techlist.io
KREN

생성형 AI

125 개의 포스트

grammarly3분 읽기큐레이션 요약

Grammarly Authorship, 이제 Blackboard에서 사용 가능

Grammarly Authorship는 학생 글의 출처와 작성 과정을 기록해 AI 시대의 학업 신뢰를 높이는 도구다. Google Docs에서 시작해 Grammarly Docs, Microsoft Word, Word Online, Canvas, Blackboard로 확장됐으며, AI 생성·복사·직접 작성·생성형 AI로 바꿔 쓴 문장을 구분한다. Grammarly는 Rowan-Cabarrus Community College에서 도입 후 학업 부정행위가 한 학기 만에 27건에서 1건으로 96% 감소했다고 밝혔다. ## Grammarly Authorship의 역할 - 문서 속 텍스트의 출처를 자동으로 분류한다. - 사람이 직접 입력한 글 - AI가 생성한 글 - 외부에서 복사한 글 - Grammarly 생성형 AI로 재작성한 글 - 학생은 자신의 작성 과정을 확인하고, 교수에게 투명한 형태로 공유할 수 있다. - 기존 AI 탐지 도구처럼 결과만 추정하는 대신, 학생의 동의와 작성 과정의 귀속을 중심으로 설계됐다. - 학생은 기록된 작성 데이터를 볼 수 있지만, 보고서 자체를 제출 전에 임의로 수정할 수는 없다. ## 지원되는 작성 환경과 확장 - 2024년 10월 Google Docs 베타로 출시됐다. - 이후 다음 환경으로 확대됐다. - Grammarly Docs - Microsoft Word - Word Online - Google Docs - 문서에 직접 생성된 AI 콘텐츠뿐 아니라, 외부에서 붙여 넣은 AI 생성 콘텐츠도 식별한다. - Word의 Copilot, Google Docs의 Gemini 사용도 기록 대상에 포함된다. - 현재까지 학생들이 500만 건 이상의 Authorship 보고서를 생성했다. ## Blackboard 연동 방식 ### 교수자의 과제 설정 - Blackboard 과제 생성 화면의 **Originality Report** 영역에서 **Enable Grammarly Authorship** 옵션을 켠다. - 별도의 복잡한 절차 없이 과제 단위로 Authorship 보고서 제출을 요구할 수 있다. ### 학생의 작성 및 추적 - 학생은 평소 사용하던 Word, Google Docs, Word Online, Grammarly Docs에서 Authorship 추적을 클릭 한 번으로 활성화한다. - AI 도구 사용이나 외부 텍스트 붙여넣기 시 출처가 자동 기록된다. - 학생은 작성 중 언제든 자신의 Authorship 보고서를 확인할 수 있다. ### 보고서 제출 - 학생이 Authorship 보고서 공유 설정에서 **Anyone with the link**를 선택한다. - 일반적인 Blackboard 과제 제출 과정에서 과제 파일과 보고서 공유 링크를 함께 제출한다. - 교수자는 Blackboard에서 학급 전체의 Authorship 현황을 확인할 수 있다. ### 교수자의 검토 - 모든 학생의 보고서를 일일이 처음부터 열람할 필요 없이 전체적인 현황을 한눈에 볼 수 있다. - 추가 확인이 필요한 학생에 대해서는 작성 과정 재생 기능으로 입력·붙여넣기·AI 사용 흐름을 자세히 살펴볼 수 있다. - 이를 통해 모든 학생을 조사하기보다 특이 사례에 집중할 수 있다. ## 학생·교수·기관에 제공하는 가치 - **학생** - AI를 사용했는지 여부와 관계없이 자신의 사고와 작성 과정을 증명할 수 있다. - 부당한 AI 사용 의심이나 오탐으로부터 자신을 보호할 수 있다. - 출처를 기록하는 습관을 통해 장기적인 AI 활용 능력과 학업 윤리를 기를 수 있다. - **교수자** - 과제별로 Authorship 보고서 제출을 의무화할 수 있다. - 학급 단위 화면에서 전체 제출물을 빠르게 검토할 수 있다. - 의심되는 경우에만 개별 작성 과정을 확인해 채점과 검증에 드는 시간을 줄일 수 있다. - 학업 부정행위 조사를 처벌 중심이 아닌 학습과 대화의 기회로 전환할 수 있다. - **교육기관** - 여러 학과와 캠퍼스에 일관된 학업 신뢰 기준을 적용할 수 있다. - 학생과 교수가 이미 사용하는 작성 도구를 유지하므로 새로운 작업 습관을 강요하지 않아도 된다. - 기관 차원에서 AI 사용을 어떻게 관리하는지 설명할 수 있는 확장 가능한 체계를 마련할 수 있다. ## 도입 현황과 의미 - Blackboard 연동 기능은 Blackboard를 사용하는 Grammarly for Education 기관 전체 플랜 고객에게 제공된다. - 관리자는 LTI를 설치해 Blackboard와 Authorship을 연결할 수 있다. - 글의 결과물만 평가하는 것이 아니라 작성 과정과 출처를 함께 확인함으로써, AI 사용이 일상화된 환경에서 학생과 교수 모두가 더 신뢰할 수 있는 평가 기반을 제공한다. 실무적으로는 단순한 AI 탐지 도구로 사용하기보다, 과제 제출 시 작성 과정 공개를 기본 원칙으로 삼고 의심 사례에 한해 상세 보고서를 검토하는 방식이 효과적이다.

원문 읽기(새 탭에서 열림)
생성형 AIgrammarlygoogle-docsacademic-integrity+4
google3분 읽기큐레이션 요약

확산 모델의 창의성을 명확히 이해하기 위한 여정

확산 모델의 창의성은 학습 데이터의 단순 암기가 아니라, 신경망이 점수 함수(score function)를 완벽하지 않고 매끄럽게 학습하는 데서 비롯됩니다. 정규화와 신경망의 암묵적 정규화는 점수 함수의 급격한 변화를 완화하고, 생성 과정이 학습 샘플 사이를 보간하도록 만듭니다. 그 결과 모델은 데이터의 구조를 유지하면서도 학습 데이터에 없는 새롭고 그럴듯한 샘플을 생성할 수 있습니다. ## 확산 모델의 생성과 점수 함수 - 확산 모델은 실제 데이터를 노이즈로 오염시킨 뒤, 이를 단계적으로 되돌리는 **디노이징** 과정을 학습합니다. - 생성 과정에서 점수 함수는 현재 데이터가 어느 방향으로 이동해야 하는지 알려주는 일종의 힘의 장 역할을 합니다. - 점수 함수를 완벽하게 학습한다면 노이즈 입자들은 특정 학습 샘플로 수렴할 수 있습니다. - 이 경우 모델은 새로운 데이터를 만드는 생성기보다 학습 데이터를 찾아내는 검색 도구에 가까워집니다. - 즉, 점수 함수의 완벽한 재현은 오히려 암기를 유발할 수 있습니다. ## 1차원 사례에서 나타나는 보간 효과 - 학습 데이터가 `-1`과 `+1` 두 점뿐인 1차원 세계를 생각할 수 있습니다. - 완벽한 점수 함수는 `0` 부근에서 방향이 급격히 바뀝니다. - 왼쪽의 입자는 `-1`로 이동합니다. - 오른쪽의 입자는 `+1`로 이동합니다. - 결과적으로 모든 입자가 두 학습 데이터 중 하나에 도달합니다. - 신경망이 학습한 점수 함수는 이처럼 급격한 변화를 그대로 표현하기 어렵습니다. - 특히 weight decay 같은 정규화는 급격한 절벽 형태를 완만한 경사로 바꿉니다. - 중앙 영역의 힘이 약해지면서 입자들이 학습 데이터에 즉시 수렴하지 않고, 두 점 사이의 **보간 영역(interpolation zone)** 에 머무를 수 있습니다. - 이 보간 영역에서 생성된 샘플이 학습 데이터에는 없지만 두 데이터의 특성을 공유하는 새로운 결과가 됩니다. ## 정규화가 만드는 점수 함수의 평활화 - 연구진은 1차원 점수 함수를 두 층 ReLU 신경망으로 학습하고 AdamW와 다양한 weight decay 설정을 비교했습니다. - weight decay가 강할수록 점수 함수의 중앙 부분이 더 부드러워졌습니다. - 점수 함수가 부드러워지면 데이터 사이를 흐르는 입자의 속도가 느려지고, 특정 학습 샘플로의 붕괴가 완화됩니다. - 명시적인 weight decay를 사용하지 않아도 경사 기반 학습 알고리즘 자체의 **암묵적 정규화** 때문에 같은 평활화가 나타날 수 있습니다. - 따라서 확산 모델의 창의성은 우연한 학습 실패가 아니라, 신경망 학습 방식에서 자연스럽게 발생하는 수학적 결과로 해석할 수 있습니다. ## 데이터 매니폴드 복원 - 고해상도 이미지처럼 복잡한 데이터는 고차원 픽셀 공간에 존재하지만, 의미 있는 이미지가 차지하는 영역은 극히 일부입니다. - 이 의미 있는 데이터들의 집합을 **데이터 매니폴드**라고 하며, 확산 모델은 유한한 학습 데이터로부터 이 숨겨진 구조를 추정해야 합니다. - 생성은 단순히 학습 샘플을 복사하는 것이 아니라, 데이터 매니폴드 위에서 새로운 점을 찾는 문제로 볼 수 있습니다. - 다차원 공간에서 점수 평활화는 모든 방향에 동일하게 작용하지 않습니다. - 매니폴드에 접하는 방향에서는 학습 샘플로 지나치게 수렴하는 경향을 늦춥니다. - 매니폴드를 향하는 방향에서는 이동을 크게 방해하지 않습니다. - 이 특성 덕분에 입자는 무의미한 고차원 공간에서 매니폴드로 이동하면서도, 매니폴드 위에서는 특정 학습 데이터에 과도하게 붕괴하지 않습니다. - 결과적으로 생성물의 현실성과 새로움 사이에서 균형이 형성됩니다. ## 실용적 의미 확산 모델의 창의성을 이해하려면 단순히 데이터 암기 여부만 볼 것이 아니라, 학습된 점수 함수가 얼마나 매끄러운지와 정규화가 생성 궤적에 미치는 영향을 함께 분석해야 합니다. 적절한 평활화는 학습 데이터에 대한 충실도와 새로운 샘플 생성 능력을 동시에 확보하는 핵심 메커니즘으로 볼 수 있습니다.

원문 읽기(새 탭에서 열림)
생성형 AIdiffusion-modelsneural-networksscore-function+4
cloudflare4분 읽기큐레이션 요약

콘텐츠 독립기념일, 1년 후—에이전틱 인터넷의 비즈니스 모델 구축

AI 확산으로 인터넷의 기존 경제 모델인 “콘텐츠 제공 → 검색 노출 → 추천 트래픽”의 구조가 빠르게 붕괴하고 있다. 사람들은 검색 결과를 직접 방문하기보다 AI가 통합한 답변을 소비하고 있으며, 크롤러의 절반 이상이 AI 학습용으로 사용된다. 이에 Cloudflare는 콘텐츠 접근 통제·투명성·희소성을 통해 콘텐츠 라이선싱 시장을 만들고, 퍼블리셔가 AI 기업과 더 공정하게 거래할 수 있도록 하겠다고 주장한다. ## AI adoption과 오픈 웹의 급격한 변화 - 생성형 AI는 스마트폰보다 2배 이상 빠른 속도로 확산되고 있다. - 약 3.5년 만에 전 세계 25억 명, 즉 인류의 30% 이상이 정기적으로 생성형 AI를 사용하게 됐다. - 인터넷 사용 방식도 바뀌었다. - 온라인에서 정보를 검색하는 1시간 중 실제 오픈 웹에서 보내는 시간은 약 15분에 불과하다. - 여러 웹사이트를 방문해 정보를 비교하는 대신, 사용자는 AI에 질문하고 통합된 답변을 바로 받는다. - 이 변화는 검색 기반 유입에 의존하던 콘텐츠 사업자에게 직접적인 위협이 된다. ## 에이전틱 인터넷과 비인간 트래픽 - 2026년에는 인터넷 트래픽의 50% 이상이 처음으로 비인간 트래픽이 됐다. - AI 에이전트와 크롤러가 정보 검색, 상품 비교, 조사, 업무 수행을 직접 처리하면서 인간 방문자와 자동화된 접근의 경계가 흐려지고 있다. - 콘텐츠 소유자는 자신의 콘텐츠가 누구에게, 어떤 목적으로 사용되는지 파악하기 어려워지고 있다. ## 크롤러의 목적 변화 - 2026년 6월 기준 크롤러 요청의 52%가 AI 학습 목적이었다. - 2025년 봄의 22%에서 크게 증가한 수치다. - 검색·에이전트·학습을 혼합한 크롤러가 전체 활동의 36% 이상을 차지한다. - 순수 검색용 크롤링은 전체에서 작아지고 있지만, 퍼블리셔의 검색 노출에는 여전히 중요하다. - 혼합형 크롤러는 콘텐츠 소유자에게 딜레마를 만든다. - AI 시대에도 발견되려면 크롤링을 허용해야 한다. - 그러나 그 과정에서 핵심 콘텐츠가 보상 없이 AI 학습에 사용될 수 있다. - 따라서 검색을 위한 접근과 AI 학습을 위한 접근을 기술적으로 구분하는 것이 중요해졌다. ## 검색 유입 중심 모델의 붕괴 - 과거에는 콘텐츠를 검색엔진에 제공하면 검색 결과를 통해 방문자가 유입됐고, 그 트래픽이 광고·구독·판매 등의 경제적 가치를 만들었다. - 현재는 콘텐츠가 계속 크롤링되고 사용되지만, 원 출처로 돌아오는 트래픽은 줄어들고 있다. - AI가 원문을 방문하지 않고도 질문에 답하고 제품을 비교하며 업무를 수행하기 때문이다. - 이에 따라 콘텐츠 제작자는 “사람들이 원문을 방문하지 않아도 어떻게 지속 가능한 수익을 만들 것인가”라는 문제에 직면했다. - 일부 퍼블리셔는 검색 유입이 거의 사라지는 상황을 “Google Zero”라고 부르며 대비하고 있다. ## 산업 전반으로 확산되는 영향 - 초기에는 뉴스·미디어 기업이 가장 큰 영향을 받았지만, 현재는 다음 산업으로 확산되고 있다. - 소매 - 소프트웨어 - IT - 금융 - 일부 고크롤링 분야에서는 1년 이내 인간 트래픽이 최대 40% 감소했다. - 인터넷에 독점적이거나 전문적인 정보를 게시하는 모든 조직이 에이전틱 인터넷에 대응해야 한다. - 이 문제는 퍼블리셔만의 문제가 아니라, 인터넷을 기반으로 운영되는 전체 경제와 정보 생태계의 지속 가능성에 영향을 준다. ## 콘텐츠 시장을 만들기 위한 세 가지 요소 Cloudflare는 Content Independence Day 이후 다음 세 가지 방향을 추진했다고 설명한다. - **투명성과 통제** - 사이트 운영자가 자신의 콘텐츠가 어떻게 접근되고 수익화되는지 결정하도록 지원한다. - **희소성 창출** - 무제한 접근을 기본값으로 두지 않고, 콘텐츠 접근을 제한해 소유자의 협상력을 높인다. - **콘텐츠 마켓플레이스** - 콘텐츠 제작자와 AI 기업이 콘텐츠를 발견하고, 라이선스를 협의하며, 콘텐츠 가치를 정할 수 있는 시장을 구축한다. ## 통제와 투명성이 협상력을 만든 방식 - 기존에는 퍼블리셔가 AI 기업의 콘텐츠 접근·사용 방식을 충분히 알기 어려웠다. - Cloudflare의 귀속 분석, 비즈니스 인텔리전스, 집행 도구는 네트워크 수준에서 AI 콘텐츠 소비를 파악하고 통제하도록 했다. - 이는 자발적 규범인 `robots.txt`보다 강력한 집행 수단으로 제시된다. - 운영자는 다음과 같은 데이터를 확보할 수 있다. - LLM이 콘텐츠에 접근하려 한 빈도 - 어떤 경쟁 AI 모델이 크롤링했는지 - 가장 많이 요청된 URL - 크롤링 횟수와 실제 추천 트래픽의 비율 - 이런 데이터는 콘텐츠 접근을 제한해 희소성을 만들고, 라이선스 협상에서 정보 비대칭을 줄인다. - 결과적으로 퍼블리셔는 AI 기업이 콘텐츠를 얼마나 필요로 하는지 근거를 바탕으로 판단하고, 더 유리한 조건을 협상할 수 있게 된다. ## 실용적인 결론 콘텐츠 사업자는 검색 유입만을 성과 지표로 삼기보다 AI 크롤러의 접근 목적과 규모를 측정해야 한다. `robots.txt` 같은 선언적 방식에 더해 접근 제어, 사용량 분석, AI 학습과 검색 접근의 구분, 콘텐츠 라이선싱 정책을 마련하는 것이 필요하다. 앞으로는 콘텐츠를 공개할지 차단할지의 이분법보다, 어떤 용도로 누구에게 어떤 조건으로 제공할지를 관리하는 능력이 핵심 경쟁력이 될 것이다.

원문 읽기(새 탭에서 열림)
생성형 AIAI대규모 언어 모델cloudflare+3
netflix4분 읽기큐레이션 요약

GenPage: 넷플릭스의 엔드투엔드 생성형 홈페이지 구축을 향해

Netflix의 **GenPage**는 기존의 다단계 추천 파이프라인 대신, 하나의 생성형 Transformer가 사용자·요청 맥락을 입력으로 받아 홈페이지 전체를 한 번에 생성하는 방식이다. 행(row), 콘텐츠(entity), 배치(layout)를 함께 생성하므로 페이지 전체의 사용자 만족도와 콘텐츠 간 상호작용을 최적화할 수 있다. 실제 A/B 테스트에서 기존 운영 시스템보다 핵심 참여 지표를 유의미하게 개선했고, 전체 서빙 지연 시간도 20% 줄였다. ## 홈페이지 전체를 생성하는 GenPage - 기존 Netflix 홈페이지는 다음 요소를 별도 단계에서 처리했다. - 어떤 추천 행을 노출할지 결정 - 각 행 안의 콘텐츠 후보 생성 및 랭킹 - 행과 콘텐츠의 최종 배치 - GenPage는 사용자 이력과 요청 맥락을 프롬프트처럼 사용하고, 홈페이지 전체를 자기회귀적으로 생성한다. - 일반적인 생성형 추천기가 평평한 콘텐츠 목록만 생성하는 것과 달리, GenPage는 다음을 함께 생성한다. - 추천 행 - 각 행의 콘텐츠 - 페이지 내 배치 순서와 구조 ## 다단계 추천 시스템에서 엔드투엔드 모델로 - 하나의 Transformer가 원시 입력 신호에서 최종 페이지를 만들기 때문에 여러 모델 간 목표 불일치를 줄일 수 있다. - 후보 생성, 행 랭킹, 콘텐츠 랭킹 등 여러 모델을 유지·운영해야 하는 부담이 감소한다. - 기존의 복잡한 특성 공학(feature engineering)을 줄이고, 데이터·연산량·모델 규모를 늘려 성능을 개선하기 쉬운 구조를 제공한다. - 새로운 콘텐츠 유형이나 UI를 도입할 때 아키텍처를 크게 바꾸지 않고 확장할 수 있다. - 라이브 이벤트 - 게임 - 팟캐스트 - 개인화된 UI 컴포넌트 - 콘텐츠별 개인화 아트워크 ## 페이지 단위 최적화와 강화학습 - 기존 시스템은 주로 개별 콘텐츠나 행의 클릭·시청 가능성을 최적화한다. - GenPage는 페이지 전체를 생성하므로 행과 콘텐츠 사이의 상호작용을 페이지 보상으로 학습할 수 있다. - 예를 들어 상단의 ‘Continue Watching’ 행은 즉각적인 만족도를 높일 수 있지만, 사용자가 다른 행을 탐색하는 양은 줄일 수 있다. - 강화학습(RL)을 적용하면 다음과 같은 전체 페이지 수준의 효과를 고려할 수 있다. - 콘텐츠 다양성 - 여러 행의 탐색성과 시청 유도력 간 균형 - 사용자 만족도와 페이지 탐색량의 trade-off - 흥미롭게도 오프라인 평가에서는 다양성을 직접 보상 목표에 포함하지 않았음에도 RL 후처리 학습 이후 홈페이지 다양성이 증가했다. ## 홈페이지 데이터를 토큰 시퀀스로 표현 - 각 학습 샘플은 홈페이지 노출 한 번을 나타내며 다음 세 요소로 구성된다. - **Context**: 사용자 행동 이력, 프로필 속성, 요청 맥락 - **Page**: 실제 노출된 추천 행과 콘텐츠, 레이아웃 순서 - **Feedback**: 재생, 좋아요, 이탈 등 사용자 반응 - Context와 Page는 모델 입력·출력으로 토큰화한다. - Feedback은 직접 생성하는 대상이 아니라 내부 보상 시스템을 통해 학습 신호로 변환한다. - 결과적으로 모델은 일반 텍스트가 아닌, 구조화된 홈페이지 표현을 생성한다. ## 도메인 특화 토크나이저 - 일반적인 LLM용 텍스트 토크나이저 대신 Netflix 추천 도메인에 맞춘 전용 토크나이저를 사용한다. - 예를 들어 “사용자가 30일 전에 특정 작품을 50분 시청했다”는 이벤트를 다음과 같이 압축할 수 있다. - 엔터티 ID - 행동 유형 - 시간 구간 - 시청 지속시간 구간 - 일반 GPT 계열 토크나이저로 16개 토큰이 필요한 정보를 4개 토큰으로 표현할 수 있어 시퀀스 길이와 추론 비용을 줄인다. - 행과 콘텐츠가 특정 토큰과 직접 대응하므로 제품·비즈니스 규칙을 적용하기도 쉽다. - 생성 결과에 허용되지 않는 콘텐츠나 구조가 포함되지 않도록 제어할 수 있다는 점도 장점이다. ## 사용자 맥락 토큰 - 사용자 행동 이력은 다음 메타데이터를 포함한 행동 시퀀스로 표현한다. - 행동 유형 - 콘텐츠 ID - 발생 시점 - 행동 지속시간 - 명시적 신호와 암묵적 신호를 모두 포함한다. - 명시적 신호: 재생, ‘My List’ 추가, 좋아요 - 암묵적 신호: 예고편 시청, 상세 페이지 방문 - 사용자 프로필에는 언어, 프로필 유형 등을 넣는다. - 요청 맥락에는 시간대, 요일, 사용 기기 등의 정보를 포함한다. - 전체 노출 이력처럼 지나치게 긴 데이터는 요약해서 사용한다. - 이 요약 과정은 모델이 원시 데이터를 완전히 직접 학습하는 대신 사람이 설계한 프롬프트 엔지니어링을 일부 남긴다는 한계가 있다. - 장기적으로는 긴 이력을 엔드투엔드 방식으로 압축하는 것이 중요한 연구 과제다. ## 운영 환경의 주요 과제 - 홈페이지를 실시간 생성해야 하므로 서빙 지연 시간이 핵심 제약이다. - 계속 변화하는 콘텐츠 카탈로그에서 신규 콘텐츠의 콜드 스타트 문제를 해결해야 한다. - 사용자의 관심사와 문화적 트렌드 변화에 맞춰 모델을 지속적으로 최신화해야 한다. - 생성 결과에도 콘텐츠 정책, 제품 요구사항, 비즈니스 규칙을 적용해야 한다. - Netflix는 이러한 제약을 고려하면서도 운영 환경에 GenPage를 적용했다. ## 실험 및 운영 결과 - 성숙하고 최적화된 기존 다단계 추천 시스템과 비교한 온라인 A/B 테스트에서: - 출시 판단에 사용하는 핵심 사용자 참여 지표가 통계적으로 유의미하게 향상됐다. - 전체 엔드투엔드 서빙 지연 시간이 20% 감소했다. - 오프라인 분석에서는 모델 규모를 키우는 것보다 프롬프트에 더 풍부한 정보를 넣는 것이 현재 조건에서 더 큰 효과를 보였다. - 강화학습은 명시적으로 다양성을 최적화하지 않았음에도 페이지 다양성을 높였다. GenPage는 홈페이지를 개별 콘텐츠의 집합이 아니라 하나의 최적화 대상인 페이지로 다룬다는 점에서 의미가 있다. 다만 실시간 지연, 신규 콘텐츠, 최신성, 생성 결과 제어가 핵심 과제이므로, 실제 도입 시에는 도메인 특화 토큰화와 강력한 규칙 검증 계층을 함께 설계하는 것이 현실적인 접근이다.

원문 읽기(새 탭에서 열림)
생성형 AItransformerreinforcement-learningpersonalization+2
figma4분 읽기큐레이션 요약

피그마와 Weave 연결하기 | 피그마 블로그

Figma는 Weavy 인수를 바탕으로 AI 창작 도구인 Figma Weave를 기존 Figma 캔버스와 연결한다. 디자이너는 Figma Design에서 이미지 스타일 변환, 제품 촬영, 소재 추출 등 20개 이상의 사전 구축 AI 작업을 사용할 수 있고, 복잡한 프롬프트나 별도 워크플로 구축 없이 반복적인 제작 업무를 처리할 수 있다. 앞으로는 사용자가 만든 Weave 워크플로를 Figma 도구로 공개·공유하고, Weave 안에서도 Figma 파일과 프레임을 활용할 수 있게 되어 디자인과 크리에이티브 제작의 경계가 더욱 줄어들 전망이다. ## Figma와 Weave의 통합 배경 - Figma는 Weavy를 인수한 뒤 이를 **Figma Weave**로 발전시키고 있다. - Weave는 이미지, 비디오, 애니메이션, 모션 디자인, VFX, 오디오, 3D 작업을 노드 기반 캔버스에서 처리하는 AI 창작 플랫폼이다. - 각 작업은 프롬프트와 모델 실행의 단순한 결과가 아니라, 입력·편집·생성·변형 과정을 연결한 시각적 워크플로로 구성된다. - 팀원은 캔버스에서 제작 과정을 확인하고, 특정 단계만 수정하거나 결과를 반복 생성할 수 있다. - Figma는 이 구조를 기존 협업 캔버스와 결합해 디자인과 크리에이티브 제작을 같은 공간에서 진행하려 한다. ## Figma Design에서 사용하는 Weave 도구 - 20개 이상의 AI 이미지 작업이 Figma Design 왼쪽 패널에서 직접 제공된다. - 각 도구는 복잡한 Weave 워크플로를 간단한 UI로 포장한 형태다. - 주요 활용 사례는 다음과 같다. - 이미지 스타일 전이 - 제품 사진 및 이커머스 촬영 이미지 생성 - 소재·재질 추출 - 다양한 시각 언어를 활용한 아트 디렉션 - 이미지 비율 변경 - 특정 예술 양식으로 사진 변환 - 사용자는 자유 형식 프롬프트를 직접 작성하지 않고 입력 이미지를 추가한 뒤 도구를 선택해 결과를 생성할 수 있다. - 동일한 작업을 반복해도 일관된 방식으로 실행되므로, 반복적인 제작 업무를 몇 번의 클릭으로 처리할 수 있다. - 결과를 여러 갈래로 분기하거나, 서로 다른 모델과 접근 방식을 비교하고, 원하는 결과를 선택해 세부 조정할 수 있다. ## 워크플로를 통한 창작 과정의 표준화 - Weave의 핵심은 하나의 프롬프트보다 **프롬프트와 모델, 편집 단계를 연결한 로직**에 있다. - 사용자는 이미지 생성뿐 아니라 결과 수정, 스타일 적용, 여러 버전 비교를 하나의 흐름으로 관리할 수 있다. - 반복적으로 사용하는 제작 방식을 워크플로로 만들어 팀의 공통 자산으로 활용할 수 있다. - 앞으로는 개인이나 팀이 직접 만든 Weave 워크플로를 Figma 안의 Weave 도구로 게시할 수 있게 된다. - 워크플로를 한 번 정의하면 팀 내부 또는 커뮤니티와 공유해, 제작 노하우와 의사결정 로직을 재사용할 수 있다. ## OutSystems의 활용 사례 - OutSystems의 브랜드 팀 디자이너 Bruno Figueiredo는 Weave를 프레젠테이션 이미지, 애니메이션, 행사 그래픽, 굿즈 제작에 활용한다. - 회사 마스코트 ‘Neo’의 키링 인형을 제작할 때는 외부 전문가에게 의존하지 않고 Weave로 제조용 3D 모델을 만들었다. - 노드 기반 워크플로를 활용해 다음 요소를 반복적으로 조정할 수 있었다. - 일러스트 스타일 - 의상 색상 - 신체 비율 - 여러 모델의 결과 비교 - 여러 플로우를 동시에 실행한 뒤 나중에 결과를 검토할 수 있어, 탐색적인 디자인 작업에 적합하다고 설명한다. - 기존 사진과 일러스트를 확장해 새로운 브랜드 가이드라인을 만들거나, 필요한 스타일의 목업을 생성하는 데도 활용할 수 있다. ## 앞으로의 연결 방향 - 현재는 Weave의 기능을 Figma 캔버스 안으로 가져오는 단계가 먼저 시작됐다. - 동시에 Weave 워크플로를 Figma Community에서 공유할 수 있도록 확장할 계획이다. - 향후 Weave에 **Figma 노드**가 추가되면 Figma 프레임과 디자인 파일을 Weave 워크플로의 입력·편집 과정에 직접 연결할 수 있다. - 이에 따라 디자인 결과물을 별도 도구로 옮기거나, AI 제작 결과를 다시 Figma로 가져오는 번거로운 변환 과정이 줄어들 것으로 보인다. - 최종적으로는 디자이너가 Figma에서 시각적 방향을 정하고, Weave가 생성·변형·반복 실행을 담당하는 통합 제작 환경을 지향한다. 실무적으로는 반복되는 이미지 생성이나 브랜드 스타일 적용 업무를 Weave 도구로 표준화하고, 팀만의 워크플로를 공유 가능한 자산으로 만드는 방식이 가장 큰 활용 포인트다. Akan AI 결과를 그대로 사용하는 것보다, 여러 버전을 비교하고 노드별 과정을 조정하면서 최종 디자인 의도를 관리하는 것이 이 통합의 장점이다.

원문 읽기(새 탭에서 열림)
생성형 AIFigmafigma-weaveimage-generation+2
figma3분 읽기큐레이션 요약

Config 2026: 새로운 소재, 새로운 도구, 더욱 표현력 있는 캔버스 | Figma 블로그

Figma Config 2026의 핵심 방향은 캔버스를 단순한 디자인 작업 공간이 아니라 코드·모션·셰이더·생성형 플러그인 등을 함께 다루는 창작 환경으로 확장하는 것이다. Figma는 AI가 작업의 진입장벽은 낮췄지만 창작의 한계를 넓히는 것은 결국 디자이너와 크리에이터의 몫이라고 강조한다. 이를 위해 디자인과 코드의 경계를 없애고, 더 풍부한 표현과 협업을 캔버스 안에서 가능하게 하려 한다. ## 디자인 캔버스의 확장 - Figma는 이미지, 벡터, 디자인 레이어뿐 아니라 코드와 모션도 디자인 재료로 취급하려 한다. - 코드·모션·셰이더·생성형 플러그인·Weave 도구를 하나의 캔버스에서 조합하는 것이 이번 Config의 주요 방향이다. - 캔버스는 결과물이 저장되는 장소를 넘어, 아이디어를 연결하고 동료와 함께 반복적으로 발전시키는 협업 공간으로 정의된다. - AI가 창작의 진입장벽을 낮췄다면, 더 높은 수준의 창의성과 과감한 시도는 사용자가 만들어야 한다는 관점을 제시한다. ## 코드 레이어로 디자인과 개발 통합 - 기존의 “디자인 대 코드”라는 구분은 인위적인 논쟁이며, 코드는 이미지나 벡터와 같은 디자인 재료라는 것이 Figma의 주장이다. - Figma Design의 모든 디자인 레이어를 클릭 한 번 또는 프롬프트로 인터랙티브한 코드 레이어로 변환할 수 있다. - 코드 레이어를 복제해 여러 구현 방향을 나란히 비교하고 탐색할 수 있다. - 일반적인 Figma 캔버스처럼 팀원이 같은 파일에서 코드를 수정하고, 의견을 남기고, 반복 작업을 진행할 수 있다. - 코드로 만든 결과물을 다시 편집 가능한 디자인 레이어로 추출할 수 있다. - 디자인 레이어를 수정한 뒤에는 한 번의 클릭으로 변경 사항을 코드 레이어에 반영할 수 있어 디자인과 구현 사이를 양방향으로 오갈 수 있다. - 코드 레이어의 얼리 액세스는 7월부터 시작될 예정이며, 베타 대기자 등록을 통해 참여할 수 있다. ## Figma Motion으로 디자인에 움직임 추가 - Figma Design 안에 타임라인 기반의 모션 제작 기능이 추가된다. - 키프레임과 프리셋을 사용해 처음부터 애니메이션을 만들거나, 기존 디자인에 모션을 덧입힐 수 있다. - Figma agent를 이용해 애니메이션의 초기 시안을 생성할 수도 있다. - 모션 디자이너에게는 반복적인 작업을 줄이고, 창의적인 표현에 더 집중할 수 있는 환경을 제공한다. - 애니메이션을 컴포넌트에 한 번 정의하면 여러 화면과 협업자의 파일에서 디자인 시스템의 일부처럼 재사용할 수 있다. ## 모션과 개발 도구의 연결 - Dev Mode에서는 전체 타임라인을 확인하고 검사할 수 있다. - 각 키프레임, 타이밍 값, 이징 곡선을 별도의 해석 없이 읽을 수 있다. - 애니메이션 코드를 CSS, JSON 또는 React 프레임워크용 코드로 직접 복사할 수 있다. - MCP와 호환되므로 애니메이션이 적용된 프레임을 코딩 에이전트로 전달해 구현할 수 있다. - 결과물은 MP4, WebM, Animated SVG, GIF 등으로 내보낼 수 있으며, 향후 더 많은 포맷이 추가될 예정이다. Figma Config 2026은 디자인·개발·모션을 별도 도구로 분리하기보다 하나의 협업 캔버스에서 연결하려는 흐름을 보여준다. 특히 코드 레이어와 Figma Motion은 디자이너가 구현 가능성을 즉시 실험하고, 개발자는 디자인 의도와 애니메이션 세부 정보를 정확히 확인하도록 돕는 기능으로 볼 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIFigma모델 컨텍스트 프로토콜React+3
netflix5분 읽기큐레이션 요약

더욱 정교하게 제어할 수 있는 AI 영상 편집을 향해: 넷플릭스의 초기 연구 탐색

넷플릭스는 AI가 영상 전체를 무분별하게 재생성하지 않고, 창작자가 지정한 부분만 정밀하게 수정해야 전문적인 영상 편집에 활용될 수 있다고 주장합니다. 이를 위해 편집 영역만 별도 레이어로 생성하는 Vera와, 객체를 제거한 뒤 물리적으로 자연스러운 장면을 복원하는 VOID를 제안했습니다. 두 연구의 목표는 원본 영상의 정체성·연기·배경을 보존하면서도 복잡한 편집 작업을 자동화해 창작자의 통제력을 높이는 것입니다. ## 전문 영상 편집에서 AI가 겪는 문제 - 기존 생성형 비디오 편집 모델은 수정 대상뿐 아니라 영상 전체의 픽셀을 다시 생성하는 경우가 많습니다. - 그 결과 다음과 같은 의도하지 않은 변화가 발생할 수 있습니다. - 인물의 얼굴이나 정체성 변화 - 배우의 연기와 동작 변형 - 배경, 소품, 장면의 세부 정보 훼손 - 객체 제거 모델은 대상 객체를 지우는 데 집중한 나머지, 객체가 장면의 물리적 상호작용에 미친 영향을 복원하지 못할 수 있습니다. - 그림자, 반사, 가려진 배경, 움직임의 연속성이 깨지면 객체를 제거한 결과가 부자연스럽게 보입니다. ## Vera: 편집 영역만 생성하는 레이어드 비디오 확산 모델 - Vera는 원본 영상 전체를 재생성하지 않고 다음 두 가지를 별도로 생성합니다. - **편집 레이어**: 새로 추가하거나 변경할 시각적 요소 - **알파 매트**: 편집 레이어가 적용될 영역을 나타내는 grayscale 마스크 - 생성된 레이어를 원본 영상과 합성하므로, 편집 영역 바깥의 원본 픽셀은 그대로 유지됩니다. - 텍스트 지시를 기반으로 다음과 같은 작업을 지원합니다. - 객체 추가 - 배경 변경 - 복잡한 장면의 시각적 요소 수정 - 이 방식은 원본 인물의 정체성, 연기, 카메라에 포착된 세부 사항을 보존하는 데 유리합니다. ## Vera의 학습 데이터 구축 - 기존 공개 데이터셋에는 깨끗한 입력 영상, 알파 매트, 편집 레이어, 합성 결과를 함께 제공하는 고품질 레이어드 데이터가 부족했습니다. - 넷플릭스는 오픈소스 영상, 자동 처리, 사람의 품질 검수를 결합해 총 **48만 6천 프레임**, 해상도 **832×480** 규모의 데이터셋을 구축했습니다. - 데이터는 세 단계로 구성됩니다. - **합성 영상** - 고품질 전경 알파 매트를 다양한 자동 생성 배경에 합성 - 객체 추가와 배경 변경을 위한 알파 매트 학습에 활용 - **현실적인 단일 객체 영상** - 분할, 매팅, 배경 인페인팅 또는 생성 과정을 적용 - 사람의 품질 검수를 거쳐 다양한 장면과 카메라 움직임을 확보 - **효과가 포함된 다중 객체 영상** - 개별 객체와 함께 그림자·반사 같은 시각 효과도 분리 - 복잡하고 동적인 장면에서의 합성 성능을 개선 ## Vera의 MoT 모델 구조 - Vera가 생성해야 하는 출력은 서로 다른 특성을 가집니다. - 편집 레이어 - 알파 매트 레이어 - 자연스러운 합성 영상 레이어 - 하나의 공유 아키텍처만 사용하면 데이터 효율이 떨어질 수 있어, Vera는 **Mixture-of-Transformers(MoT)** 구조를 사용합니다. - 하나의 DiT 대신 출력별로 세 개의 DiT를 둡니다. - 각 분기는 독립적인 QKV projection과 FFN 가중치를 유지합니다. - 세 분기의 토큰을 결합한 뒤 joint self-attention을 적용해 서로 간의 상호작용을 가능하게 합니다. - 각 분기는 전문성을 유지하면서 다른 레이어의 정보도 활용합니다. - 세 DiT는 동일한 사전 학습 T2V 모델에서 초기화됩니다. - 추가 입력 처리 방식은 다음과 같습니다. - 원본 영상 토큰은 합성 레이어 토큰에 더해집니다. - 선택적 마스크 영상 토큰은 노이즈가 포함된 알파 토큰에 더해집니다. - 모든 레이어는 동일한 RoPE를 공유하며, 알파·합성 토큰에는 레이어를 구분하도록 0으로 초기화된 학습 임베딩을 추가합니다. ## Vera의 평가와 결과 - 평가용 벤치마크는 다음으로 구성되었습니다. - 객체 추가 72개 - 배경 변경 69개 - 느리고 빠른 움직임, 다양한 카메라 움직임, 단일·다중 객체, 단순·복잡한 장면을 포함합니다. - 성능은 세 기준으로 평가했습니다. - **콘텐츠 보존**: 편집 대상 바깥 영역이 변하지 않았는지 픽셀 및 지각적 유사도로 측정 - **지시문 준수**: 텍스트 프롬프트를 얼마나 정확히 실행했는지 평가 - **영상 품질**: 시간적 일관성과 프레임별 공간 품질 측정 - Vera-1.3B와 Vera-14B는 기존 기준 모델보다 콘텐츠 보존 성능에서 크게 우수했습니다. - 동시에 가장 강력한 기존 모델들과 비슷한 수준의 영상 품질과 지시문 준수 성능을 유지했습니다. ## VOID: 물리적으로 자연스러운 객체 제거 - VOID는 영상에서 객체와 객체가 장면에 미친 상호작용을 함께 제거하는 비디오 인페인팅 모델입니다. - 단순히 객체 영역을 지우는 것이 아니라 다음 요소까지 장면에 맞게 복원하는 것을 목표로 합니다. - 객체 뒤에 가려져 있던 배경 - 객체가 만든 그림자와 반사 - 주변 물체와의 물리적 상호작용 - 시간에 따른 움직임과 장면 연속성 - 따라서 결과 영상은 객체가 처음부터 존재하지 않았던 것처럼 보이도록 설계됩니다. ## 창작자 통제력을 중심에 둔 연구 방향 - 넷플릭스는 AI가 창작자의 의도를 대체하기보다 창작 선택을 확장해야 한다는 원칙을 강조합니다. - 영상 편집 도구는 무엇을 바꿀지뿐 아니라 무엇을 절대 바꾸지 않을지도 통제할 수 있어야 합니다. - Vera는 변경 범위를 레이어 단위로 제한하고, VOID는 제거 후 장면의 물리적 일관성까지 고려함으로써 전문 편집 환경에 필요한 예측 가능성과 보존성을 높이려는 접근입니다. - 연구진은 두 모델의 알고리즘과 실험 결과를 논문으로 공개해 후속 연구와 발전을 촉진하려 합니다. 실무적으로는 영상 전체를 재생성하는 방식보다, 편집 영역·보존 영역·합성 결과를 분리하는 구조가 원본 훼손을 줄이고 편집 결과를 더 쉽게 검수할 수 있습니다. 특히 객체 제거 작업에서는 시각적 삭제뿐 아니라 그림자, 반사, 가려진 배경, 시간적 움직임까지 함께 처리해야 자연스러운 결과를 얻을 수 있습니다.

원문 읽기(새 탭에서 열림)
생성형 AItransformercomputer-visiondiffusion-models+4
aws4분 읽기큐레이션 요약

AWS 주간 요약: 뉴욕 서밋 결산, 하노이 로컬 존, Bedrock의 Grok 4.3, 가격 인하 등 (2026년 6월 22일) | Amazon Web Services

AWS는 뉴욕 서밋에서 장기적으로 가치를 축적하는 AI 에이전트를 중심으로 업무, 보안, 개발, 고객용 애플리케이션 전반의 기능을 확장했다. 동시에 하노이 Local Zone, Grok 4.3, S3 annotations, ECS 오토 스케일링 개선 등 인프라와 생성형 AI 관련 기능도 공개했다. S3 벡터 검색, GameLift 네트워크 대역폭, AWS Marketplace 서비스 등록 수수료 인하를 통해 비용 절감도 추진했다. ## 뉴욕 AWS 서밋: 장기적으로 가치를 만드는 에이전트 - **업무용 에이전트** - Amazon Quick에서 데스크톱 앱을 통해 다단계 자율 에이전트를 생성하고 실행할 수 있다. - 이메일, Slack, 캘린더, 작업을 하나의 우선순위 기반 피드로 통합한다. - 사용자가 설정한 개인화 규칙에 따라 업무를 정리한다. - **보안용 에이전트** - AWS Continuum은 코드 취약점 전 생명주기를 분석·검증·조치하는 AI 기반 보안 서비스다. - AWS Security Agent에 위협 모델링, 주요 Git 플랫폼용 PR 코드 스캔 및 수정 기능이 추가됐다. - Kiro, Claude Code 플러그인, MCP를 통한 IDE 통합도 지원한다. - **개발 및 현대화 에이전트** - Kiro는 네이티브 iOS 앱을 제공한다. - AWS DevOps Agent는 배포 전에 코드 변경 사항을 평가하는 릴리스 관리 기능을 추가했다. - AWS Transform은 기술 부채를 지속적으로 줄이는 자동 현대화를 지원한다. - **고객이 만드는 에이전트** - Amazon Bedrock AgentCore에 인프라·오케스트레이션용 GA 하네스가 추가됐다. - Web Search, Managed Knowledge Base, Guardrails 정책 통합을 제공한다. - AWS Context 서비스는 조직 데이터 간 관계를 매핑해 에이전트의 맥락 이해를 돕는다. ## 하노이 Local Zone과 데이터 주권 - 베트남 하노이에 `ap-southeast-1-han-1a` Local Zone이 추가됐다. - Amazon S3와 Amazon EBS Local Snapshots를 지원한다. - 데이터를 현지에 저장하고 백업할 수 있어 데이터 레지던시 요구사항을 충족하는 데 유리하다. - AWS Global View의 Regions and Zones 탭 또는 `ModifyAvailabilityZoneGroup` API로 활성화할 수 있다. ## AWS Blocks와 개발 환경 단순화 - AWS Blocks는 애플리케이션 개발자를 위한 오픈 소스 TypeScript 프레임워크다. - AWS 계정 없이도 Postgres, 인증, 실시간 메시징을 포함한 로컬 실행 환경을 제공한다. - 배포 시 동일한 코드를 변경 없이 AWS 프로덕션 서비스에서 실행할 수 있다. - 필요할 때 AWS CDK로 전환해 클라우드 리소스를 직접 구성할 수 있다. ## Bedrock, S3, 에이전트 기능 확장 - **Grok 4.3** - xAI의 Grok 4.3을 Amazon Bedrock에서 사용할 수 있다. - 추론, 에이전트 워크플로, 엔터프라이즈 애플리케이션을 지원한다. - 도구 호출, 구조화된 출력, 응답 스트리밍을 제공한다. - **S3 annotations** - S3 객체에 최대 1GB의 풍부하고 변경 가능한 컨텍스트를 직접 연결할 수 있다. - 해당 컨텍스트는 조회 가능하며, AI 에이전트가 데이터를 탐색·이해·처리하는 데 활용된다. - 별도의 메타데이터 시스템을 유지하지 않고도 대규모 AI 및 자동화 워크플로를 구성할 수 있다. - **Strands Agents** - 오픈 소스 에이전트 개발 도구인 Strands에 컨텍스트 관리 기능이 강화됐다. - Strands Shell은 격리된 실행 환경을 제공한다. - Strands Evals에는 장애 주입 테스트와 레드팀 테스트 기능이 추가됐다. ## 성능과 운영 기능 개선 - **ECS 서비스 오토 스케일링** - 20초 단위 고해상도 지표와 지표 게시 최적화를 지원한다. - 테스트에서 스케일 아웃 트리거 시간이 363초에서 86초로 76% 단축됐다. - 확장 및 신규 태스크 프로비저닝까지의 전체 시간은 386초에서 109초로 72% 줄었다. - **EC2 G7** - NVIDIA RTX PRO 4500 Blackwell Server Edition GPU와 6세대 Intel Xeon 프로세서를 탑재한다. - G6 대비 AI 추론 성능은 최대 4.6배, 그래픽 성능은 최대 2.1배 향상됐다. - **Management Console Private Access** - 인터넷 연결 없이 VPC에서 AWS Management Console에 접근할 수 있다. - 에어갭 환경에서도 엄격한 네트워크 보안 정책을 유지하며 인프라를 관리할 수 있다. ## 보안 및 마켓플레이스 - Palo Alto Networks Advanced DNS Security를 Route 53 Resolver DNS Firewall에 직접 적용할 수 있다. - 별도 방화벽을 배포하거나 VPC 구성을 변경하지 않고 DNS 위협 방어 기능을 사용할 수 있다. - AWS Marketplace Storefront가 정식 출시되어 파트너가 자체 브랜드 카탈로그를 웹사이트나 애플리케이션에 구축할 수 있다. - 고객은 AWS Marketplace를 통해 파트너 솔루션을 검색하고 구매할 수 있다. ## 가격 인하 - **Amazon S3 Vectors** - 대규모 벡터 인덱스의 유사도 검색 쿼리 요금을 최대 80% 인하했다. - 기존 애플리케이션 변경 없이 자동 적용된다. - AI, RAG, 시맨틱 검색 비용 절감에 직접적인 효과가 있다. - **Amazon GameLift Servers** - 6세대 이상 인스턴스의 AWS 내 네트워크 송수신 대역폭을 무료화했다. - On-Demand와 Spot 모두 적용되며, 사용자는 인스턴스 시간만 지불한다. - **AWS Marketplace 전문 서비스** - 등록 수수료를 기존 2.5%에서 0.5%로 낮췄다. - 컨설팅 업체, 시스템 통합 사업자, 관리형 서비스 제공업체의 거래 비용을 줄인다. 이번 발표의 방향은 AI 에이전트를 실제 업무와 운영에 통합하는 동시에, 데이터 주권·보안·성능·비용 문제를 함께 개선하는 것이다. 에이전트 기반 애플리케이션을 구축하려는 팀은 Bedrock AgentCore와 S3 annotations를 검토하고, 대규모 검색·게임·서비스 운영 환경은 이번 가격 및 성능 개선의 적용 여부를 확인하는 것이 좋다.

원문 읽기(새 탭에서 열림)
생성형 AIAI 에이전트PostgreSQLTypeScript+4
line5분 읽기큐레이션 요약

분석 에이전트의 힘으로 분석을 하나로 연결하다! 전문 조직에서 도전하는 생성 AI 시대의 업무 혁신과 역할 전환

PJ One Piece는 생성형 AI 에이전트로 비즈니스 질문, 데이터 분석, 결과 해석, 다음 액션까지 연결해 분석 업무의 단절을 없애려는 프로젝트입니다. 기존에 평균 2주 걸리던 분석을 약 10분 만에 수행할 수 있게 되었고, 사업부 구성원의 절반 이상이 사용하는 플랫폼으로 확산되었습니다. 핵심은 단순한 SQL 자동화가 아니라 도메인 지식, 분석 프로세스, 도구, 로그와 피드백을 결합해 조직의 분석 역량을 지속적으로 축적하는 데 있습니다. ## 프로젝트 출범 배경: 세 가지 단절 - **비즈니스와 데이터의 단절** - DWH와 BI가 있어도 SQL 작성, 테이블·컬럼 선택, KPI 정의, 결과 해석에는 높은 장벽이 남아 있었습니다. - 데이터에 접근할 수 있는 것과 사업 담당자가 필요한 정보를 스스로 얻는 것 사이에 ‘마지막 1마일’이 존재했습니다. - **분석 프로세스 내 단절** - 과제 정의, 분석 설계, 실행, 리뷰, 액션이 담당자와 도구의 차이로 분리되었습니다. - 사업 배경과 의사 결정 목적이 제대로 전달되지 않아 재작업이 발생했고, 단계 사이의 대기 시간으로 리드타임이 길어졌습니다. - 분석 품질이 균일하지 않고 결과가 실제 액션으로 이어지는 속도도 떨어졌습니다. - **도메인 간 단절** - 사업마다 KPI, 테이블 구조, 사용자 행동, 시책 맥락이 달라 분석 지식과 패턴이 특정 도메인에 머물렀습니다. - 시책 평가, 퍼널 분석, 원인 분석처럼 구조가 유사한 분석도 조직 전체에서 재사용하기 어려웠습니다. ## 분석 에이전트로 분석 흐름 연결 - 사용자는 채팅 형태의 화면에서 자연어로 질문을 입력합니다. - 에이전트는 질문의 목적을 해석하고 분석 계획을 세운 뒤 다음 작업을 수행합니다. - 필요한 데이터와 문서 탐색 - SQL·Python 기반 집계 및 분석 - 시각화와 보고서 작성 - 결과 해석과 추가 분석 제안 - 다음 의사 결정과 액션 검토 - 자연어 질문만으로 분석을 시작할 수 있어 사업 담당자가 데이터 사이언티스트에게 요청하고 기다리는 구조를 줄입니다. - 질문 정리, 지표 선택, 비교 축, 리뷰 관점, 추가 분석 판단을 로그로 남겨 분석 지식과 패턴을 재사용 가능한 자산으로 만듭니다. ## 분석 플랫폼을 구성하는 다섯 가지 요소 - 사용자와 상호작용하는 애플리케이션 - 추론과 도구 사용을 담당하는 LLM 기반 에이전트 - SQL·Python 실행, 사내 문서 조사, 시각화 도구 - 도메인 지식, 스킬, 테이블 정보를 제공하는 지식 베이스 - 실행 로그, 사용자 피드백, 모니터링과 평가를 담당하는 측정 시스템 - 지식 영역은 도메인별 플러그인으로 확장할 수 있으며, 사용량이 늘수록 지식과 분석 패턴이 축적됩니다. ## 자연어 질문을 분석 요구 사항으로 변환 - 사용자가 상세한 분석 설계를 직접 작성하도록 요구하지 않고, 에이전트가 부족한 전제 조건만 확인합니다. - 예를 들어 캠페인 효과 분석에는 대상 정책, 기간, KPI, 비교 대상, 분석 단위, 제외 조건 등이 필요합니다. - 서비스 이해, KPI 정의, 집계 주의사항, 정책 탐색 방법, 리뷰 관점은 도메인 지식으로 관리합니다. - 테이블과 컬럼의 의미, 사용 조건, 적절한 활용 상황도 별도로 정비합니다. - 에이전트는 이미 확정 가능한 항목과 사용자 확인이 필요한 모호한 항목을 구분해 불필요한 질문을 줄입니다. ## 필요한 데이터에 안전하게 접근하는 구조 - 대규모 테이블 정보를 한꺼번에 LLM에 제공하지 않고 단계적으로 공개합니다. - 먼저 테이블 목록으로 후보를 좁힘 - 선택한 테이블의 상세 정의 확인 - SQL 작성 전에 컬럼 설명, 샘플, 파티션 조건, 사용상 주의사항 확인 - 원천 테이블을 그대로 사용하지 않고, 분석에 적합한 속성을 결합한 와이드 테이블을 논리적 뷰나 실제 테이블로 제공합니다. - 복잡한 JOIN을 줄여 SQL 생성 난이도와 오류 가능성을 낮춥니다. - SQL 실행 전후에 시스템 차원의 가드레일을 적용합니다. - `SELECT` 중심의 읽기 전용 제한 - 공개된 테이블 정의 및 사용 규칙 검증 - 파티션 조건 확인 - 개인정보·민감 정보 접근 제한 - 결과 행 수 제어 ## 멀티 에이전트로 분석 맥락 유지 - 슈퍼바이저형 멀티 에이전트 구조를 사용합니다. - 메인 에이전트는 사용자 요청, 분석 목적, 확인된 내용, 다음 판단 과제를 계속 관리합니다. - 통계 검정, 시계열 분석, 클러스터링, 리뷰 등 전문 작업은 역할이 제한된 서브 에이전트에 위임합니다. - 전체 분석 설계와 전문 작업을 분리해 긴 시행착오나 전문 분석이 전체 맥락을 압박하지 않도록 합니다. - 장시간 분석 중에는 발견 사항, 분석 설계, 사용 가능·불가능한 데이터, 제약 조건을 공유해 사용자가 중간에 방향을 수정할 수 있게 합니다. ## 로그와 스킬을 통한 조직 자산화 - 실행 로그로 다음 내용을 추적합니다. - 입력과 출력 - 에이전트의 도구 사용 과정 - 전제 조건 확인 방식 - 분석 설계와 생성된 SQL - 오류가 발생한 지점 - 사용자와 분석 담당자의 피드백을 결합해 프롬프트, 도구, 데이터, 스킬 중 개선이 필요한 영역을 백로그로 관리합니다. - 반복되는 분석은 스킬로 일반화합니다. - 범용 스킬: 시계열 분석, 클러스터링 등 - 도메인 특화 스킬: 월간 보고서, 정책 모니터링 등 - 스킬에는 전제 조건, 비교 축, 주의사항, 결과 해석 방법까지 포함해 다른 담당자와 도메인에서도 재사용할 수 있도록 합니다. ## 선행 도입으로 확인한 사업 가치 - 일부 서비스 사업부에 도입한 결과 구성원의 절반 이상이 사용하는 분석 플랫폼으로 성장했습니다. - 데이터 사이언티스트뿐 아니라 프로덕트 오너와 현장 구성원도 일상 업무에서 먼저 질문하는 진입점으로 활용하고 있습니다. - 기존 요청부터 결과 회신까지 평균 약 2주 걸리던 분석을 약 10분 만에 실행할 수 있게 되었습니다. - 월 수백 건의 분석이 실행되며 데이터 활용 인원이 빠르게 증가했습니다. 분석 AI를 도입할 때는 SQL 생성 자동화에만 집중하기보다, 도메인 지식 관리·데이터 접근 통제·분석 맥락 유지·로그 기반 개선까지 함께 설계하는 것이 중요합니다. 특히 반복 분석을 스킬과 조직 자산으로 축적해야 단기적인 생산성 향상을 넘어 지속적으로 성장하는 분석 플랫폼을 만들 수 있습니다.

원문 읽기(새 탭에서 열림)
생성형 AI대규모 언어 모델AI 에이전트Python+4
aws4분 읽기큐레이션 요약

더 빠르고 정확한 엔터프라이즈 AI 애플리케이션을 위한 Amazon Bedrock 관리형 지식 기반 소개 | Amazon Web Services

Amazon Bedrock Managed Knowledge Base는 기업 데이터를 활용한 생성형 AI 애플리케이션을 몇 분 안에 구축하도록 RAG 파이프라인을 관리형 서비스로 제공한다. 데이터 연결, 검색 정확도 개선, 대규모 인프라 운영을 추상화하고, 네이티브 커넥터·Smart Parsing·Agentic Retriever를 통해 빠르고 정확하며 권한이 반영된 검색을 지원한다. 개발자는 임베딩, 재순위화, 저장소, 기반 모델 등을 직접 조합하지 않고 애플리케이션과 비즈니스 결과에 집중할 수 있다. ## 기업용 RAG 구축의 주요 난점 - 기업 데이터가 S3, SharePoint, Confluence, Google Drive 등 여러 시스템에 분산되어 있다. - 시스템마다 문서 형식, 콘텐츠 유형, 접근 제어 목록이 달라 데이터 커넥터를 직접 개발하고 유지해야 한다. - 검색 정확도를 높이려면 파싱 방식, 문서 청킹, 임베딩 모델, 재순위화, 에이전트 검색 동작을 반복적으로 실험해야 한다. - 수백만 개 문서를 처리하거나 여러 팀의 지식 베이스를 동시에 운영하려면 확장성, 보안, 비용 관리가 필요하다. - 이런 인프라 작업은 개발자가 실제 AI 애플리케이션 개발보다 반복적인 운영 업무에 시간을 쓰게 만든다. ## 관리형 지식 베이스의 추상화 - 저장소, 검색, 임베딩, 재순위화, 기반 모델 선택 등 기존에 직접 구성해야 했던 요소를 하나의 관리형 기능으로 통합한다. - 기본적으로 임베딩 모델, 재순위화 모델, 기반 모델을 자동으로 선택하고 관리한다. - 지식 베이스 규모 확장과 엔드투엔드 RAG 파이프라인 운영을 서비스가 담당한다. - Amazon Bedrock AgentCore Gateway에서 사전 구축된 대상 유형으로 사용할 수 있다. - 몇 줄의 코드만으로 연동할 수 있으며, 역할 기반 권한 생성과 관측성·평가 지표도 AgentCore Observability 대시보드에서 확인할 수 있다. ## 네이티브 데이터 커넥터 - 별도 커넥터 개발 없이 다음 데이터 소스를 연결할 수 있다. - Amazon S3 - SharePoint - Confluence - Web Crawler - Google Drive - OneDrive - SaaS 애플리케이션별 데이터 구조와 권한 정보를 네이티브 방식으로 가져온다. - 지식 베이스 생성 과정에서 데이터 소스를 드롭다운으로 선택할 수 있다. - IAM 역할이 자동 생성되며, 필요한 경우 권한을 직접 수정할 수 있다. ## Smart Parsing을 통한 정확한 데이터 수집 - 데이터 소스와 문서 유형에 맞는 파싱 전략을 자동으로 선택한다. - 커넥터별 데이터 모델을 적용한다. - Web Crawler는 HTML 구조, 삽입 이미지, 표를 보존한다. - SharePoint는 문서 계층 구조와 파일 간 관계를 유지한다. - 문서 내부의 다양한 콘텐츠 유형을 자동으로 감지하고 처리한다. - 문서의 바운딩 박스를 식별한 뒤 기반 모델을 사용해 데이터 추출, 이미지 캡션 생성, 동영상 장면 설명 등을 수행한다. - 기반 모델이 문서 구조를 이해해 의미 있는 콘텐츠 단위로 청킹한다. - 문서 유형과 구조에 따라 검색 정확도와 성능 사이의 균형을 맞춘 기본값을 제공한다. - 고급 사용자는 필요할 때 청킹 전략을 직접 조정할 수 있다. - 일반적으로 프로덕션 수준의 검색 품질을 얻기 위해 필요했던 수 주간의 실험을 줄인다. ## Agentic Retriever의 다단계 검색 - 단순한 한 번의 벡터 검색으로 해결하기 어려운 복합 질의를 처리한다. - 사용자의 의도를 분석하고 질문을 여러 단계의 검색 계획으로 분해한다. - 하나의 지식 베이스 또는 여러 지식 베이스를 대상으로 멀티홉 검색을 수행한다. - 각 단계에서 검색 결과를 평가하고, 충분한 관련 정보가 모이면 검색을 중단한 뒤 상위 결과를 반환한다. - 예를 들어 다음과 같은 질문을 연결해 답할 수 있다. - ML 플랫폼 팀의 클라우드 인프라 예산은 얼마인가? - 비용 정책에서 연간 약정 선결제를 허용하는가? - 해당 팀이 예산으로 선결제를 할 수 있는가? - 첫 번째 질문에서 팀과 예산 정보를 찾고, 두 번째 질문에서 비용 정책을 검색한 뒤, 세 번째 단계에서 두 정보를 결합해 답을 도출한다. ## 생성 및 사용 절차 - Amazon Bedrock AgentCore 콘솔 또는 Amazon Bedrock 콘솔에서 Knowledge Bases 페이지를 연다. - `Create Managed KB`를 선택한다. - 권장 옵션인 `Unstructured Vector Store KB`를 선택한다. - 지원되는 데이터 커넥터와 IAM 권한을 설정한다. - 데이터를 동기화한 뒤 에이전트에 연결하거나 기반 모델의 도구로 제공한다. - 최적화된 기본 설정을 사용하면 몇 번의 클릭만으로 지식 베이스를 생성할 수 있다. Amazon Bedrock Managed Knowledge Base는 기업용 RAG 시스템을 직접 설계·운영해야 하는 부담을 줄이는 데 적합하다. 특히 여러 SaaS 데이터 소스를 통합하거나 복합적인 다단계 질문을 처리해야 하는 조직은 네이티브 커넥터, Smart Parsing, Agentic Retriever를 활용해 초기 구축 시간을 줄이고 검색 품질을 안정적으로 확보할 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIAI 에이전트amazon-bedrockRAG+2
gitlab2분 읽기큐레이션 요약

GitLab과 Capgemini, DevSecOps 혁신 가속화

GitLab과 Capgemini가 글로벌 얼라이언스를 체결해 DevSecOps 전환을 가속화한다. Capgemini는 GitLab Select Partner로서 GitLab Duo Agent Platform을 비롯한 GitLab 포트폴리오와 전문 구현 서비스를 제공해, 고객이 플랫폼 도입 후 실제 성과를 더 빠르게 얻도록 지원한다. 양사는 소프트웨어 공급망 보안, 클라우드 현대화, 생성형·에이전트형 AI 도입을 중점적으로 추진한다. ## 글로벌 DevSecOps 협력 - GitLab은 소프트웨어 개발 생명주기 전반에 AI를 orchestration하는 플랫폼을 제공한다. - Capgemini는 디지털 전환과 비즈니스 혁신 컨설팅 역량을 결합한다. - 고객은 도구뿐 아니라 전환에 필요한 프로세스, 방법론, 구현 지원까지 받을 수 있다. - 이를 통해 플랫폼 구매부터 실제 운영 성과 창출까지의 시간을 단축하는 것이 목표다. ## 클라우드 네이티브 개발과 애플리케이션 현대화 - 기존 레거시 워크로드를 현대적인 클라우드 아키텍처로 이전하도록 지원한다. - 애플리케이션 현대화를 통해 개발·배포 속도와 운영 효율을 높인다. - DevSecOps 방식을 적용해 개발 과정에 보안과 자동화를 통합한다. ## 주권형 솔루션 설계 - 국가별 규제, 지역별 정책, 데이터 레지던시 요구사항을 충족하는 솔루션을 설계·구축한다. - 데이터가 특정 국가나 지역 밖으로 이동할 수 없는 환경에서도 DevSecOps 플랫폼을 활용할 수 있도록 한다. - 공공기관이나 규제 산업처럼 높은 컴플라이언스가 필요한 조직을 주요 대상으로 한다. ## 가치 흐름(Value Stream) 현대화 - 아이디어 구상부터 개발, 테스트, 보안 검증, 배포까지의 소프트웨어 전달 과정을 개선한다. - 개발 생명주기 각 단계의 병목을 줄이고 팀 간 협업과 가시성을 강화한다. - 궁극적으로 아이디어를 제품과 서비스로 전환하는 시간을 단축한다. ## 생성형·에이전트형 AI 도입 - GitLab Duo Agent Platform을 개발 워크플로에 통합한다. - AI가 소프트웨어 개발 생명주기 전반의 작업을 조율하도록 지원한다. - 개발팀이 반복 작업을 줄이고 더 빠르게 소프트웨어를 출시하도록 돕는다. 이번 협력은 GitLab의 DevSecOps 및 AI 플랫폼과 Capgemini의 전환 컨설팅·구현 역량을 결합한 사례다. 클라우드 전환, 규제 준수, 공급망 보안, AI 활용을 동시에 추진하려는 조직이라면 양사의 전문 서비스와 GitLab 플랫폼을 함께 검토할 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIgitlabDevSecOpsgitlab-duo-agent-platform+3
figma3분 읽기큐레이션 요약

이 템플릿을 가져가세요: Figma Weave로 사용자 페르소나에 생동감을 불어넣기 | Figma 블로그

정적 이미지와 반복되는 프로필 사진만으로는 이상적 고객 프로필(ICP)을 실제 고객처럼 생생하게 전달하기 어렵다. Dropbox의 Sara Clayton은 Figma Weave를 활용해 사용자의 얼굴 사진과 간단한 프롬프트를 현실적인 작업 환경 이미지로 바꾸고, 참고 이미지를 추가해 의상과 스타일을 조정했다. 이를 통해 ICP의 스토리텔링을 강화하고, 고객에 대한 공감과 전략적 활용도를 높일 수 있었다. ### 정적인 ICP의 한계 - ICP는 제품을 만들 대상 고객을 구체적으로 묘사하는 문서다. - Dropbox Replay 팀은 영상 편집자, 오디오 엔지니어, 제작 관리자 등을 주요 사용자로 정의했다. - 기존에는 다이어그램, 사용자 스토리, 슬라이드 덱, 동일한 인물 사진을 반복 사용했다. - 이런 방식은 사용자가 실제로 어떤 환경에서 일하고 어떤 도구를 사용하는지 충분히 보여주지 못했다. - Sara Clayton은 사용자의 직업적 맥락과 현실감을 시각적으로 표현할 필요성을 느꼈다. ### 스토리 중심의 사용자 페르소나 - ICP 관점에서 상황을 시간 순서대로 보여주는 슬라이드 덱이 기존 방식보다 효과적이었다. - 예를 들어 미디어 제작자가 타임라인이나 믹싱 보드 앞에서 일하는 모습을 보여주면 사용자의 업무 맥락을 더 쉽게 이해할 수 있다. - 반복되는 증명사진 대신 실제 작업 공간, 복장, 주변 도구를 포함한 장면이 필요했다. - 이러한 시각적 디테일은 페르소나를 단순한 데이터 묶음이 아니라 현실적인 인물로 느끼게 한다. ### Figma Weave를 활용한 이미지 생성과 수정 - 사용자의 얼굴 사진과 한 줄 프롬프트만으로 재택근무 공간에서 작업하는 미디어 제작자 이미지를 생성했다. - 생성된 인물은 Premiere Pro 화면 앞에 앉아 있는 등 직업적 환경이 반영됐다. - 동료의 피드백을 받은 뒤 참고 이미지를 업로드해 의상과 전체적인 스타일을 수정했다. - 일반적인 챗봇형 이미지 생성 도구보다 변수별 결과를 확인하고 반복 수정하기 쉬웠다. - 여러 생성 결과를 시각적으로 비교하면서 원하는 인물, 복장, 환경을 구체화할 수 있었다. ### 페르소나 템플릿과 활용 방식 - 글에서 소개한 템플릿은 현실적인 장면을 포함한 ICP 이미지를 약 2분 안에 만드는 데 초점을 둔다. - 바로 사용할 수 있는 Figma Weave 템플릿에는 다음과 같은 유형이 포함된다. - 자동차 내부의 캐릭터 이미지 생성 - 전문적인 캐릭터 레퍼런스 시트 제작 - 변수 기능을 활용한 다양한 의상과 캐릭터 생성 - 템플릿을 활용하면 반복적인 페르소나 프로필을 여러 상황과 스타일로 확장할 수 있다. ### Figma Weave의 의미 - Figma가 인수한 Weavy를 기반으로 한 Figma Weave는 생성형 AI와 전문 편집 기능을 오픈 캔버스에 결합한다. - 이미지뿐 아니라 동영상, 애니메이션, 모션 디자인, VFX 생성 및 편집까지 지원하는 방향을 지향한다. - 단순히 이미지를 생성하는 것보다 결과를 보고 다양한 요소를 조정하는 반복 작업에 강점이 있다. - Dropbox 사례에서는 더 인간적이고 높은 해상도의 스토리텔링을 가능하게 해 ICP가 제품 전략에 실제로 영향을 주도록 했다. 팀의 ICP나 사용자 페르소나가 텍스트와 반복적인 스톡 이미지에 머물러 있다면, 실제 업무 환경과 행동을 보여주는 장면으로 확장하는 것이 효과적이다. Figma Weave 같은 도구를 사용할 때는 얼굴, 직업 환경, 복장, 참고 이미지 등의 변수를 단계적으로 조정하면 더 일관되고 설득력 있는 페르소나를 만들 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIFigmamotion-designfigma-weave+2
aws3분 읽기큐레이션 요약

AWS에서 제공되는 Anthropic Claude Fable 5: 기본 제공 안전장치를 갖춘 Mythos급 기능 이제 이용 가능 | Amazon Web Services

Claude Fable 5는 Amazon Bedrock과 Claude Platform on AWS에서 제공되는 Mythos급 성능의 모델로, 장시간 실행되는 코딩·지식 작업과 문서·이미지 이해에 강점을 보인다. 동시에 사이버보안·생물학·화학·보건 등 오용 위험이 높은 요청은 Opus 4.8로 전환하는 안전장치를 적용했다. AWS 사용자는 기존 Bedrock 환경에서 Messages, Invoke, Converse API를 통해 모델을 사용할 수 있지만, 이용 전 데이터 공유와 30일 보관에 동의해야 한다. ## Mythos급 성능과 장시간 작업 - 소프트웨어 엔지니어링, 지식 노동, 비전 관련 벤치마크에서 높은 성능을 제공한다. - 이전 모델보다 복잡하고 긴 작업을 중단 없이 오래 수행할 수 있다. - 코딩 및 연구 작업을 비동기적으로 실행해 사용자의 지속적인 개입을 줄인다. - 모델이 작업 중 얻은 학습 내용을 바탕으로 기술을 갱신하고, 자체 테스트 하네스와 평가 방식을 만들 수 있다. ## 고급 비전 기능 - 파일과 PDF 안에 포함된 다이어그램, 차트, 표를 해석한다. - 금융, 법률, 분석, 건축, 게임처럼 시각 자료가 많은 업무에 활용할 수 있다. - 코딩 과정에서 설계 이미지를 분석하고, 구현 결과가 원래 목표와 얼마나 일치하는지 스스로 검토할 수 있다. ## 오용 방지를 위한 안전장치 - Fable 5는 광범위한 사용을 목표로 강력한 안전 제한을 포함한다. - 사이버보안, 생물학, 화학, 보건과 관련된 유해 요청은 Opus 4.8로 대신 처리된다. - 안전장치가 없는 동일 계열 모델인 Claude Mythos 5는 검증된 일부 고객에게만 제공된다. - 높은 수준의 안전장치를 통해 Fable 5의 고성능 기능을 더 많은 고객에게 공개할 수 있다는 것이 Anthropic의 설명이다. ## Amazon Bedrock에서의 접근 방식 - Amazon Bedrock 또는 Claude Platform on AWS에서 사용할 수 있다. - Bedrock에서는 다음 경로를 통해 호출할 수 있다. - Anthropic SDK의 Messages API - `bedrock-mantle` 및 `bedrock-runtime` 엔드포인트 - AWS CLI와 AWS SDK의 Invoke API, Converse API - Bedrock 콘솔의 Playground - 예시 모델 식별자는 Anthropic SDK에서 `anthropic.claude-fable-5`, Converse API에서 `global.anthropic.claude-fable-5`로 제시된다. ## 데이터 공유 및 보관 조건 - 모델 호출 전에 Data Retention API를 사용해 `provider_data_share`를 설정해야 한다. - 출시 시점에는 이 설정을 위한 콘솔 UI가 제공되지 않는다. - `bedrock-mantle`에서는 `/v1/data_retention`, `bedrock-runtime`에서는 `/data-retention` 엔드포인트를 사용한다. - Anthropic은 입력과 출력 데이터를 30일 동안 보관하고 사람에 의한 검토를 요구한다. - 데이터 공유를 활성화하면 추론 데이터가 AWS 외부로 전달될 수 있으므로, 조직의 보안·규정 준수 정책을 먼저 확인해야 한다. ## Python 호출 예시 - Anthropic SDK 사용 시 `anthropic` 패키지를 설치하고 Bedrock Mantle 엔드포인트를 `base_url`로 지정한다. - `client.messages.create()`에 모델명, 최대 토큰 수, 사용자 메시지를 전달해 호출한다. - Boto3의 Converse API를 사용하면 Bedrock의 통합 멀티모델 인터페이스로 Fable 5를 호출할 수 있다. - 예시 작업으로는 여러 지역에서 초당 10만 요청을 처리하는 AWS 분산 아키텍처 설계가 제시됐다. ## 이용 권한과 가격 - 모델 접근 권한은 AWS 계정별로 단계적으로 확대된다. - 아직 접근할 수 없는 계정은 Bedrock 사용량에 따라 추후 활성화되며, 빠른 사용이 필요하면 AWS Support에 문의할 수 있다. - 유해 요청이 Opus 4.8로 라우팅되면 Opus 가격이 적용된다. - 대화 중간에 차단되는 경우 초기 토큰에는 Fable 요금, 이후 토큰에는 Opus 요금이 적용될 수 있다. - Mythos급 모델은 오용 패턴 탐지를 위해 전체 트래픽에 제한적인 데이터 보관이 요구된다. 실제로 도입할 때는 모델 성능뿐 아니라 30일 데이터 보관, 사람의 데이터 검토, AWS 외부 데이터 공유 가능성을 반드시 검토해야 한다. 민감한 업무라면 먼저 Bedrock 권한과 보안 정책을 확인한 뒤 제한된 테스트 환경에서 Messages API나 Converse API로 평가하는 것이 좋다.

원문 읽기(새 탭에서 열림)
생성형 AIPythonamazon-bedrockaws-cli+4
aws3분 읽기큐레이션 요약

Anthropic 및 OpenAI 호환 API에 최적화된 Amazon Bedrock의 새로운 콘솔 환경을 사용해 보세요 | Amazon Web Services

Amazon Bedrock이 Anthropic 및 OpenAI 호환 API에 최적화된 새로운 콘솔 환경을 공개했습니다. `bedrock-mantle` 엔드포인트를 기반으로 GPT, Claude, 오픈 웨이트 모델을 쉽게 비교·평가하고, 프로젝트 단위로 사용량을 분석하며 애플리케이션 개발까지 이어갈 수 있습니다. 모델 선택부터 SDK 코드 생성, AI 코딩 에이전트 연결까지 하나의 워크플로에서 처리하는 것이 핵심입니다. ## `bedrock-mantle` 기반의 새로운 콘솔 - 최신 GPT, Claude, 오픈 웨이트 모델을 지원합니다. - 다음 API 프로토콜과 호환됩니다. - OpenAI Responses API - OpenAI Chat Completions API - Anthropic Messages API - 고성능, 안정성, 보안을 목표로 하는 차세대 추론 엔진을 사용합니다. - 기존 Bedrock 콘솔은 계속 사용할 수 있으며, Agents, Knowledge Bases, Guardrails, 파인튜닝, `InvokeModel` 및 `Converse` API는 `bedrock-runtime`에서 관리합니다. ## 모델 카탈로그와 비교 기능 - 전체 모델 카탈로그를 한 화면에서 확인할 수 있습니다. - 모델별로 다음 정보를 비교할 수 있습니다. - 지원 기능과 모달리티 - 컨텍스트 윈도우 - 토큰 및 입출력 관련 정보 - 가격 - 서비스 할당량 - 리전별 제공 여부 - 최대 3개 모델을 선택해 동일한 프롬프트의 응답을 나란히 비교할 수 있습니다. - 문서와 별도의 한도 계산기를 오갈 필요 없이 모델 평가에 필요한 정보를 통합해서 볼 수 있습니다. ## 프로젝트 기반 개발 및 평가 - 프로젝트를 생성하고 사용할 모델을 지정한 뒤 API 키를 구성할 수 있습니다. - 프로젝트 대시보드에서 다음 지표를 확인할 수 있습니다. - 최근 기간별 추론 요청 수와 오류 - 총 토큰 사용량 - 분당 토큰 사용량 - 분당 추론 요청 수 - 추론 요청당 토큰 수 - 최근 사용 모델 - 이러한 지표를 활용해 모델 선택, 프롬프트 최적화, 워크로드의 일관성을 검토할 수 있습니다. - 모델 평가에서 애플리케이션 구축까지 이어지는 실제 개발 생명주기에 맞춘 구성을 제공합니다. ## 프로젝트 변수와 연동되는 실시간 문서 - 프로젝트에서 선택한 모델 ID, 리전, `bedrock-mantle` 엔드포인트 URL, API 키 참조가 문서와 코드 예제에 자동으로 반영됩니다. - Anthropic 또는 OpenAI SDK와 원하는 프로그래밍 언어, 인증 방식을 선택할 수 있습니다. - 터미널에서 바로 실행할 환경 변수 명령과 `.env` 파일에 저장할 설정을 제공합니다. - 생성된 샘플 코드를 수정하지 않고 애플리케이션에 복사해 빠르게 첫 요청을 테스트할 수 있습니다. - 모델이나 설정을 변경하면 API 레퍼런스와 코드 예제도 프로젝트 설정에 맞게 자동 갱신됩니다. ## AI 코딩 에이전트 연결 - 다음과 같은 AI 코딩 에이전트를 Bedrock을 통해 연결할 수 있습니다. - Claude Code - Cline - Codex - Cursor - OpenCode - 각 에이전트별 설치 방법과 설정 방법을 안내합니다. - AWS IAM 자격 증명 또는 Bedrock API 키를 사용할 수 있습니다. - 필요한 환경 변수를 설정해 에이전트의 요청을 `bedrock-mantle` 엔진으로 라우팅할 수 있습니다. ## 제공 리전과 시작 방법 - Amazon Bedrock 콘솔에서 **Try the Bedrock Mantle Console**을 선택하거나 새 콘솔 링크를 통해 사용할 수 있습니다. - 제공 리전에는 미국, 아시아 태평양, 유럽, 남아메리카 주요 리전이 포함됩니다. - 미국 동부: 버지니아 북부, 오하이오 - 미국 서부: 오리건 - 아시아 태평양: 자카르타, 뭄바이, 시드니, 도쿄 - 유럽: 프랑크푸르트, 아일랜드, 런던, 밀라노, 스톡홀름 - 남아메리카: 상파울루 - 실제 제공 범위는 `bedrock-mantle` 엔드포인트의 리전 목록에서 확인해야 합니다. 새 콘솔은 여러 모델을 빠르게 비교하고, 프로젝트별 사용량을 관찰하며, OpenAI·Anthropic SDK 기반 애플리케이션을 개발하려는 팀에 적합합니다. 반면 Bedrock의 관리형 기능이나 기존 `bedrock-runtime` API를 사용하는 경우에는 기존 콘솔을 계속 활용하면 됩니다.

원문 읽기(새 탭에서 열림)
생성형 AIAI 에이전트amazon-bedrockaws-sdk+3
grammarly4분 읽기큐레이션 요약

플로리다대학교 교수는 교실에서 AI와 싸우는 것을 멈췄다: 동료 심사를 거친 연구가 뒤따랐다

AI 시대의 학생 글쓰기를 감시나 탐지보다 과제 설계의 변화로 해결해야 한다는 글이다. 플로리다대 브라이언 하프 교수는 학생들에게 AI 초안을 먼저 작성하게 한 뒤 자신의 관점에 맞게 수정하도록 했고, 310편의 에세이를 분석해 학생들이 실제로 상당한 편집과 사고를 수행한다는 사실을 확인했다. 연구 결과는 AI 사용 자체보다 학생이 AI 결과물을 어떻게 검토하고 재구성했는지가 더 중요하다는 점을 보여준다. ## 설문조사와 AI 탐지기의 한계 - 설문조사는 학생이 교수나 학교가 기대한다고 생각하는 답변에 영향을 받는다. - AI 사용을 긍정적으로 보는 학생은 사용량을 과장할 수 있다. - 처벌을 우려하는 학생은 사용을 축소해 보고할 수 있다. - 여러 차례의 작성·수정 과정에서 AI가 어느 정도 기여했는지 정확히 기억하기도 어렵다. - AI 탐지기는 텍스트가 AI로 작성됐을 가능성을 확률적으로 판단할 뿐, 실제 사용 여부를 확정하지 못한다. - 대부분의 탐지기는 문서 전체에 대한 판정만 제공하며, 어느 부분이 AI 작성인지 또는 AI가 얼마나 기여했는지는 보여주지 않는다. - 결과적으로 기관은 학생들의 AI 사용에 대한 불안은 크지만, 실제 작성 과정에 관한 신뢰할 만한 데이터는 부족하다. ## AI를 배제하지 않고 과제를 재설계하다 - 하프 교수는 AI 사용을 감시하거나 금지하는 대신, 과제 자체에 AI를 포함했다. - “더 나은 인간을 설계할 수 있는가, 그래야 하는가?”라는 강의의 기말 에세이에서 학생들은 다음 과정을 수행했다. - 인간 복제와 유전공학에 관한 AI 생성 초안을 먼저 작성 - 초안을 자신의 견해에 맞게 수정 - 최종 글에 자신의 관점을 반영 - AI 초안을 얼마나 유지하거나 삭제할지는 학생이 결정 - 학생들은 AI 사용 자체로 불이익을 받지 않았기 때문에 사용 사실을 숨길 유인이 줄었다. - 평가의 초점도 “AI를 사용했는가”에서 “AI 결과물을 어떻게 활용하고 비판적으로 수정했는가”로 이동했다. ## 단어 단위 작성 이력을 추적한 Authorship - 하프 교수는 AI 탐지기가 아닌 Grammarly Authorship를 사용했다. - Authorship는 확률적 판정을 내리는 대신 각 문장의 출처를 기록한다. - 학생이 직접 입력한 텍스트 - AI 도구에서 복사한 텍스트 - 다른 출처에서 가져온 텍스트 - 학생들은 에세이와 함께 Authorship 보고서를 제출했다. - replay 기능을 통해 AI 초안이 최종 제출물로 발전하는 과정을 확인할 수 있었다. - 이를 통해 글을 완성된 결과물이 아니라 작성·수정의 과정으로 분석할 수 있었다. ## 310편의 에세이에서 나타난 결과 - 연구 대상은 7개 단과대와 100개가 넘는 전공에 속한 학생들의 에세이 310편이었다. - 학생이 직접 작성한 부분이 많을수록 과제 완료에 더 많은 시간이 걸렸다. - 과제에 투입한 시간과 실제 수정량 사이에 강한 상관관계가 나타났다. - 이는 과제 설계가 학생의 실질적인 참여를 요구할 때 작성 데이터에도 그 흔적이 남는다는 뜻이다. - STEM 전공 학생은 비STEM 학생보다 인간이 작성한 텍스트를 더 많이 생성했다. - 두 집단이 AI 초안의 주장에 동의할 가능성은 비슷했다. - 따라서 단순히 주제에 대한 동의 여부만으로 편집량 차이를 설명하기는 어렵다. - 학업 성취도가 높은 학생일수록 AI 초안을 더 extensively 수정했다. - 이 경향은 모든 전공 분야에서 나타났다. - 수정 깊이는 전공지식보다 전반적인 학업 태도나 비판적 검토 습관과 더 관련 있을 가능성이 있다. - 학생들은 평균적으로 AI 초안의 약 76%를 최종 글에 유지했다. - AI의 주장에 실제로 동의하지 않은 약 5%의 학생들은 훨씬 더 많은 부분을 수정했다. - 자신의 견해가 분명한 학생일수록 AI 초안을 그대로 받아들이기보다 적극적으로 재작성했다. - 310명 중 AI 초안을 전혀 수정하지 않은 학생은 단 2명이었다. - 100% AI 작성 에세이를 제출해도 만점을 받을 수 있도록 허용했음에도 대부분의 학생은 직접 수정했다. - 가장 깊이 참여한 학생들은 학업 성취도도 높은 편이었다. ## 교육기관에 주는 시사점 - 하프 교수의 과제를 그대로 복제할 필요는 없지만, AI를 과제에서 배제하기보다 학습 과정 안에 통합한다는 원칙은 다른 수업에도 적용할 수 있다. - AI 탐지기는 최종 결과에 대한 판정을 제공하지만, 작성 이력 도구는 학생이 어떻게 사고하고 수정했는지 보여준다. - 학생과 교수의 관계를 ‘감시자와 회피자’의 대립에서 작성 과정에 대한 협력적 성찰로 바꿀 수 있다. - 학생이 AI에 사고를 전부 위임할 것이라는 우려와 달리, 명시적으로 AI 사용을 허용해도 많은 학생이 자신의 판단을 반영하기 위해 결과물을 수정했다. - AI의 장점과 한계를 직접 경험하게 하고, 언제 어떻게 사용할지 학생이 판단하도록 가르치는 것이 장기적으로 더 효과적일 수 있다. 과제에 AI 사용을 무조건 금지하기보다는 AI 초안, 학생의 수정 과정, 최종 성찰문을 함께 평가하는 방식이 실용적이다. 특히 작성 이력을 투명하게 기록하면 AI 사용 여부보다 학생의 이해도와 비판적 참여를 더 정확하게 평가할 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIacademic-integritygrammarly-authorshipai-detectors+2