이 글에서는 Amazon Nova Canvas에서 제공하는 가상 시착 기능을 탐구하며, 빠르게 시작할 수 있는 샘플 코드와 최상의 결과를 얻는 데 도움이 되는 팁을 제공합니다.

AWS China Applied Science팀이 어려운 VOC 분류 작업에 Nova Forge를 평가한 결과와 오픈 소스 모델과의 벤치마킹 결과를 공유합니다.

Amazon Bedrock Guardrails를 구성하고 효율적인 성능을 위한 Best Practices를 구현하며, 응용 프로그램을 보호하고 적절한 안전과 사용자 경험 간의 균형을 유지하기 위해 배포를 효과적으로 모니터링하는 방법을 소개합니다.

아마존 Bedrock, 아마존 Bedrock 지식베이스, AWS Lambda 및 기타 AWS 서비스를 활용하여 AI 기반 채용 시스템을 구축하는 방법 소개. 인재 모집 설명서 작성, 후보자 소통, 면접 준비 등을 개선하면서도 인간의 감독 유지.

이 포스트는 Amazon Bedrock을 사용할 때 응용 프로그램 신뢰성과 사용자 경험을 향상시킬 수 있는 강력한 오류 처리 전략을 구현하는 방법을 보여줍니다. 이 포스트에서는 이러한 오류에 대한 응용 프로그램의 성능 최적화 전략에 대해 깊이 파헤칩니다.

기업 LLM fine-tuning을 효율적이고 확장 가능한 솔루션으로 변화시키는 방법을 소개하며, 도메인 특화 응용 프로그램에서 더 나은 모델 성능을 달성하기 위한 것.

이 글에서는 Amazon Nova 루브릭 기반 판사 기능을 탐구하며, 루브릭 기반 판사가 무엇인지, 판사가 어떻게 훈련되는지, 고려해야 할 지표 및 판사를 보정하는 방법에 대해 다룹니다. Amazon Nova 루브릭 기반 LLM-판사 방법론의 노트북 코드를 공유하여 SageMaker 훈련 작업을 사용하여 두 가지 다른 LLM의 출력물을 평가하고 비교합니다.

Amazon Nova 다중 모달 임베딩을 미디어 자산 검색 시스템, 제품 발견 경험, 문서 검색 애플리케이션에 구성하고 사용하는 방법에 대해 배울 수 있습니다.

이 게시물은 Amazon Bedrock AgentCore를 사용하여 기업 AI 에이전트를 구축하는 아홉 가지 필수적인 모범 사례를 탐색합니다. 초기 범위 설정부터 조직 확장까지, 규모에 맞게 AI 에이전트를 만들고 배포하며 관리하기 위해 필요한 서비스를 제공하는 AgentCore에 대해 실용적인 지침을 다룹니다.

아마존에서의 세밀 조정 기술을 통해 위험한 약물 오류가 33% 감소하고, 인간 노력이 80% 감소하며, 콘텐츠 품질 평가가 77%에서 96%까지 향상되는 방법에 대해 소개하고 있습니다. 이를 위해 지도 세밀 조정(SFT), PPO, DPO, GRPO, DAPO, GSPO 등의 기술을 상세히 설명하고 있습니다.

이 두 파트 시리즈의 첫 번째에서 기존의 데브옵스 아키텍처를 발전시키고 생성 모델 AI 워크로드를 위한 GenAIOps 실천 방법을 구현하는 방법을 배웁니다. 다양한 생성 모델 AI 채택 수준에 대한 실용적인 구현 전략을 소개하며, 기초 모델 소비에 초점을 맞춥니다.

이 게시물에서는 Amazon S3 일반 버킷에서 직접 데이터를 읽는 ML 훈련 워크로드의 처리량을 최적화하기 위한 실용적인 기술과 권장 사항을 제시합니다.

아마존 퀵 스위트를 사용하여 챗 에이전트를 구축하는 방법을 소개하고, 신원, 지침, 지식 세 가지 계층 구조를 통해 퀵 스위트 챗 에이전트를 지능적인 기업용 AI 어시스턴트로 변환하는 과정을 안내합니다. 예시를 통해 챗 어시스턴트가 기능 발견을 안내하고, 기업 데이터를 활용하여 추천을 제공하며, 영향 가능성과 팀의 채택 준비도에 따라 솔루션을 맞춤화하는 방법을 보여줍니다.

Amazon Nova Sonic은 Amazon Bedrock 양방향 스트리밍 API를 통해 비즈니스 데이터 및 외부 도구에 연결되며 전화 시스템과 직접 통합될 수 있다. 이 포스트에서는 가장 일반적인 전화 시나리오에 대한 샘플 구현을 소개한다.

Snowflake AI Data Cloud와 Amazon Web Services(AWS) 도구를 활용하여 조직이 데이터 기반 의사결정을 내리고 운영 효율을 높이며 경쟁 우위를 확보할 수 있는 생성적 AI 솔루션을 구축하는 방법에 대해 다루고 있습니다.

Spectrum을 사용하여 리소스 사용을 최적화하고 학습 시간을 단축하는 방법을 배우고, Amazon SageMaker AI 학습 작업에서 Spectrum Featuning을 구현하는 방법을 알아봅니다. 또한 QLoRA와 Spectrum Featuning 사이의 트레이드오프에 대해 논의하며, QLoRA가 리소스를 더 효율적으로 사용하는 반면 Spectrum은 전반적으로 더 높은 성능을 제공한다고 보여줍니다.

본문에서는 다중 에이전트, 다중 모달 인공지능 시스템을 위한 네 가지 핵심 협업 패턴을 탐구하며 – 도구로서의 에이전트, 스왐 에이전트, 에이전트 그래프, 에이전트 워크플로우 – 각각을 언제, 어떻게 적용해야 하는지에 대해 오픈소스 AWS Strands Agents SDK와 아마존 노바 모델을 사용하는 방법에 대해 논의합니다.

의료 및 생명 과학 분야에서 책임 있는 AI 시스템을 구축하기 위한 중요한 설계 고려 사항을 탐구하며, 건강한 AI 응용 프로그램의 안전하고 효과적인 보장을 위해 거버넌스 메커니즘, 투명성 아티팩트 및 보안 조치에 초점을 맞춥니다. 이 글은 오류와 편향과 같은 위험을 완화하기 위한 필수 정책들을 다루며, AI 개발 수명 주기 전반에 걸쳐 신뢰, 책임, 환자 안전을 증진합니다.

AWS Generative AI 혁신 센터의 고객 프로젝트 중 65%가 성공적으로 컨셉에서 상용화로 전환되는 데 도움을 준 Five V’s Framework를 소개한다. 이 프레임워크는 가치, 시각화, 유효성 검증, 검증, 벤처 단계를 통해 구조화된 접근을 제공하며, “AI가 무엇을 할 수 있는가?”에서 “우리가 AI에게 무엇을 필요로 하는가?”로 초점을 옮기면서 솔루션이 측정 가능한 비즈니스 결과와 지속 가능한 운영 우수성을 제공하도록 한다.

기업이 창의적 AI 프로젝트 우선 순위 결정 방법론에 책임 있는 AI 실천을 체계적으로 통합하는 방법을 탐색하며 비즈니스 가치와 비용을 평가하고 환각 및 규제 준수와 같은 새로운 위험을 해결함에 있어서 어떻게 더 나은 결과를 얻을 수 있는지 살펴봅니다. 이 글은 실제 예시를 통해 미리 책임 있는 AI 위험 평가를 수행함으로써 프로젝트 순위를 크게 바꿀 수 있음을 보여줍니다.

해당 포스트에서는 올바른 모델을 선택할 때 도움이 되는 종합적이고 경험적인 평가를 구축하는 방법에 대해 논의합니다.

Amazon Bedrock 내에서 구축된 네 가지 중요하고 널리 받아들여진 사용 사례를 공유합니다. 이는 실제 고객 배포, AWS 파트너사의 제공, 경험을 통해 지원됩니다. 이러한 예는 각 산업군에서 자체 AI 채택 전략 및 사용 사례를 연구하는 조직에 이상적입니다.

아마존 베드락 에이전트코어는 실험적인 컨셉에서 제품화된 시스템으로의 전환을 도와주는 방법을 탐구합니다. 이를 통해 고객 지원 에이전트가 로컬 프로토 타입에서부터 복수의 동시 사용자를 처리하면서 보안 및 성능 기준을 유지할 수 있는 기업급 솔루션으로 진화하는 과정을 살펴봅니다.

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.

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

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.

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.

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.

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.

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.

이 포스트에서는 Amazon Q 지수와 MCP를 결합하는 최적의 방법과 통합 패턴을 탐색하여 기업이 안전하고 확장 가능하며 실행 가능한 AI 검색 및 검색 아키텍처를 구축할 수 있도록 도와줍니다.

2024년, 일본 경제산업성이 Generative AI 가속기 도전을 시작했고, AWS는 GENIAC의 두 번째 사이클을 위해 클라우드 제공업체로 선정되어 12개 기관에 기반 모델 개발을 위한 인프라와 기술 지원을 제공했다.

본문에서는 서버리스 데이터 호수 아키텍처를 활용하여 안전한 RAG 애플리케이션을 구축하는 방법을 탐구합니다. Amazon S3, Amazon DynamoDB, AWS Lambda, Amazon Bedrock Knowledge Bases 등 AWS 서비스를 사용하여 비정형 데이터 자산을 지원하고 구조화된 데이터로 확장할 수 있는 종합 솔루션을 만드는 방법을 다룹니다. 기업 데이터에 대한 세밀한 액세스 제어를 구현하고 보안 경계를 준수하는 메타데이터 기반 검색 시스템을 설계하는 방법을 다루며, 이러한 접근법은 조직의 데이터 가치를 극대화하고 견고한 보안 및 규정 준수를 유지하는 데 도움이 됩니다.

AWS에서 ML 모델을 세밀하게 튜닝할 때 특정한 필요에 맞는 적절한 도구를 선택할 수 있다. AWS는 데이터 과학자, ML 엔지니어, 비즈니스 사용자들이 ML 목표를 달성할 수 있도록 포괄적인 도구 모음을 제공한다. SageMaker 훈련 작업부터 HyperPod까지 다양한 ML 심도를 지원하는 솔루션을 구축했다. 현재 필요에 맞는 것부터 시작하여 접근 방식을 발전시켜가는 것을 권장한다.

Amazon OpenSearch Service를 벡터 저장소로 활용하여 효율적인 RAG 애플리케이션을 구축하는 방법을 소개합니다.

Boomi가 AWS와 협력하여 기업이 Agent Control Tower를 활용하여 자신감을 갖고 AI 채택을 가속화하고 확장할 수 있도록 도와주는 방법을 소개합니다.

Amazon Q 개발자 CLI를 사용하여 AWS Diagram MCP 및 AWS Documentation MCP 서버와 함께 고급 아키텍처 다이어그램을 생성하는 방법에 대해 살펴봅니다. 기본 다이어그램과 실제 다이어그램에 대한 기술, 자세한 예제 및 단계별 지침에 대해 설명합니다.

이 포스트에서는 Amazon Q CLI를 AWS Cost Analysis MCP 서버와 함께 사용하여 AWS 최상의 실천 방법을 따르는 정교한 비용 분석을 수행하는 방법을 탐색합니다. 기본 설정과 고급 기술, 자세한 예제 및 단계별 지침에 대해 설명합니다.

이 포스트에서는 Amazon Bedrock Guardrails에서 제공하는 새로운 안전장치 계층을 소개하고, 이점 및 사용 사례를 설명하며, AI 애플리케이션에서 이를 구현하고 평가하는 방법에 대한 지침을 제공합니다.

Amazon Bedrock의 채택이 증가함에 따라, 비용 최적화는 필수적이며 조직의 예산과 일치시키고 관리 가능한 생성적 AI 애플리케이션의 배포 및 운영 비용을 돕는다. 이 글에서는 Amazon Bedrock을 사용하면서 전략적 비용 최적화 기술에 대해 배울 수 있다.

이 블로그 포스트에서는 자연어 및 이미지 쿼리를 사용하여 시맨틱 비디오 검색을 위해 대형 비전 모델(LVMs)을 활용하는 방법을 소개합니다. 시간 프레임 부드럽게 하는 등의 사용 사례별 메소드를 소개하여 비디오 검색 성능을 향상시킵니다. 또한, Hugging Face Model Hub의 공개 LVMs를 활용하여 비디오, 이미지 및 텍스트 처리를 수행하기 위해 Amazon SageMaker AI에서 비동기 및 실시간 호스팅 옵션을 사용하여 이 접근 방식의 엔드 투 엔드 기능을 설명합니다. 마지막으로 Amazon OpenSearch Serverless를 사용하여 저지연 시맨틱 비디오 검색을 수행합니다.

본문에서는 다중 계정을 가진 기업이 공유 Amazon SageMaker HyperPod 클러스터에 액세스하여 다양한 작업을 실행하는 방법에 대해 논의합니다. SageMaker HyperPod 작업 규제를 사용하여 이 기능을 가능하게 합니다.

기후 기술 스타트업들이 환경 데이터를 활용한 기본 모델(FMs)을 개발하여 탄소 포집, 탄소 부정적 연료, 미세 플라스틱 파괴를 위한 새로운 소재 디자인, 생태계 보존 등의 문제에 대처하고 있음. 이러한 특수 모델은 방대한 양의 데이터를 효과적으로 처리하고 분석하기 위해 고급 컴퓨팅 능력이 필요함.

글에서는 성숙한 생성형 AI 기반의 개요를 제시하고 구성 요소를 탐구하며 종단간의 전망을 제시합니다. 다양한 운영 모델을 살펴보고 해당 기반이 그 한계 내에서 운영될 수 있는 방법을 탐구합니다. 마지막으로 기업이 진화 경로를 평가하는 데 도움이 되는 성숙도 모델을 제시합니다.

이 글에서는 아마존 노바 캔버스 이미지 생성 모델에 초점을 맞추고, 이미지 생성 과정(확산)의 개요를 제공하며, 아마존 노바 캔버스를 활용한 텍스트-이미지 생성을 위한 입력 매개변수에 대해 깊이 파헤칩니다.

Amazon Q Business를 사용하여 백엔드 통합을 위한 사용자 정의 플러그인을 구축하는 방법을 소개합니다. 이 플러그인은 기존 시스템과 제3자 시스템을 몇 주 만에 개발없이 통합하고 중요한 워크플로를 자동화할 수 있습니다. 또한 Amazon Cognito 및 AWS IAM Identity Center를 사용하여 솔루션을 안전하게 유지하고 민감한 데이터 및 워크플로의 무결성을 유지하는 방법을 보여줍니다.

본 포스트는 RAG 기반 응용 프로그램을 위한 기본 환각 탐지 시스템을 만드는 방법을 안내하며, 정확도, 정밀도, 재현율 및 비용 측면에서 다른 방법의 장단점을 고려합니다.

Amazon Q Business를 사용하여 질문에 답변하고 요약을 제공하며 콘텐츠를 생성하는 등 다양한 AI 기능을 활용하여 금융 연구를 지원하는 방법을 안내합니다.

Amazon Bedrock에서 Meta Llama 3.2 다중 모달 모델을 파인튜닝하는 포괄적인 최상의 방법과 과학적 통찰을 공유합니다. 이 가이드라인을 따르면 작고 비용 효율적인 모델을 파인튜닝하여 더 큰 모델과 어느 정도 견줄 만한 성능을 달성할 수 있으며, 추론 비용과 지연 시간을 줄이면서도 특정 사용 사례에 대한 높은 정확도를 유지할 수 있습니다.

제너레이티브 AI가 산업을 혁신함에 따라 기관들은 그 잠재력을 활용하고자 합니다. 그러나 생산 준비 솔루션에서 완전한 규모의 구현으로 이어지는 여정은 독특한 운영 및 기술적 고려 사항을 제시할 수 있습니다. 본문은 유럽, 중동, 아프리카 (EMEA) 지역의 AWS 고객들이 이 전환을 성공적으로 해내며 얻은 주요 통찰과 교훈을 탐구하며, 이에 따라 따르려는 다른 이들을 위한 로드맵을 제시합니다.

Salesforce의 AI 모델 서빙팀은 자연어 처리와 AI 능력을 기업 애플리케이션에 최적화하는 데 중점을 두고 있으며, Amazon SageMaker를 활용하여 모델 배포의 한계를 넓히고 있다.

Clario와 AWS의 협업은 AWS AI 및 머신러닝 서비스, Anthropic의 Claude와 같은 생성 모델을 통해 생명 과학 산업의 문서 생성 프로세스를 간소화하고 특히 복잡한 임상 시험 프로세스에 도움이 되었다.

이 글에서는 Amazon Connect 내에서 Amazon Q를 활용하여 비즈니스 생산성을 높이는 방법을 소개하며, 연구, 데이터 분석, 사기 사례 보고 등을 가능하게 하는 통찰력 제공에 초점을 맞춥니다.

이 기사는 Amazon Bedrock 에이전트를 활용하여 기업이 고급 오류 처리 도구와 자동 스키마 탐지를 통해 데이터베이스 쿼리 효율성을 향상시키는 확장 가능한 텍스트-SQL 솔루션을 구현하는 방법을 보여줍니다.