

Amazon Bedrock Knowledge Bases: 데이터 특성을 고려한 분할 전략으로 검색 성능 최적화하기
FAQ 같은 짧은 구조화 데이터는 일반 청킹보다 No Chunking이 더 적합했습니다.\nCSV와 메타데이터를 활용해 검색 정확도와 검증 편의성을 높이는 방법을 소개했습니다.


FAQ 같은 짧은 구조화 데이터는 일반 청킹보다 No Chunking이 더 적합했습니다.\nCSV와 메타데이터를 활용해 검색 정확도와 검증 편의성을 높이는 방법을 소개했습니다.


Amazon Bedrock 기반으로 FAQ Fast-Path와 Advanced RAG를 결합한 고객 응대 챗봇 구축 사례를 소개했습니다. 또한 비식별화, Guardrails, VPC·PrivateLink로 금융 서비스 수준의 보안성을 강화했습니다.


자동차 소프트웨어 요구사항이 방대해지면서 테스트 케이스 생성과 검증의 부담이 커졌습니다. 생성형 AI와 VEW를 결합해 분류와 테스트 케이스 생성을 자동화하고, 인간 검토를 거쳐 정확도를 유지했습니다.


생성형 AI와 데브옵스를 결합해 소프트웨어 딜리버리를 가속화하는 방안을 소개했습니다. 코드 이해와 테스트 생성, SDLC 병목 분석, 이슈 자동화 사례를 중심으로 설명했습니다.


카카오게임즈가 Amazon Bedrock으로 실시간 게임 채팅 번역 시스템을 구축한 사례를 소개했습니다. 프롬프트 중심 구조와 캐싱, 모니터링으로 저지연과 운영 효율을 확보했습니다.


Amazon Bedrock AgentCore Memory와 Custom Memory로 쇼핑 에이전트의 개인화 추천을 구현한 사례를 소개했습니다. 긴 대화 전체보다 중요한 정보만 메모리로 구조화해 더 적은 토큰으로 높은 추천 품질을 얻는 방법을 설명했습니다.


Amazon Bedrock과 Streamlit을 활용해 AWS 리소스와 비용을 자연어로 관리하는 챗봇을 소개했습니다. 콘솔 탐색을 줄이고 모니터링, 분석, 최적화를 한 화면에서 제공하는 점이 핵심입니다.


Amazon Bedrock과 AWS Lambda로 독서 문항 초안 생성 과정을 자동화한 사례입니다. 프롬프트 관리와 캐싱, 병렬 처리를 통해 비용과 작업 시간을 줄였습니다.


코오롱몰은 이미지에만 있던 상품 속성을 LLM으로 추출해 검색과 필터에 활용할 수 있게 했습니다. 그 결과 추출 시간과 비용을 크게 줄이고, 사이즈탭 노출과 구매 전환율도 높였습니다.


한국일보는 AWS 기반으로 인물 사진 자동 분류와 AI 검색 시스템을 구축했습니다. 수작업 태깅을 줄이고 맥락 중심 검색을 가능하게 했습니다.


KCC가 Amazon Bedrock Tool Use로 부서별 업무를 연결하는 Multi Agent 플랫폼을 구축한 사례를 소개했습니다. 손익 분석 중심의 에이전트 아키텍처와 Text2SQL, 가드레일, 프롬프트 캐싱 적용 방식도 공유했습니다.


경농이 스마트팜 지원을 위해 농업 특화 생성형 AI 챗봇을 구축했습니다. RAG, 벡터 검색, 용어 사전과 쿼리 증강으로 정확한 응답을 높였습니다.