

CJ 온스타일 라이브 커머스, Agentic AI로 고객 소통의 새로운 차원을 열다
CJ 온스타일이 라이브 커머스 질문 대응을 위해 Agentic AI와 서버리스 아키텍처를 적용한 사례를 소개했습니다. 질문 유형 분석과 멀티 에이전트 협업으로 응답률과 속도를 크게 개선했습니다.


CJ 온스타일이 라이브 커머스 질문 대응을 위해 Agentic AI와 서버리스 아키텍처를 적용한 사례를 소개했습니다. 질문 유형 분석과 멀티 에이전트 협업으로 응답률과 속도를 크게 개선했습니다.

Amazon Bedrock과 WebSocket을 활용한 실시간 AI 채팅 구축 과정을 소개했습니다. 연결 관리, 백프레셔, 순서 보장과 운영 지표까지 함께 다뤘습니다.

실시간 AI 스트리밍에서는 모델 성능뿐 아니라 토큰 전달의 자연스러움이 중요하다고 설명했습니다. WebSocket, Lambda, DynamoDB를 활용한 연결 관리와 백프레셔, 순서 보장 방식을 정리했습니다.


삼쩜삼이 대용량 데이터와 트래픽 집중 문제를 해결하기 위해 DynamoDB와 S3로 저장 구조를 분리했습니다. 또한 운영 단계에서 처리량 예열, GSI 설계, 읽기 일관성 대응으로 안정성을 높였습니다.


SmartThings 기록 시스템이 HBase 한계를 극복하기 위해 OpenSearch로 교체했습니다. 읽기 성능은 약 19% 향상되고 쓰기 비용은 약 38% 절감했습니다.


삼성 계정의 리전 단위 장애 대응을 위해 Active-Active DR 아키텍처와 트래픽 전환 체계를 고도화한 사례입니다. Route 53 ARC와 CloudFront를 적용해 잔여 트래픽과 네트워크 지연을 줄였습니다.
쿠팡 파트너스
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


Amazon Bedrock AgentCore Memory와 Custom Memory로 쇼핑 에이전트의 개인화 추천을 구현한 사례를 소개했습니다. 긴 대화 전체보다 중요한 정보만 메모리로 구조화해 더 적은 토큰으로 높은 추천 품질을 얻는 방법을 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.


AWS CDK로 Vision AI API 서비스를 구축한 실전 경험을 공유했습니다. 스택 분리, 비용 최적화, 모니터링, CI/CD와 장애 대응 방안을 정리했습니다.


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

금융 용어를 AI가 쉽게 설명하고 관련 상품까지 추천하는 사전 서비스를 만들었습니다. 응답 지연은 캐싱으로 줄이고, 프롬프트 구조화를 통해 원하는 형식의 답변을 유도했습니다.


DynamoDB 변경 이벤트를 Firehose와 Iceberg S3 Tables로 실시간 복제하는 파이프라인 구성을 소개했습니다. Athena와 QuickSight로 분석 가능한 구조와 권한 설정, 변환 시 주의점까지 정리했습니다.