AWS Elemental MediaLive에서 비디오 인코드 재사용으로 지속가능성 최적화
AWS Elemental MediaLive에서 동일한 출력이 여러 번 필요할 때 인코드를 공유해 중복 처리를 줄이는 방법을 소개했습니다. 이를 통해 처리량과 에너지 사용을 낮추는 지속가능성 관점의 운영 방식을 설명했습니다.


AWS Elemental MediaLive에서 동일한 출력이 여러 번 필요할 때 인코드를 공유해 중복 처리를 줄이는 방법을 소개했습니다. 이를 통해 처리량과 에너지 사용을 낮추는 지속가능성 관점의 운영 방식을 설명했습니다.

뮤직카우가 Amazon RDS와 Amazon Redshift를 Zero-ETL로 연결해 준실시간 CDC 파이프라인을 구축한 사례를 공유했습니다. DMS 대비 관리 부담과 비용을 줄이고 자동 복구까지 활용한 설정 방법과 주의사항을 정리했습니다.

Amazon GameLift Servers의 스팟 인스턴스로 비용을 줄이면서 안정적으로 운영하는 방법을 소개했습니다. CloudWatch, 이벤트 로그, OnProcessTerminate와 다중 플릿 전략으로 중단 대응과 활용률 개선 방안을 정리했습니다.

양자 컴퓨터의 빠름은 개별 연산이 아니라 계산 횟수 감소에 있습니다. 양자 회로와 간섭 원리로 정답 확률을 높이는 방식도 함께 설명했습니다.

에이전트 서비스의 실행 이력과 툴 매핑을 DynamoDB, Redshift, Valkey로 나눠 설계하는 방법을 설명했습니다. 액세스 패턴 기반 스키마와 분석·캐시 구조로 성능과 추천 정확도를 높이는 방향을 제안했습니다.

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

Visual Studio에서 Amazon Q Developer를 활용해 .NET Framework를 .NET 8로 포팅하는 에이전틱 코딩 경험을 소개했습니다. MCP와 Q Chat으로 빌드, 수정, 테스트 자동화를 확장하는 활용법도 함께 설명했습니다.

Amazon Bedrock을 활용해 경로 최적화 AI 에이전트 TOAST를 구현한 사례를 소개했습니다. 자연어 입력, 다중 에이전트 구조, 시각화와 재최적화를 통해 활용성을 높였습니다.

Amazon Bedrock과 MCP로 기업 AI 에이전트가 공통 도구를 표준화해 쓰는 중앙 허브 구조를 소개했습니다. 분산 개발과 중앙 거버넌스를 결합해 확장성, 보안, 운영 효율을 높이는 방식입니다.

Amazon Bedrock과 AWS 서비스 조합으로 Rufus 같은 쇼핑 어시스턴트를 구현하는 방법을 소개했습니다. Tool 최적화, 컨텍스트 사전 로딩, prompt caching으로 응답 속도를 줄이는 방식을 설명했습니다.

OpenSearch Service의 AI Search Flow 빌더로 Semantic 검색과 멀티모달 RAG를 빠르게 구성하는 방법을 소개했습니다. Ingest/Search Pipeline과 템플릿, AI 제공업체 연동으로 미들웨어 없이 검색 기능을 확장하는 흐름을 설명했습니다.

빗썸은 AWS Security Hub와 Step Functions로 멀티 계정 보안 모니터링과 자동조치를 구축했습니다. 수동 대응을 줄이고 디버깅과 운영 효율을 높인 사례입니다.

알라딘은 백오피스 인증을 Amazon Cognito와 API Gateway로 중앙화하고, 인가는 Keycloak으로 분리했습니다. 이를 통해 보안 정책 표준화와 운영 효율, MSA 확장성을 함께 확보했습니다.

Amazon Q Developer와 MCP로 Aurora PostgreSQL의 성능 분석과 운영 작업을 자연어 기반으로 자동화하는 방법을 소개했습니다. 바이브 코딩, 튜닝, 비용 시뮬레이션까지 생산성 향상 사례를 함께 설명했습니다.

AWS IoT로 레거시 스마트팜 장비를 통합하고, LoRa와 Modbus 데이터를 하나의 파이프라인으로 수집·제어하는 사례입니다. 보안과 확장성을 높이며 현장 수기 작업과 유지보수 부담을 크게 줄였습니다.

AMOREPACIFIC이 AWS CDK와 Serverless 아키텍처로 DevOps 포털 ASAP을 구축한 사례를 소개했습니다. 리소스 자동화, 보안 거버넌스, 비용 절감을 통해 운영 효율을 높였습니다.

Aurora Auto Scaling으로 늘어난 읽기 복제본의 초기 성능 저하를 막기 위해 캐시 워밍 자동화 워크플로를 소개했습니다. Step Functions, EventBridge, Lambda를 조합해 운영 효율과 읽기 성능을 개선하는 방법을 설명했습니다.

무신사는 스냅 이미지와 자연어를 활용한 AI 추천·검색 프로토타입을 AWS 기반으로 구현했습니다. 실제 데이터 평가에서 높은 정확도를 보였지만, 일부 이미지 조건에서는 한계도 확인했습니다.
