 이제 조직의 고민은 “도입할 것인가”가 아니라 “어떻게 운영할 것인가”입니다. AI 코딩 에이전트는 소스 코드와 작업 컨텍스트를 LLM에 전달하고, 그 비용은 사용량에 비례해 발생하며, 어떤 데이터가
AI/MLArchitectureBackendTools
전체 읽기 →동원F&B의 Amazon Bedrock AgentCore 기반 AI 쇼핑 어시스턴트로 쇼핑 경험 혁신 여정
동원F&B는 식품 제조를 넘어 건강한 식문화와 라이프스타일 혁신을 선도하며, 대한민국 대표 종합식품기업으로 자리매김하고 있습니다. 축적된 식품 기술력과 디지털 혁신 역량을 바탕으로, 고객의 일상 전반에 새로운 가치를 제공하는 미래형 푸드&라이프 플랫폼 기업으로 도약하고 있습니다. 동원F&B가 운영하는 ‘동원몰’은 동원을 대표 식품 전문 이커머스 플랫폼으로, 매일 수많은 고객에게 신선하고 다양한 먹거리를 제공하고 있습니다. 유통·제조업계 전반에
AI/MLFrontendTools
전체 읽기 →Amazon S3 Files, 도입 전 반드시 확인해야 할 3가지 고려사항
소개 2026년 4월 7일 Amazon S3 Files가 정식 출시되면서 “S3 버킷을 파일시스템처럼 다룬다”는 메시지가 빠르게 확산되고 있습니다. 4월 21일에는 AWS Lambda 마운트 지원도 추가되어 Amazon EC2, Amazon Elastic Container Service(ECS) (AWS Fargate / Amazon ECS 관리형 인스턴스), Amazon EKS, AWS Lambda 네 가지 컴퓨팅에서 사용할 수 있습니다. 엔
BackendInfraTools
전체 읽기 →Amazon MWAA와 Bedrock AgentCore로 MCP 기반 클라우드 정책 에이전트 구축하기
개요 조직의 클라우드 인프라가 성장하면서 IAM 정책, 보안 그룹, 스토리지 설정, 네트워크 구성 등 수백 개의 정책과 리소스 설정이 여러 계정과 리전에 분산됩니다. DevOps 팀은 인프라 상태를 파악하고, SecOps 팀은 과도한 권한을 찾아내며, Compliance 팀은 규정 준수 여부를 감사하고, FinOps 팀은 리소스 사용 현황을 분석해야 합니다. 그러나 이 모든 팀이 동일한 데이터를 서로 다른 관점에서 […]
DevOpsInfraSecurity
전체 읽기 →에잇퍼센트의 Kiro CLI 기반 Amazon ECS 현대화 여정
이 블로그는 에잇퍼센트와 AWS의 협업으로 작성되었습니다. 현업 운영을 병행하면서 2영업일 만에 레거시 서비스를 Amazon ECS로 전환하고, 월 운영 비용을 약 76% 절감할 수 있을까요? 에잇퍼센트는 AI 코딩 에이전트 Kiro CLI와 오픈소스 AI-Driven Modernization Prompt Sets를 결합해 이를 실현했습니다. 이번 글에서는 에잇퍼센트가 AWS Lift-On 프로그램의 지원을 받아, 소규모 백엔드 팀이 기능 개발
AI/MLBackendDevOpsTools
전체 읽기 →Inner Loop 엔지니어링으로 본 Deep Insight Chatbot – 대화형 분석 챗봇의 4가지 설계 결정
CSV 파일을 LLM에게 전달하고 차트를 생성하는 챗봇은 반나절이면 만듭니다. 하지만 같은 챗봇을 분석가가 매일 쓰게 만들려면 다른 질문에 답해야 합니다. 데이터가 AWS 계정 밖으로 나가지 않도록 어떻게 막을지, group by 하나에 수십 초 이상 걸리지 않게 어떻게 빠르게 답할지, 결과값을 분석가가 못 믿겠으면 어떻게 직접 열어보고 확인하게 할지, 수십 턴짜리 대화의 LLM 비용을 어떻게 줄일지. […]
AI/MLBackendDatabaseDevOps
전체 읽기 →Amazon Bedrock Vision LLM과 Amazon OpenSearch Service를 활용한 농약 제품 이미지 인식 시스템 구축기
(주)경농 파밍노트 고도화 프로젝트 — 농약 제품 사진 한 장으로 제품 정보를 자동 검색하는 AI 시스템의 설계와 구현 과정을 공유합니다. 경농 소개 ㈜경농은 1957년 설립된 농산업 토털 솔루션 기업으로, 작물보호제∙비료∙종자∙관수자재 등 다양한 농자재를 공급하며 한국 농업 기술 발전을 선도하고 있습니다. 경농 스마트팜사업부문은 복합환경제어기∙양액공급시스템 등 자체 기술과 글로벌 기업과의 협력을 기반으로 국내 최고 수준의 스마트팜 솔루션을 [
AI/MLBackendTools
전체 읽기 →Amazon Bedrock 위에서 Codex와 Claude Code 함께 쓰기: Harness Engineering으로 구현해보기
Codex + Claude Code, 이 조합 가능할까? 2026년 상반기, 터미널에서 도는 AI 코딩 에이전트는 더 이상 신기한 도구가 아니라 매일 쓰는 작업 환경이 되었습니다. 시장은 두 축으로 빠르게 수렴했습니다. 하나는 Anthropic의 Claude Code, 다른 하나는 OpenAI의 Codex입니다. 두 도구는 모두 터미널 CLI를 중심에 두면서 IDE·웹·클라우드·SDK까지 같은 엔진을 공유하고, claude -p와 codex e
AI/MLBackendTools
전체 읽기 →프롬프트 인젝션 방어: AgentCore 기반 다층 보안 설계 패턴
들어가며 LLM 기반 에이전트를 프로덕션으로 옮기는 순간, 모든 팀이 한 번쯤 마주치는 질문이 있습니다. “에이전트가 다른 사용자의 데이터를 노출하지 않는다는 걸 어떻게 보장할 수 있나요?” 주문 내역, 의료 기록, 사내 문서, 금융 거래 – 도메인이 무엇이든 질문의 본질은 같습니다. 이 문제를 해결하기 위해 많은 팀이 처음에는 시스템 프롬프트로 해결하려고 합니다. 보안 규칙: - 사용자에게 내부 […]
AI/MLBackendSecurity
전체 읽기 →Sim-to-Real과 Real-to-Sim: 유능한 Physical AI를 가능하게 하는 핵심 엔진
이 글은 AWS Blog의 Sim-to-Real and Real-to-Sim: The Engine Behind Capable Physical AI by Dario Macagnano, Ignacio Sánchez, and Quinn Cheong 게시글을 번역한 글 입니다. 서론 Physical AI 시스템, 즉 현실 세계를 인지하고 추론하며 행동하는 로봇은 빠르게 발전하고 있습니다. Sim-to-Real 파이프라인은 이러한 발전의 핵심에 있습니다
AI/MLBackendInfra
전체 읽기 →신한카드, 온톨로지와 소형언어모델로 고효율 AI 챗봇 구축하기
들어가며: 금융 고객 상담의 새로운 패러다임 신한카드는 대한민국 대표 신용카드사로, 수백만 고객에게 종합 금융 서비스를 제공하고 있습니다. 신한카드는 고객 서비스 품질 향상을 위해 AI 챗봇 레이(Ray)를 지속적으로 발전시켜 왔습니다. 이를 기반으로 보다 진화된 차세대 AI 챗봇을 기획하였고, AWS Generative AI Innovation Center (AWS GenAIIC)와의 협력을 통해 그 토대를 마련하게 되었습니다. 차세대 AI
AI/MLBackendSecurityTools
전체 읽기 →이커머스 부정 반품 요청, AI로 차단한다: Amazon Nova Fine-tuning으로 산업 특화 가드레일 구성하기
요약: 패션 이커머스에서 급증하는 부정 반품 요청을 사전에 차단하기 위해 Amazon Nova 2 Lite 모델을 미세 조정(Fine-tuning)하여 도메인 특화 Custom Guardrail을 구축한 사례를 소개합니다. Fine-tuning을 통해 부정 의도 탐지 정확도를 73.0%에서 94.6%로 21.6%p 향상시켰으며, 비용 효율적인 소형 모델로도 우수한 성능을 달성했습니다. 서론: 패션 이커머스가 직면한 반품 부정 행위 문제 패션 이
AI/MLBackendTools
전체 읽기 →AWS 공간 데이터를 활용한 건물 검사 인텔리전스 구축
이글은 AWS Blog의 “Building Inspection Intelligence with AWS Spatial Data by Michael Prevost, Frantz Lohier, Graeme McHale, Jim Kennedy” 게시글을 번역한 글 입니다. AWS 기반 검사 워크플로를 위한 공간 데이터 관리 실용 가이드 서론 산업 전반에 걸쳐 검사 팀은 자산 상태를 정확하게 문서화하고, 규정 준수 요구사항을 충족하며, 데이터 수집 후
AI/MLBackendInfra
전체 읽기 →