OWASP 기반 GenAI 보안 실무 점검 가이드
OWASP의 LLM Top 10과 Agentic Top 10을 바탕으로 GenAI 보안 점검용 100개 체크리스트를 정리했습니다. 프롬프트, 데이터, 에이전트, 인프라까지 계층별 대응과 AWS 적용 시 주의사항을 함께 제시했습니다.
#OWASP#LLM#RAG
17000
모든 블로그
대표 인기 포스트무신사의 AI 기반 상품 추천 및 검색 시스템 구현 사례332 조회332 조회 AI AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
AWS
주요 카테고리 AI · DevOps · 백엔드
활동 요약
- 최근 30일
- 40개
- 평균 조회
- 51
- 누적 조회
- 27,151
- 전체 글
- 537개
- 마지막 발행
- 2026. 11. 12.
AWS 기술 블로그 글 (282)
클라우드 환경에서의 비디오 인텔리전스 구현: TwelveLabs로 시작하는 AI 영상 분석 1부 – VoD환경에서의 비디오 분석 파이프라인 구축하기
TwelveLabs Marengo와 AWS 서비스를 결합해 VoD 영상 분석 파이프라인을 구성하는 방법을 설명했습니다. 업로드 즉시 처리, 배치, 대규모 병렬 처리에 맞는 아키텍처 선택 기준도 정리했습니다.
#AWS#Amazon S3#Lambda
3800
Neptune GraphRAG Toolkit을 활용하여 정교한 비정형 데이터 검색하기
Amazon Neptune GraphRAG Toolkit으로 비정형 문서를 그래프와 벡터에 함께 인덱싱하는 방법을 소개했습니다. 그래프 탐색을 더해 유사성 검색의 한계를 보완하고 더 입체적인 답변을 만드는 흐름을 설명했습니다.
#GraphRAG#RAG#Amazon Neptune
5400
Amazon Aurora PostgreSQL에서 Amazon Bedrock으로 벡터 임베딩 생성 자동화
Aurora PostgreSQL에서 Amazon Bedrock으로 임베딩을 자동 생성하는 5가지 방식을 비교했습니다. 요구사항에 따라 실시간 일관성, 확장성, 운영 단순성의 균형을 선택할 수 있습니다.
#Amazon Bedrock#PostgreSQL#pgvector
4300
클라우드 환경에서의 비디오 인텔리전스 구현: TwelveLabs로 시작하는 AI 영상 분석 2부 – 준실시간 환경에서 AWS 미디어 서비스를 활용한 분석 파이프라인 구축하기
AWS 미디어 서비스와 TwelveLabs를 결합해 준실시간 비디오 분석 파이프라인을 구성하는 방법을 정리했습니다. 서버리스와 서버 기반, Kinesis Video Streams 활용 사례까지 함께 소개했습니다.
#AWS#LLM#비디오
4200
클라우드 환경에서의 비디오 인텔리전스 구현 : TwelveLabs로 시작하는 AI 영상 분석 5부 – 비디오 임베딩을 위한 Vector DB 비교
TwelveLabs Marengo 3.0 비디오 임베딩을 AWS에서 저장·검색하는 두 벡터 DB를 비교했습니다. OpenSearch Serverless와 S3 Vectors의 성능, 비용, 활용 시점을 정리했습니다.
#AWS#OpenSearch#S3 Vectors
5300
클라우드 환경에서의 비디오 인텔리전스 구현: TwelveLabs로 시작하는 AI 영상 분석 4부 – TwelveLabs Marengo 3.0 임베딩 및 검색 전략과 구현 가이드
TwelveLabs Marengo 3.0의 멀티모달 비디오 검색 전략을 정리했습니다. 고정 가중치, 순위 기반 융합, 의도 기반 라우팅의 차이와 트레이드오프를 설명했습니다.
#LLM#검색#AWS
5000
클라우드 환경에서의 비디오 인텔리전스 구현: TwelveLabs로 시작하는 AI 영상 분석 3부 – Strands Agent를 활용한 Agentic video engine구현
Strands Agents SDK로 TwelveLabs와 AWS 서비스를 결합한 에이전틱 비디오 엔진 구현 방식을 소개했습니다. 단일 에이전트와 멀티 에이전트 구조로 영상 검색, 요약, 자막 처리 흐름을 구성했습니다.
#AWS#LLM#gRPC
3800
Part 1: 삼성계정 서비스의 AI SecOps, Multi-Agent로 진화하는 보안 위협 탐지
삼성계정 서비스의 WAF 로그를 AI 에이전트로 분석해 보안 위협을 탐지한 사례를 소개했습니다. 단일 에이전트의 한계를 넘어 Multi-Agent로 정확도와 운영 효율을 높였습니다.
#AWS WAF#LLM#Multi-Agent
5400
Part2: 삼성계정 서비스의 Agentic AIOps, 운영환경에서 Multi-Agent 시스템으로 RCA 자동화 하기
삼성계정 서비스의 장애 대응을 Multi-Agent 기반 Agentic AIOps로 자동화한 사례를 소개했습니다. 관측 데이터 수집, RCA, 조치 제안을 분리해 3분 47초 만에 분석을 완료했습니다.
#AIOps#LLM#MCP
5400
지능형 Physical AI 구축: Strands Agents, Bedrock AgentCore, Claude 4.6, NVIDIA GR00T, Hugging Face LeRobot으로 엣지에서 클라우드까지
엣지와 클라우드를 결합해 Physical AI를 설계하는 방법을 소개했습니다. 로컬 제어와 클라우드 추론, 공유 메모리, 시뮬레이션 학습의 역할을 설명했습니다.
#AWS#LLM#엣지
3800
AWS에서 NVIDIA Cosmos 월드 파운데이션 모델 실행하기
AWS에서 NVIDIA Cosmos WFM을 활용해 Physical AI용 합성 데이터를 생성하는 방법을 소개했습니다. 실시간 EKS 배포와 배치 AWS Batch 배포의 두 가지 프로덕션 아키텍처를 비교했습니다.
#AWS#NVIDIA#LLM
4700
Amazon Bedrock과 Claude Agent SDK로 서버리스 멀티 에이전트 구현하기
AWS Lambda와 Amazon Bedrock, Claude Agent SDK로 멀티 에이전트 Orchestrator-Worker 구조를 구현하는 방법을 소개했습니다. S3 공유 저장소와 Sonnet/Opus 분리를 통해 제약 대응과 비용 최적화를 함께 다뤘습니다.
#Amazon Bedrock#Claude Agent SDK#AWS Lambda
6200
네오사피엔스의 AWS g6e 기반 LLM 추론 배치 워크로드 최적화 사례
네오사피엔스가 AWS g5, g6e, g7e에서 LLM 추론 배치와 정밀도를 비교했습니다. 실제 운영 조건을 반영해 g6e + INT8 조합을 최적점으로 선택했습니다.
#LLM#AWS#Amazon EC2
5500
Claude Code 비용/사용량을 한눈에: AWS에 Observability 플랫폼 구축하기
Claude Code의 세션·비용·사용량을 보기 위해 AWS 관리형 서비스로 Observability 플랫폼을 구축하는 방법을 소개했습니다. 메트릭과 이벤트를 분리해 실시간 모니터링과 심층 분석을 함께 제공했습니다.
#AWS#Observability#OpenTelemetry
12100
Agentic AI 기반 플랫폼 – Part2 : AgentCore Gateway, Identity로 구현하는 MCP Registry
AgentCore Gateway와 Identity로 다양한 MCP를 하나의 표준 인터페이스로 통합하는 방법을 다뤘습니다. 또한 Cognito, IAM, Policy, Observability까지 포함한 운영·보안 설계를 소개했습니다.
#MCP#AWS#Amazon Bedrock
5800
Physical AI: 자율 지능의 차세대 기반 구축
Physical AI를 물리 세계와 상호작용하는 자율 시스템의 기반으로 설명했습니다. 클라우드 훈련과 엣지 추론을 잇는 이중 루프와 지속적 학습·보안 체계를 제시했습니다.
#AWS#cloud#edge computing
5400
Amazon Connect AI Agent로 우리 회사만의 Agentic AI 컨택센터 구축하기
Amazon Connect로 고객 응대와 업무 처리를 함께 수행하는 Agentic AI 컨택센터 구축 방안을 소개했습니다. MCP 통합, 보안 제어, 관찰성으로 셀프서비스와 상담원 지원을 함께 운영할 수 있습니다.
#Amazon Connect#LLM#MCP
6000