오늘
AI 기반 SCTE-35 자동 삽입으로 라이브 스트리밍 광고 운영 자동화하기
라이브 스트리밍의 SCTE-35 광고 삽입을 AI 화면 인식과 서버리스 오케스트레이션으로 자동화하는 방법을 소개했습니다. 필러 화면 감지를 통해 광고 타이밍을 정밀하게 맞추고 운영 비용도 줄였습니다.

AWS 태그가 달린 국내 IT 기업 기술 블로그 글을 최신순으로 모았습니다.
20개 표시
오늘
라이브 스트리밍의 SCTE-35 광고 삽입을 AI 화면 인식과 서버리스 오케스트레이션으로 자동화하는 방법을 소개했습니다. 필러 화면 감지를 통해 광고 타이밍을 정밀하게 맞추고 운영 비용도 줄였습니다.

사내 지식이 흩어진 문제를 MCP 게이트웨이로 통합하고, 검색 전 권한 통제와 감사 체계를 먼저 설계했습니다. 초기에는 온프렘으로 시작해 이후 AWS 관리형 서비스로 단계적으로 이전했습니다.

Amazon Bedrock AgentCore를 VPC 모드와 privateEndpoint로 구성해 사내 LLM, IdP, MCP 서버를 인터넷 노출 없이 연동하는 방법을 설명했습니다. 또한 Route53 Inbound Endpoint와 인증서 요건, 보안 그룹 설계까지 함께 다뤘습니다.

Amazon Bedrock 위에 LiteLLM 게이트웨이와 사내 포털을 붙여 LLM 키 발급, 승인, 예산 차단을 운영한 사례를 소개했습니다. 셀프서비스 발급과 그룹 기반 통제로 비용과 감사 체계를 함께 묶었습니다.
AI Agent 검색 품질을 OpenSearch와 Bedrock으로 정량 평가하는 방법을 다루었습니다. NDCG와 Recall, LLM Judge 검증, BM25·시멘틱·하이브리드 비교 결과를 함께 설명했습니다.

AI 에이전트와 함께 ISO 27001 인증을 준비하며 보안 인프라를 재정비한 사례였습니다. 읽기 전용 진단, Spec, 승인 절차로 안전한 운영 경계를 만들었습니다.

Amazon GameLift Streams로 클라이언트 설치 없이 브라우저에서 게임을 즉시 실행하는 방법을 소개했습니다. 런타임, 스트림 클래스, 용량, 관측성까지 포함한 설계와 운영 흐름을 정리했습니다.

분산 학습용 AWS 클러스터를 구축·운영하는 방법을 정리했습니다. Enroot와 Pyxis로 환경을 고정하고, EFA·용량 예약·장애 복구를 함께 점검해야 합니다.

한화솔루션은 Amazon Bedrock 기반의 사내 LLM Gateway로 Claude Cowork를 전사 도입했습니다. 멀티테넌트 인증과 비용·보안 거버넌스로 안전한 AI 활용 체계를 만들었습니다.

AWS AI-DLC를 System Maintenance 환경에 맞게 3계층 Override 구조로 커스터마이징한 사례를 소개했습니다. 반복 질문 제거, 추측 방지, 자동화로 운영 유지보수 효율을 높인 점이 핵심입니다.

DynamoDB GSI의 조회 경로를 인덱스 테이블과 공통 라이브러리로 전환한 사례를 정리했습니다. limit, 커서, 삭제 데이터 처리 함정을 규칙화해 GSI를 최종 제거했습니다.
합성 데이터와 원시 픽셀 중심의 로봇 학습 한계를 짚고, 단안 영상에서 장면 시맨틱을 추출하는 F.R.A.N.T.Z. 접근을 소개했습니다. 또한 추출 결과를 어포던스와 정책 학습으로 연결하고, JEPA 스타일 월드 모델로 확장하는 방향을 제시했습니다.

AWS 분산 학습용 컴퓨트를 초대규모로 확장하는 울트라클러스터와 울트라서버를 설명했습니다. 또한 ODCR과 Capacity Block으로 GPU 용량을 미리 확보하는 전략을 비교했습니다.

세 에이전트 구현 과정에서 겪은 검색 오판, 코드 분석 루프, DB 접근 안전장치를 정리했습니다. 사람 vs AI 비교로 속도와 한계도 함께 검증했습니다.

운영 문의 채널의 지연과 반복 작업을 줄이기 위해 3-에이전트 아키텍처를 설계했습니다. Knowledge·Code·DB로 역할을 나눠 빠른 응답과 정확한 진단을 노렸습니다.

AWS MediaTailor SSAI에서 멀티 CDN을 동적으로 전환하는 방법을 정리했습니다. 콘텐츠와 광고 세그먼트의 라우팅 위치, 트래킹, CORS와 캐시 설정 차이도 함께 설명했습니다.

Amazon Braket의 `@hybrid_job`으로 RX(θ) 회로와 Z 기댓값을 반복 실행하는 하이브리드 알고리즘을 소개했습니다. 일반 실행, 하이브리드 잡, 로컬 잡의 차이와 결과 확인 방법도 함께 정리했습니다.

당근이 대규모 JWT 서명 환경에서 키 유출 위험과 접근 제어 한계를 해결하기 위해 KMS와 CloudHSM을 비교했습니다. 비용과 성능, 장애 대응을 함께 고려해 CloudHSM 중심의 하이브리드 구조를 선택했습니다.

Physical AI는 모델보다 데이터가 성능을 좌우하며, 실제·합성·인간 영상 데이터를 조합하는 전략이 중요했습니다. AWS는 수집부터 큐레이션, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제시했습니다.

Strands SDK와 Amazon Bedrock AgentCore로 환불 CS 자동응답 에이전트를 2주 만에 구축했습니다. 내부 검수 초안 방식과 멀티턴 맥락·안전성 검증을 결합해 운영 가능성을 확보했습니다.
