14 · [영상] Amazon Bedrock과 함께하는 생성형 AI의 활용과 접근 방향
한 문장 요약: 이 세션은 생성형 AI의 기업 활용 4유형과 국내외 사례를 짚고, "모델만 보던 작년에서 프로덕션·가성비·데이터로 넘어온 올해"의 관찰을 바탕으로 AWS 3계층 스택의 가운데인 Bedrock(서울 리전 출시 포함)의 기능과 강화 방향 4축을 소개하는 입문 강연이다.
- 태스크: T-VID-01 · 연계 주차: 1주차(진단·Bedrock 입문)
- 원본 영상: aws.amazon.com/ko/video/watch/6a35b963a15/ (41분 29초)
- 전사:
downloads/14-영상오디오/6a35b963a15_transcript.md(743세그먼트·39,929자·AI Ready MCP D44 STT 2026-11-18)
개요 — 타임라인
| 구간 | 내용 |
|---|---|
| 0:14~1:00 | 발표자(AWS 한국 AI·데이터 사업개발 담당) 소개·목차 4꼭지 |
| 1:00~6:26 | 기업 활용 4유형 + Amazon·LG유플러스·Fox·Twelvelabs 사례 |
| 6:35~10:30 | RAG 기법 — 두산데이터이노베이션·스타벅스 사례 |
| 10:32~14:50 | 디지털 휴먼·쇼핑 어시스턴트(Rufus)·미리디 사례 |
| 15:06~18:44 | "우리 회사만의 자비스" 기대 4종 + 접근 스펙트럼 |
| 18:50~22:37 | 작년 vs 올해 관찰·내년 전망 4 |
| 22:37~29:31 | AWS 3계층 스택·Bedrock 소개·서울 리전 출시·모델 라인업 |
| 30:38~34:48 | Bedrock 강화 4축(파인튜닝·데이터 커넥터·가드레일·에이전트) |
| 35:03~39:50 | 멀티모달 — Claude 3.5 Sonnet 이미지 인식 체험·GS리테일 사례 |
| 39:54~41:26 | AWS 지원 프로그램·마무리 |
핵심 메시지 3
1. 활용은 4유형으로 수렴한다 — 생산성 강화·운영 개선(내부) vs 창의적 창조·고객 경험 강화(외부). 사례: Amazon 셀러 상품설명/이미지/광고 영상 생성, LG유플러스 코드 리뷰 보안 자동 체크(Claude), 스타벅스 전국 2만여 명 직원 대상 사내 지원 포털(RAG — "관련 문서만 잘 정리하면 정확한 답변")**
2. 고객 니즈는 "우리 회사만의 자비스" 4능력 — ①우리 용어 이해 ②정보 연결(답변 근거) ③분석 ④실행. 구현은 극단(모델 그대로 ↔ 직접 제작)이 아니라 중간의 RAG·튜닝이 대부분 (18:44)
3. Bedrock은 "가장 쉬운 구축·확산"을 목표로 하는 가운데 계층 — RAG 네이티브·다양한 FM API·파인튜닝·에이전트 네이티브 + 서울 리전 출시로 국내 데이터 레지던시 요건 충족 (25:25~27:12)
주제별 심화
AWS 3계층 스택 (22:37~25:02)
| 계층 | 서비스 | 적합 주체 |
|---|---|---|
| 인프라 | GPU 인스턴스·SageMaker | FM 직접 개발·유지하는 회사 |
| 도구 | Bedrock — FM 선택·연계·튜닝·에이전트 | 범용 기업 (오늘 세션의 초점) |
| 애플리케이션 | 생성형 AI 기반 SaaS형 서비스 | 개발 부담 최소화 |
Bedrock 모델·기능 (27:12~34:48, 발표 시점 11월 초 기준)
- 라인업: Anthropic Claude 3.5 Sonnet/Haiku(컨텍스트 200K, 3.3 Sonnet/Haiku부터 파인튜닝 시작) · Amazon Titan(임베딩·텍스트·이미지 생성·멀티모달 임베딩 — 텍스트 한국어 미공식 지원, 이미지 생성 활발) · Cohere·Meta Llama·Mistral·Stability
- 강화 4축(summit 발표): ①모델 오케스트레이션(Claude 파인튜닝 개방) ②데이터 커넥터 — Knowledge Bases가 S3·Confluence·위키 등 연결 ③책임 AI — 가드레일(개인정보·보안·주제·유해 콘텐츠 필터 + contextual grounding check로 환각 이중 확인 + Guardrails API — Bedrock 밖 모델까지 적용) ④실행 능력 — 에이전트
관찰·전망 (18:50~22:37)
- 작년: FM 포커스(GPT vs Llama 논쟁)·포모 → 올해: 프로덕션 전환·가성비·RAG/튜닝 정밀화·데이터 정리
- 내년 4 전망: 본격 레이스(사업 차별화) · 멀티모달 확대(이미지 해석·영상) · 에이전틱 AI 활발 · 책임 AI·정책 대응
멀티모달 체험 (36:39~38:58)
발표자가 직접 촬영한 행사 사진을 Claude 3.5 Sonnet에 설명 요청 → 행사 목적·세션 내용·스크린 QR·조명 컨셉(보라색 톤)까지 정확히 복기 — "기획자가 아니라 할 수 없는 수준"의 맥락 이해. GS리테일/GS샵은 이 능력으로 상품 이미지 태깅 자동 생성→패션 검색 고도화.
적용 체크리스트 (시험·실습 관점)
- ☐ 시험 직전 개념 정리용으로 22:37~34:48(Bedrock 소개·강화 4축) 구간을 덱 시트2·시트6과 함께 복습했는가 (도메인 1·2·3)
- ☐ "자비스 기대 4능력"이 에이전트·RAG·분석·액션의 요구 사양과 대응됨을 연결했는가
- ☐ 서울 리전 데이터 레지던시 논점을 규제 시나리오 답변 재료로 갖췄는가 (도메인 3)
- ☐ 참고: 발표 시점(2024 11월 초) 기준 모델 목록 — 최신 라인업은 시트9 공식 문서로 확인
최종 정리
1주차 첫 영상으로 적격 — 기술 깊이보다 지형도(왜 생성형 AI인가→어디에 쓰나→AWS에서 무엇으로)를 40분 안에 그려준다. 2주차(요약본 15)의 RAG 심화와 3주차(요약본 16)의 Tool Use로 이어지는 입구이자, 스타벅스 사내 포털 사례가 "문서만 정리하면 RAG가 정확해진다"는 실무 제1원칙을 보여준다.
Provenance: 전사 원문 보관(세그먼트 표·타임스탬프). 인용 문구는 ASR 오인식를 문맥 보정해 옮김(생선형AIM→생성형 AI·배달하기→Bedrock 외) — 원문 대조는 전사 md로. 강연 발표 시점 정보(모델 라인업·리전 출시일)는 수집일 아닌 발표일 기준임.