조직을 위한 AI 에이전트는 어떤 형태일까? Amazon Quick Hands-on Day 현장
Amazon Quick으로 사내 데이터와 업무를 연결하는 AI 에이전트 실습을 소개했습니다. 보안 거버넌스와 자연어 기반 분석·자동화 기능을 함께 다뤘습니다.

SQL 태그가 달린 국내 IT 기업 기술 블로그 글을 최신순으로 모았습니다.
20개 표시
Amazon Quick으로 사내 데이터와 업무를 연결하는 AI 에이전트 실습을 소개했습니다. 보안 거버넌스와 자연어 기반 분석·자동화 기능을 함께 다뤘습니다.

A2A 역할 분리와 온톨로지 기반 RAG로 대화형 BI의 지표 해석 근거를 보강했습니다.\nQuery Guardrail의 RLS·CLS 검증으로 LLM 생성 SQL의 실행 안전성을 통제했습니다.

AI로 분석 툴 노트북을 빠르게 검증하고, 디자인으로 밀도와 사용성을 완성한 3개월의 과정을 정리했습니다. 고객이 실제로 쓸 수 있는 제품이 되기까지의 판단과 협업 방식을 소개합니다.
Kafka Rebalancing 원인을 메시지 처리 지연과 DB 저장 병목에서 찾고, 운영 완화를 위해 설정을 조정했습니다. 이후 Batch Insert로 처리 시간을 줄여 반복 Rebalancing을 완화했습니다.

AI를 새로운 데이터 소비자로 보고 데이터 플랫폼의 조건을 세 가지 질문으로 정리했습니다. 맥락 제공, 접근 통제, 공통 인터페이스를 통해 AI-Ready Data Platform을 설계하는 방향을 소개했습니다.
AI를 개인 생산성 도구가 아니라 조직의 공통 지식 기반으로 확장하는 방법을 설명했습니다.\n서비스 설계도와 코드, 데이터, 정책을 연결해 문제정의와 유지보수 속도를 높이는 사례를 소개했습니다.
생성형 AI 기반 분석 에이전트로 비즈니스 질문과 데이터 분석을 하나의 흐름으로 연결한 사례를 소개했습니다. 분석 리드타임 단축과 역할 전환, 조직 전체의 분석 역량 축적 효과를 다뤘습니다.

자연어를 SQL로 바꾸는 과정에서 LLM이 만든 쿼리를 그대로 믿지 않고 여러 단계로 검증하는 구조를 소개했습니다. 도메인 지식은 DB에 담고, 실행 전후 게이트와 회귀 평가로 안전성과 품질을 지켰습니다.
AWS Athena로 ELB/ALB 액세스 로그를 분석하는 테이블 생성 방법을 정리했습니다. 로그 활성화와 S3 설정, 파티션 프로젝션 예시까지 함께 소개했습니다.
Slack에서 자연어로 SQL을 실행하는 봇 쿼리곰을 전사 필수 도구로 만든 사례를 다뤘습니다. 멀티에이전트 검증, Hybrid RAG, 이중 메모리로 신뢰와 재방문을 끌어올렸습니다.
토스플레이스가 데이터봇 판다를 통해 팀원들이 직접 데이터를 조회하고 활용하는 환경을 만들었습니다.\nSSOT 정비, 비즈니스 용어 연결, Agentic Loop 설계로 정확도와 일관성을 높였습니다.
FPJR 실시간 메트릭 모니터링에 AI를 적용해 30분 내 이상 징후를 감지하는 체계를 구축했습니다. Cursor, Sidekick, Gemini로 SQL과 대시보드를 자동화해 운영 효율을 높였습니다.
Google for Developers의 3월 넷째 주 주요 업데이트를 제품군별로 정리해 소개했습니다. 관심 분야의 최신 발표와 문서를 링크로 바로 확인할 수 있습니다.
드림어스컴퍼니 V컬러링팀 Jane의 음악 취향과 플레이리스트를 소개한 인터뷰입니다. 아시아 아티스트 중심의 편안한 곡들과 콘텐츠 운영 이야기를 함께 담았습니다.
일본 급여 시스템의 실제 파이프라인을 대상으로 13개 LLM 구성을 비교 평가하는 전편이었습니다. 코드 생성과 Agentic RAG를 분리해, 품질·안정성·비용 기준의 모델 선택 필요성을 설명했습니다.
BDA 2.0 서비스와 자연어-SQL 변환 기반 LLM 에이전트의 탄생 배경을 소개했습니다. 도메인 전문가와 개발자의 협업으로 도메인 특화 에이전트를 만드는 과정을 다뤘습니다.
당근이 User Activation을 전사 공통 데이터 레이어로 만든 배경과 구조를 설명했습니다. 상태와 전이 분석을 위해 신뢰성, 비용, 생산성을 함께 고려한 설계였습니다.
PM이 직관이 아닌 데이터로 가설을 검증하는 실험 설계 방법을 정리했습니다. NOL 사례를 통해 작은 UI 변화도 전환과 경험 개선으로 이어질 수 있음을 보여주었습니다.
Generative UI 개념과 GitLab 데이터 조회·차트 생성 구현 예시를 소개했습니다. 또한 환각, 보안, 성능 한계와 실무 적용 방안을 함께 정리했습니다.

외부 LLM을 활용해 서비스 가치와 개발 생산성을 높인 개발조직의 AI 사례를 정리했습니다. 모델 경쟁보다 데이터와 운영 피드백을 누적 자산으로 삼는 전략을 강조했습니다.