데이터 사이언티스트 없이 수요 예측 자동화, 다이닝브랜즈그룹의 Amazon SageMaker Canvas 활용기
SageMaker Canvas와 AWS 자동화 서비스로 식자재 수요예측부터 발주 시스템 반영까지 자동화했습니다. 이벤트 데이터 구조화와 모델·운영 흐름 분리로 재현성과 비용 효율을 높였습니다.


SageMaker Canvas와 AWS 자동화 서비스로 식자재 수요예측부터 발주 시스템 반영까지 자동화했습니다. 이벤트 데이터 구조화와 모델·운영 흐름 분리로 재현성과 비용 효율을 높였습니다.

LLM 호출마다 대화 맥락과 Tool 실행 상태를 반영해 모델을 선택하는 라우팅을 설계했습니다. Elevate-only 정책으로 캐시 손실을 줄이며 비용과 토큰 사용량을 절감했습니다.
AV 3.0 자율주행에서 데이터 플라이휠과 8단계 데이터 파이프라인의 중요성을 설명했습니다. AWS와 NVIDIA 도구를 활용한 수집·학습·시뮬레이션·검증 구성을 정리했습니다.

AWS에서 CUI 보호 환경을 구성해 CMMC Level 2를 준비하는 방법을 안내했습니다. 평가 범위와 증적, 다중 계정 보안 운영의 핵심 요소를 설명합니다.

건자재 유통 RDBMS 데이터를 Neptune 지식 그래프로 전환한 PoC를 소개했습니다. Bedrock 기반 규칙형 질의로 재고·납기·대체품 탐색 가능성을 검증했습니다.

게임듀오는 EC2 기반 ClickStack과 S3·SQS 버퍼로 관측 비용을 절반 이하로 줄였습니다. 로그 보존과 분산 트레이싱 범위를 확대하면서 유실 감시와 운영 자동화도 구축했습니다.
AWS Transform과 Claude Code를 조합해 SQL Server 기반 .NET 시스템을 Aurora PostgreSQL로 전환했습니다. 스키마 동결과 원본 동등성 검증으로 자동 변환 이후의 계약 불일치를 해결했습니다.
PennyLane QAOA Max-Cut을 로컬과 Amazon Braket Hybrid Jobs의 두 시뮬레이터에서 비교했습니다. 실행 위치에 따른 콘솔 추적, 네트워크 왕복, 과금 특성과 최적화 결과를 설명합니다.

AgentCore와 EKS를 함께 지원하는 사내 AI 에이전트 플랫폼 구축 과정을 소개했습니다. 코드 생성·배포·MCP·메모리 관리를 표준화하고 GitOps 운영 개선 방향을 제시했습니다.

AWS HPC에서 WRF의 MPI/OpenMP 비율을 조정해 통신 오버헤드를 분석했습니다. CPU 사용률보다 wall time과 EFA 패킷 지표를 함께 봐야 함을 확인했습니다.
![인코어드의 AWS HPC 환경에서 WRF 실행하기 [2부: MPI/OpenMP 하이브리드 병렬화 튜닝 심층 분석]](https://d2908q01vomqb2.cloudfront.net/2a459380709e2fe4ac2dae5733c73225ff6cfee1/2026/11/04/Headline-Image-encored-wrf-hpc-part2.png)
Amazon Bedrock Managed Agents로 OpenAI 에이전트의 루프와 세션 운영을 AWS에 맡기는 방식을 설명했습니다. MCP 도구, IAM 역할 분리, AgentCore Runtime 기반 문서 생성 사례와 보안 주의점을 소개했습니다.

Claude Enterprise Inference hooks에 AWS 판정 서버를 연결해 DLP 정책을 적용하는 방식을 소개합니다. 자체 규칙과 Bedrock Guardrails를 결합해 민감정보를 검사하고 장애·감사까지 설계했습니다.

Amazon Bedrock AgentCore Runtime의 microVM 격리와 세션 관리 동작을 EKS 환경과 비교했습니다. 시작 지연, 자격 증명, 유휴 회수, 과금, 확장 기준과 도입 시 주의점을 측정으로 정리했습니다.

기존 Slack·Jira 운영 흐름에 AWS DevOps Agent와 Custom MCP를 결합한 AIOps 사례를 소개했습니다. 에이전트가 로그·배포·변경 이력을 연관 분석해 장애 조사와 중복 알람 분류를 지원했습니다.

EKS의 Argo CD와 ACK로 Bedrock AgentCore Runtime 배포를 GitOps 방식으로 구성했습니다. PostSync 실제 호출 검증과 세션별 릴리스 전환 확인 방법, 자동 롤백의 한계를 설명합니다.

분산된 LLM 호출을 중앙 게이트웨이로 통합해 인증·비용·데이터 정책을 적용했습니다. EKS 기반 확장 구조와 CLI 자동화로 안정적인 전사 AI 사용 환경을 구축했습니다.

에이블리의 EKS 기반 Agent Sandbox로 프로젝트 작업환경을 중단·재개·만료하는 방식을 소개했습니다. Karpenter, Kyverno, S3를 연결해 유휴 자원 회수와 작업물 보존을 함께 운영했습니다.

해외 IDC 워크로드를 AWS로 이전하며 Wave·리허설·4단계 컷오버 체계를 구축했습니다. 안정화 이슈를 분석하고 성능·비용 적정화와 현대화 기반을 마련했습니다.
