AWS IoT Core로 실외 배달로봇의 자동 등록, 메시지 격리, 클라우드 리소스 접근 통제를 구성한 사례를 소개했습니다. Fleet Provisioning, IoT Rule, Credential Provider를 조합해 보안과 운영 효율을 함께 높였습니다.
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 SSAI 멀티 CDN 환경의 보안 구성을 정리했습니다. 토큰 승계, Origin 보호, 서드파티 CDN 제약 대응 패턴을 설명했습니다.
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.
CloudHSM 기반 서명 시스템의 구현 방식과 PKCS#11 운영 트러블슈팅, 무중단 키 전환 과정을 다뤘습니다. KMS와의 Active-Standby 조합으로 장애 대응과 성능 최적화를 함께 달성했습니다.
AWS CloudHSM 기반 서명 시스템을 네트워크·애플리케이션·HSM 내부의 3계층으로 보호하는 구조를 소개했습니다. Istio, Kyverno, mTLS, 키 속성 설정으로 허용된 경로에서만 서명되도록 설계했습니다.
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.
Claude Code를 개인 생산성을 넘어 조직 생산성으로 확장하는 Amazon Bedrock 학습 플랜을 소개했습니다. 10개 영상으로 개인, 팀, 엔터프라이즈 운영까지 이어지는 4단계 로드맵을 제시했습니다.
Amazon Connect Customer AI Agent를 빠르게 만들기 위한 AICC Builder와 6종 에셋 생성 과정을 소개했습니다. 인터뷰부터 배포와 전화 검증까지 이어지는 PoC 절차를 설명했습니다.
![1시간 대화로 만드는 Amazon Connect Customer AI Agent [AICC Builder 시리즈 #1]](https://d2908q01vomqb2.cloudfront.net/2a459380709e2fe4ac2dae5733c73225ff6cfee1/2026/07/23/aicc-builder-thumbnail-1122x630.png)
EKS 비용 최적화를 위해 AWS Graviton 도입 방법을 정리했습니다. 멀티 아키텍처 이미지를 준비한 뒤 카나리로 점진 전환하는 흐름을 소개했습니다.
Amazon Bedrock 기반 Claude 운영을 위한 Claude Apps Gateway의 구조와 구성 요건을 정리했습니다. IdP 연동, 권한 제어, 텔레메트리 중앙화까지 AWS 환경에서의 활용 방법을 소개했습니다.
금융권 연구·개발망의 규제 변화와 AWS 기반 구현 방법을 정리했습니다. 멀티 계정, 보안 통제, 자동화 워크플로우로 혁신과 컴플라이언스를 함께 맞추는 방안을 설명했습니다.
금융회사의 클라우드 도입 절차를 전자금융감독규정 중심으로 정리했습니다. 망분리와 안전성 확보조치를 AWS 서비스에 어떻게 매핑하는지도 설명했습니다.
AWS Transform for migrations가 13개 언어 현지화를 지원하도록 확대했습니다. 팀이 선호 언어로 계획 검토와 승인, 작업 진행을 할 수 있게 됐습니다.
분산 학습용 AWS 컴퓨트 선택을 모델 규모와 통신 패턴 기준으로 정리했습니다. GPU 성능보다 인터커넥트, 메모리, 운영 방식이 병목을 좌우한다고 설명했습니다.
LGU+의 대규모 AWS 마이그레이션에서 Kiro와 Harness Engineering으로 전환 작업을 표준화했습니다. 설정 자동화와 지식 자산화를 통해 개발자 편차를 줄이고 재사용성을 높였습니다.
