넷마블넥서스의 AI 코딩 도구 도입기 – 게임 개발팀의 Kiro 도입 및 활용 여정
게임 개발 조직에 Kiro를 도입하며 실무 챔피언과 Steering 파일 중심의 확산 전략을 적용했습니다.\nSpec·MCP 연동으로 활용 범위를 넓히고, 리뷰와 테스트 체계의 중요성도 확인했습니다.


게임 개발 조직에 Kiro를 도입하며 실무 챔피언과 Steering 파일 중심의 확산 전략을 적용했습니다.\nSpec·MCP 연동으로 활용 범위를 넓히고, 리뷰와 테스트 체계의 중요성도 확인했습니다.

Amazon Bedrock AgentCore로 사내 데이터 연결·에이전트 실행·공유를 통합한 AX 플랫폼을 구축했습니다. MCP, 승인 워크플로, 사용량 관측으로 보안과 재사용성을 강화했습니다.

GS에너지는 SMUS와 Bedrock AgentCore를 결합해 프로젝트 구독 기반 데이터·에이전트 플랫폼을 구축했습니다. JWT·IAM·MCP의 권한 경계를 분리해 사용자 권한 내 데이터 조회를 구현했습니다.

AWS에서 VLA·강화학습용 Physical AI 학습, 시뮬레이션 검증, 엣지 배포 파이프라인을 구성했습니다.\n학습 특성에 따라 SageMaker Pipelines·HyperPod를 선택하고 Greengrass로 모델을 배포합니다.

무븐트는 AWS 이벤트 기반 파이프라인으로 댄스 영상을 구조화된 학습 데이터로 변환했습니다.\nGPU 추론과 API를 분리한 다중 계층 서빙으로 성능과 확장성을 개선했습니다.

SageMaker Studio의 TIP로 사용자 ID를 Athena·S3·Lake Formation까지 전파하는 구성을 안내했습니다. S3 Access Grants와 CloudTrail을 통해 사용자별 권한 제어 및 감사 추적을 구현했습니다.

AWS Elastic Disaster Recovery로 온프레미스 21대 서버의 DR 환경을 구축한 사례를 정리했습니다. 복제, 부팅, 서비스 단계의 이슈와 서버별 복구 목표 설정 과정을 공유했습니다.

Amazon EKS와 NVIDIA FLARE로 연합학습을 구성하는 방법과 CSE 평가 흐름을 설명했습니다. 세 가지 데이터 시나리오를 통해 전역 모델의 수렴, 일반화, 운영상의 관찰 포인트를 보여주었습니다.

Strands Agents와 Bedrock AgentCore로 발전설비 진단 보조 에이전트를 구성한 사례를 소개했습니다. 판단 절차와 데이터 조회를 분리하고 검색·응답을 따로 평가한 점이 핵심입니다.

발전소 진단 지식을 Strands Agents와 Bedrock AgentCore로 연결하는 방법을 소개했습니다. 검색 계층과 응답 계층을 분리 평가해 근거 기반 진단 흐름을 설계했습니다.

Rebellions는 AWS 기반 EDA 환경으로 NPU 개발의 병목인 실행 시간과 자원 확장 문제를 검증했습니다.\nLogic Simulation, DFT, Physical Design에서 온프레미스 대비 성능 개선과 운영 유연성을 확인했습니다.

AWS 네트워크 요금을 연결 방식별로 비교하며 VPC 간 및 온프레미스 연동 비용 구조를 정리했습니다. 경로와 방향에 따라 달라지는 전송·처리 요금을 기준으로 설계 체크포인트를 제시했습니다.
![AWS 네트워크 데이터 전송 및 처리 요금, 아키텍처로 이해하기 [3부: VPC 간 연결과 하이브리드]](https://d2908q01vomqb2.cloudfront.net/2a459380709e2fe4ac2dae5733c73225ff6cfee1/2026/09/20/aws-networking-pricing-3-1120x630.png)
같은 리전 안에서 AZ 경계를 넘는 트래픽의 과금 규칙을 서비스별로 정리했습니다. NLB, RDS, ElastiCache, EKS에서 비용을 줄이는 설정과 관측 방법도 함께 설명했습니다.
![AWS 네트워크 데이터 전송 및 처리 요금, 아키텍처로 이해하기 [2부: 리전 안의 트래픽]](https://d2908q01vomqb2.cloudfront.net/2a459380709e2fe4ac2dae5733c73225ff6cfee1/2026/09/20/aws-networking-pricing-2-1119x630.png)
AWS 네트워크 비용을 전송 요금과 처리 요금으로 나눠 정리했습니다.\n프라이빗 IP와 엔드포인트, CloudFront로 비용을 줄이는 방법도 함께 설명했습니다.
![AWS 네트워크 데이터 전송 및 처리 요금, 아키텍처로 이해하기 [1부: 요금 구조와 인터넷 경계]](https://d2908q01vomqb2.cloudfront.net/2a459380709e2fe4ac2dae5733c73225ff6cfee1/2026/09/20/aws-networking-pricing-1-1125x630.png)
AWS DevOps Agent를 VPC 내부 서비스에 안전하게 연결하는 프라이빗 연결 설정 방법을 설명했습니다. 콘솔과 CLI 절차, DNS 해석, Grafana 연동과 운영 주의점까지 함께 정리했습니다.

GS SHOP 검색·추천팀이 AI-DLC로 자연어 검색과 추천 실험 프로세스를 표준화했습니다. 실데이터 검증을 통해 다음 개선 지점과 공정한 비교 구조를 함께 확보했습니다.

AWS Network Firewall의 컨테이너 속성 기반 규칙으로 EKS와 ECS의 동적 IP 변동을 추적하는 방법을 다뤘습니다. 또한 내부 동작, 반영 지연, SNAT와 라우팅 전제조건, 로그 한계까지 실험으로 정리했습니다.

Amazon EKS가 컨트롤 플레인 일부 파라미터 5가지를 고객이 직접 조정할 수 있게 했습니다. 노드 밀집 배치, HPA 반응성, 이벤트 보존, NodePort 범위 조정에 활용할 수 있지만 PCP와 운영 제약을 함께 고려해야 합니다.
3개월 내 OMS를 구축해야 하는 상황에서 AI-DLC와 Kiro를 적용해 기획, 개발, 현업 협업을 구조화했습니다. 1일 파일럿과 3일 워크숍으로 설계 문서와 운영 산출물까지 확보했습니다.

AWS HealthOmics를 중심으로 임상 유전체 파이프라인의 자동화, 배포, 보안, 비용 최적화를 함께 다룬 사례입니다. 이벤트 기반 오케스트레이션과 GitOps로 TAT 준수와 감사 추적을 강화했습니다.
