GS에너지의 Amazon Bedrock 기반 전사 Claude 도입 과정에서의 사내 인증, 비용 관리와 업무 시스템 연계
이 블로그는 GS에너지와 AWS가 함께 작성했습니다. 1. 전사 AI 서비스 도입 배경 GS에너지는 GS그룹 에너지 부문의 지주회사로, 계열사와 함께 정유·석유화학, 발전·집단에너지, LNG 터미널 등 에너지 사업을 운영하고 있습니다. Digital Tech팀은 이러한 사업을 지원하는 IT 시스템을 운영하며, 안정성과 보안을 기반으로 새로운 기술의 전사 활용을 추진하고 있습니다. 사내 생성형 AI 활용 수요가 늘면서, GS에너지는 비용 통제와
AWS AI-DLC Reverse Engineering: I/O 매트릭스로 모놀리스 공유 변수를 분해하여 spec 및 검증 기준으로 활용하기
레거시 모놀리스를 AI 코딩 도구로 현대화하면 문법 변환은 금방 끝납니다. 시간이 오래 걸리는 것은 공유 변수를 나누는 일입니다. 처리 단계 수십 개가 전역 상태와 공유 메모리를 함께 읽고 쓰는 코드에서는 단계마다 무엇을 입력받고 무엇을 출력하는지가 함수 시그니처에 드러나지 않습니다. 이런 공유 변수를 단계별 DTO로 옮기다 보면 숨은 입력을 빠뜨리거나, 현재 값이 아닌 낡은 값을 넘기는 […]
SGLang을 활용한 다국어 및 Multimodal Decision Model 구성하기
생성형 AI 트래픽의 절반은 판단 생성형 AI를 프로덕션에 도입한 조직의 LLM 호출을 들여다보면 두 종류가 섞여 있습니다. 하나는 진짜 생성입니다. 요약하고, 작성하고, 대화합니다. 다른 하나는 판단입니다. “이 요청은 어떤 카테고리인가”, “이 이미지는 어떤 상태인가”, “이 고객 문의는 어떤 조치가 필요한가”를 가리는 일입니다. 판단은 선택지 중 하나를 고르는 일이라 생성이 필요 없는데, 자연어와 이미지를 이해하는 도구가 […]
AWS에서 Laya를 통한 Decision Model 학습 및 배포 환경 구성하기
2026년 9월 TypeSafe AI가 공개한 Jev를 계기로, 텍스트를 생성하지 않고 판단 결과를 선택지별 확률로 돌려주는 Decision Model이 LLM을 대신하여 판단을 처리하는 옵션으로 등장했습니다. 이 글은 두 가지를 다룹니다. 하나는 오픈소스 Decision Model인 Laya를 Amazon SageMaker에서 추가 학습하고 실시간 엔드포인트로 배포해 호출하는 구성 가이드이고, 다른 하나는 동일한 판단을 구현하는 네 가지 방식
AWS Emulator 시작하기 – 계정 없이 AWS 애플리케이션을 로컬에서 테스트하는 방법과 활용 사례
AWS SDK를 호출하는 코드의 통합 테스트는 어디에서 실행하고 계신가요? 개발 계정에서 실행하면 리소스를 만들고 지우는 시간과 비용이 들고 CI 작업에 자격 증명도 넘겨야 합니다. SDK를 모의 객체(mock)로 바꾸면 빠르지만 조건부 쓰기 실패나 없는 객체 조회처럼 실제 서비스가 돌려주는 오류를 재현하기 어렵습니다. 2026년 11월 11일 공개된 AWS Emulator는 AWS API를 로컬 프로세스 하나로 흉내 내는 테스트 […]
데이터 사이언티스트 없이 수요 예측 자동화, 다이닝브랜즈그룹의 Amazon SageMaker Canvas 활용기
들어가며 외식 프랜차이즈에서 식자재 수요예측은 매출과 운영 효율에 직접적인 영향을 미치는 업무입니다. 수요보다 많이 발주하면 재고와 폐기 부담이 커지고, 반대로 부족하면 품절로 이어져 매장 운영과 고객 경험에 영향을 줄 수 있습니다. 특히 신선계육처럼 유통기한이 짧은 품목은 일별 수요 변화에 맞춰 발주량을 예측하는 것이 중요합니다. 다이닝브랜즈그룹은 BHC를 비롯한 다양한 외식 브랜드를 운영하며, 가맹점과 직영점에 식자재를 공급하고 […]
KB증권 AI 에이전트는 어떻게 최적의 모델을 선택할까? – Amazon Bedrock 기반 Context Tier-Routing
들어가며 – 모든 질문을 같은 LLM으로 처리하는 게 맞을까? KB증권은 ‘슈퍼 금융 에이전트’를 지향하며, 다양한 스킬(Skill)과 도구(Tool)를 자율적으로 선택하고 활용하는 사내 에이전틱 AI 서비스 ‘깨비AI’를 자체 구축해 운영하고 있습니다. 깨비AI는 KB증권 전 임직원을 위한 AI 어시스턴트입니다. 업무 지식 검색, 투자 분석, 문서 작성 및 검토, 계약서 법무검토 등 증권 업무 및 사내 업무에 특화된 다양한 […]
AV 3.0과 데이터 플라이휠: 자율주행의 승부처가 모델에서 데이터 파이프라인의 회전 속도로 옮겨 가는 이유 (1부)
들어가며 자율주행은 이제 모델 성능만의 경쟁이 아니라, 자사 데이터로 얼마나 빠르게 재학습·검증하느냐의 경쟁으로 옮겨가고 있습니다. NVIDIA CEO 젠슨 황이 CES 2026에서 “Physical AI의 ChatGPT 모멘트”를, GTC에서 자율주행을 “최초의 수조 달러 규모 로보틱스 산업”이라 표현한 것도 이 변화를 가리킵니다. Physical AI는 물리 세계를 인지·추론·행동하는 AI이고, 자율주행은 그 대표 분야입니다. 2026년 3
AWS를 활용한 CMMC Level 2 인증 준비: 국내 방산 기업을 위한 안내
서론 미국 국방부(DoD)와 계약하거나 미국 방산 기업의 공급망에 참여하는 국내 기업은 계약에 적용되는 사이버 보안 요구사항을 확인해야 합니다. 2025년 11월 10일 CMMC(Cybersecurity Maturity Model Certification) 조달 규칙이 발효되면서 적용 대상 조달에 CMMC 요구사항이 단계적으로 반영되고 있습니다. 필요한 CMMC 수준과 평가 방식은 조달 공고 및 계약 조건에 따라 달라집니다. 어느 수준이든 공통
유진그룹의 온톨로지 여정: Amazon Neptune과 Amazon Bedrock으로 건자재 유통 데이터를 지식 그래프로 전환하기
유진그룹 AI CoE가 주관하고, 메가존클라우드(MZC)가 수행사로, AWS가 기술 지원으로 참여한 온톨로지 기반 지식 그래프 프로젝트 사례입니다. 그룹 내 건자재 유통 회사인 유진홈센터의 운영 데이터를 대상으로, 검증된 학술 방법론(R2G, GRAD)과 산업 표준 온톨로지(GoodRelations, schema.org, GS1)를 결합해 관계형 데이터베이스(RDBMS)를 Amazon Neptune 기반 지식 그래프로 전환한 과정을 공유합니다.
게임듀오가 Amazon EC2 기반 ClickStack으로 게임 서버 관측성 비용을 절반 이하로 줄인 방법
게임듀오(GAMEDUO)는 10여 종의 모바일 게임을 라이브로 운영하며 250대가 넘는 게임 서버에서 하루 1~2억 건의 로그와 4~6억 건의 요청 추적 기록(스팬)을 수집합니다. 게임듀오는 이 관측성(Observability) 데이터를 SaaS 모니터링 서비스에서 Amazon EC2 기반 ClickStack(ClickHouse + OpenTelemetry + HyperDX)으로 옮겼습니다. 개발팀 7명 중 한 명이 설계부터 구축과 운영까지 맡
스마일게이트의 MS SQL 데이터베이스 현대화 – AWS Transform for SQL Server와 Claude Code의 하이브리드 전략
SQL Server 기반 .NET 애플리케이션을 Aurora PostgreSQL로 전환한 스마일게이트 STOVE 스토어 사례 스마일게이트는 2002년 설립된 글로벌 게임 기업으로, ‘크로스파이어’, ‘로스트아크’, ‘에픽세븐’ 등을 전 세계에 서비스하고 있습니다. <스마일게이트 소개 페이지> STOVE 는 스마일게이트가 2015년 선보인 PC 게임 플랫폼으로, 게임 유통과 결제 및 상점 서비스, 인디게임 레이블 ‘스토브인디’를 운영하며 글로벌로
PennyLane을 활용한 Amazon Braket에서의 Max-Cut 문제의 해결 (2부) – 세 가지 실행 방식 비교
지난 1부에서는 Max-Cut 문제와 QAOA(양자 근사 최적화 알고리즘)의 개념을 살펴보고, 그래프 생성, 비용 및 믹서 해밀토니언, QAOA 양자 회로, 비용 함수 최적화, 비트 문자열 확률 계산, 그리고 디바이스를 선택하는 get_device_instance 함수까지 PennyLane으로 구현한 maxcut_qaoa 모듈의 코드를 단계별로 설명했습니다. 이번 2부에서는 그 코드를 그대로 가져와 세 가지 방식으로 실행해 보고 차이를 비교합니
하나의 플랫폼으로 두 가지 에이전트 런타임 운영하기: 웅진씽크빅의 Amazon Bedrock AgentCore 및 Amazon EKS 기반 플랫폼 구축기
들어가며 AI 에이전트 개발에 대한 수요가 폭발적으로 증가함에 따라 사내 AI 에이전트 및 기반 환경을 관리하기 위한 플랫폼에 대한 관심도도 증가하고 있습니다. AI 에이전트를 개발하기 위해서는 업무에 필요한 도구를 연결하고, 대화 이력을 관리하고, 실행 환경에 배포한 뒤 사용자가 실제로 응답을 받을 수 있는지 확인하는 등 일련의 작업이 요구되며, 에이전트가 늘어날수록 이러한 공통 기능을 여러 팀이 […]
인코어드의 AWS HPC 환경에서 WRF 실행하기 [2부: MPI/OpenMP 하이브리드 병렬화 튜닝 심층 분석]
신재생 에너지 전문기업 인코어드(Encored)는 재생에너지 발전량 예측을 위해 고해상도 기상 시뮬레이션을 오픈소스 기상 모델 WRF로 수행하며, 온프레미스 클러스터 없이 AWS HPC 전용 인스턴스 위에서 운영하고 있습니다. 이 글은 AWS HPC 전용 인스턴스에서 WRF를 운영한 경험을 정리한 2부작 시리즈의 두 번째 글입니다. 1부에서 “어느 인스턴스를 몇 노드로 고를 것인가”를 다뤘다면, 2부의 질문은 하나입니다. 같은 인스턴스, 같은
Amazon Bedrock Managed Agents: OpenAI 에이전트를 AWS에서 운영하는 방법
에이전트를 직접 만들다 보면 정작 모델을 호출하는 코드보다 그 주변을 챙기는 코드가 더 길어지곤 합니다. 모델이 요청한 도구를 실행하고 결과를 다시 모델에 넣는 반복 루프를 짜야 합니다. 여러 턴에 걸친 대화를 저장하고, 길어진 컨텍스트도 정리해야 합니다. 명령을 실행할 격리된 환경과 그 권한까지 애플리케이션이 직접 준비해야 했습니다. Amazon Bedrock Managed Agents, powered by OpenAI(이하 BMA)는 이 [
Amazon Bedrock Guardrails로 Claude Enterprise에 조직의 DLP 정책 적용하기
2026년 11월 기준으로 작성한 보안 및 인프라 엔지니어 대상 구현 예제입니다. 직원이 고객 연락처나 내부 문서를 생성형 AI에 입력할 때, 조직은 개인정보와 영업 비밀을 다루는 내부 규정에 따라 그 요청을 허용할지 판단하고 근거를 남겨야 합니다. 이를 위해서는 어떤 정보를 검사하고 어떤 조건에서 요청을 거부할지 구체적으로 정해야 합니다. 하지만 이 기준을 생성형 AI 사용에 실제로 적용하기는 […]
AWS에서 AI 에이전트 실행 환경 격리하기 4부: Amazon Bedrock AgentCore Runtime, 관리형 샌드박스의 동작과 선택 기준
1부와 2부에서는 Amazon EKS에 Agent Sandbox와 gVisor를 구성하고, 모델이 생성한 코드를 막으려면 Pod 보안 설정, gVisor, NetworkPolicy, 전용 노드 그룹의 IMDS 설정이라는 4개 계층이 함께 있어야 한다는 것을 확인했습니다. 3부에서는 에이블리가 Agent Sandbox와 Karpenter로 사내 AI Builder 작업 환경의 수명 주기를 관리하는 사례를 살펴보았습니다. 애플리케이션은 유휴 판단과