← Financial Cloud Cloud 클라우드 클럽 · Amarathon 2025 정리

극점매크로|Financial Cloud Cloud · AWS Amarathon 2025

극점매크로|Amarathon 2025 정리 34:대규모 로봇 전략 훈련 가속화: Kiro, Trainium 및 EKS 기반 자동화 폐쇄 루프 아키텍처

발표자: Junjie Tang

세션: 34

세션
Summit Dev Lounge2026 Re:cap
01 아키텍처를 Steering으로 인코딩해 AI Agent를 이끌다
Summit Dev Lounge2026 Re:cap
02 Agent Harness가 진짜 엔지니어링 해자다
Summit Dev Lounge2026 Re:cap
03 일상 언어로 관찰 가능성 데이터에 묻다
Summit Dev Lounge2026 Re:cap
04 Bedrock AgentCore로 만드는 Serverless AR 게임
Summit Dev Lounge2026 Re:cap
05 AgentCore 위의 Multi-Agent Quant Backtesting
Summit Dev Lounge2026 Re:cap
06 Kiro로 3분 만에 블로그를 슬라이드로
Summit Dev Lounge2026 Re:cap
AWS Community Day Hong Kong 2025 Re:cap
02 Terraform을 활용한 AWS 컴플라이언스
AWS Community Day Hong Kong 2025 Re:cap
03 초보자에서 빌더로: 멋진 클라우드 여정
AWS Community Day Hong Kong 2025 Re:cap
04 Laravel와 Bref를 활용한 팀 우선 서버리스 엔지니어링
AWS Community Day Hong Kong 2025 Re:cap
05 행사 개회
AWS Community Day Hong Kong 2025 Re:cap
06 Agent-to-Agent: AWS에서 상호 운용 가능한 AI 구축하기
AWS Community Day Hong Kong 2025 Re:cap
07 AI 에이전트와 추가 텔레메트리 데이터를 활용한 신속한 개선
AWS Community Day Hong Kong 2025 Re:cap
08 바이브 코딩을 넘어서: Kiro를 활용한 사양 주도 개발
AWS Community Day Hong Kong 2025 Re:cap
09 MCP 및 AI 에이전트를 활용한 자동화 테스트
AWS Community Day Hong Kong 2025 Re:cap
10 통신 보안 현대화: ML 기반 접근 방식
AWS Community Day Hong Kong 2025 Re:cap
11 GenAI 에이전트 재고찰: RAG와 MCP
AWS Community Day Hong Kong 2025 Re:cap
12 TAK와 AWS를 활용한 재난 및 긴급 대응
AWS Community Day Hong Kong 2025 Re:cap
13 테스트 관점에서 서버리스 애플리케이션 워크플로 재고찰
AWS Community Day Hong Kong 2025 Re:cap
14 클라우드 성공을 위한 실용적인 AWS FinOps
AWS Community Day Hong Kong 2025 Re:cap
15 AWS에서 AI로 구현하는 글로벌 Pure-Alpha 매크로 트레이딩: 위험 조정 자산 수익의 혁신
AWS Community Day Hong Kong 2025 Re:cap
FSI Recap
01 Modern Trade Lifecycle: Trading to Settlement
FSI Recap
02 Goldman Sachs: Fast Track your applications onto Cloud - AWS Re:cap Q1/2023
FSI Recap
03 Zurich Insurance Group: Building an Effective Log Management Solution on AWS
FSI Recap
04 FSI Meetup 2025 Q4 - Brex Database Disaster Recovery
FSI Recap
05 FSI Meetup 2025 Q4 - A Graviton Migration Success Story
FSI Recap
06 FSI Meetup 2025 Q4 - Stifel Modern Data Platform
FSI Recap
07 FSI Meetup 2025 Q4 - Financial Transaction Data Reconciler PayPal
FSI Recap
08 FSI Meetup 2025 Q4 - Scaling Resilience
FSI Recap
09 Maximizing AI Inference Cost Efficiency: Strategic Adoption of AWS GPU Instances
FSI Recap
10 Advanced Agentic AI Design Patterns
FSI Recap
11 Build New Modern Apps on AWS
FSI Recap
AWS re:Invent 2025
01 Coinbase re:Invent 요약 (IND3312)
AWS re:Invent 2025
02 AI 및 AWS를 활용한 미래 거래 플랫폼 구축
AWS re:Invent 2025
03 거래 혁신: Amazon Bedrock 기반 Jefferies AI 어시스턴트(IND3315)
AWS re:Invent 2025
04 FSI가 에이전틱 AI로 HFT 분석을 혁신한 방법(GBL302)
AWS re:Invent 2025
05 Nasdaq 사례로 살펴보는 Amazon Time Sync 기반 분산 시스템 개선
AWS re:Invent 2025
06 글로벌 복원력을 위한 Amazon Aurora HA 및 DR 설계 패턴 (DAT442)
AWS re:Invent 2025
07 에이전틱 AI 구축: Amazon Nova Act와 Strands Agents 실전 활용 (DEV327)
AWS re:Invent 2025
08 Amazon Aurora와 주요 혁신 심층 분석 (DAT441)
AWS re:Invent 2025
09 Amazon S3 심층 분석(STG407)
AWS re:Invent 2025
10 Nasdaq: 글로벌 금융 서비스를 위한 복원력 있는 인프라 구축(HMC327)
AWS re:Invent 2025
11 AWS Lambda의 새로운 기능(CNS376)
AWS re:Invent 2025
12 Kiro를 활용한 스펙 주도 개발(DEV314)
AWS re:Invent 2025
13 Amazon의 FinOps: 글로벌 전자상거래 대기업이 전하는 클라우드 비용 교훈(AMZ308)
AWS re:Invent 2025
14 AWS에서 지연 시간 거래 플랫폼을 거래하려면 선택하세요.
AWS re:Invent 2025
Government data
01 The AI Era: The Boundary Between Development and Design Is Disappearing
Government data
02 On-Device Multimodal AI and Smart-City Practice
Government data
03 Large-Model Capability Evaluation and a Method for Landing AI Projects
Government data
04 Controlled End-to-End Automation of Government Development with Cloud Agents
Government data
05 A New Software Ecosystem for the Agent Era, Seen Through Multi-Agent Systems
Government data
06 AI-Driven Macro Quantitative Research and Smart Governance
Government data
07 Authorized Operation of Public Data and Smart-Government Practice
Government data
08 Putting Data Assetization into Practice: Rights, Compliance, Engineering Governance, and Digital-Government Cases
Government data
09 AI for Mental-Health Public Welfare: Governance, Architecture, and Practice of a Trustworthy Platform
Government data
Amarathon 2025 정리
01 에이전트 아키텍처 설계를 위한 개발자 로드맵
Donnie Prakoso
02 Amazon Bedrock Data Automation
Hafiz Syed Ashir Hassan
03 AgentCore의 멀티 에이전트
Tan Xin
04 에이전틱 AI 구축 Nova Act와 Strands Agents 실전 활용
Haowen Huang
04 사양 주도 개발로 Kiro를 활용하여 마이그레이션 프로젝트 가속화
Sanchit Dilip Jain
06 "매칭"에서 "이해"로: AgentCore Memory가 주도하는 개인화 AI 검색 실습
Liu Cao
07 관찰을 통한 최적화 – LLM 관찰 가능성에서 AIOps까지, 실시간 인사이트를 지능형 자동화로 전환
Jimmy Soh
08 TEAM 배포와 최고의 엔지니어링 팀 구축
Yuji Oshima
09 소위 서버리스 데이터베이스를 5년간 사용하며 얻은 다섯 가지 뼈아픈 교훈
Renato Losio
14 AI가 내 일을 한다면? Q Developer CLI와 Kiro가 내 일상을 어떻게 바꾸었는가
Miguel Angel Muñoz
16 경계심을 갖춘 속도: Amazon Bedrock 에이전트 개발을 위한 필수 보안 사항
Brian Tarbox
26 단일 H100에서 OSS LLM을 더 스마트하고, 저렴하고, 빠르게 실행하기
Adit Modi Adit Modi
28 현대적인 통합 메타데이터 아키텍처: 데이터 사일로를 허무는 새로운 접근 방식
Shaofeng Shi
29 서버리스 MediaOps: Amazon Web Services에서 AI로 비디오 워크플로 자동화
Luis Valdivia
30 대규모 성능 테스트로 효율성과 안정성을 고려한 아키텍처 설계
Luis Guirigay
31 오픈 소스로 세계를 연결하기: 기술, 커뮤니티 및 글로벌 개발자 관계의 실전 여정
Richard Lin
33 실시간 물류 분석을 위한 스트리밍 Iceberg 테이블 구축
Fahad Shah
34 대규모 로봇 전략 훈련 가속화: Kiro, Trainium 및 EKS 기반 자동화 폐쇄 루프 아키텍처
Junjie Tang
35 사양 주도 개발로 감각적 코딩에서 실용적 개발로
Ricardo Sueiras
36 클라우드 비용 분석을 더 스마트하게: Strands와 AgentCore로 FinOps 지능형 에이전트 구축하기
Xiaofei Li
37 CNCF Kagent, K8sGPT, Nova Sonic을 사용하여 K8s용 대화형 에이전틱 AIOps 혁신하기
Shaoyi Li

AI 기반 로보틱스를 위한 지침

● 목표 및 이점 개요: 확장 가능한

로봇 통합…

● 1: 물리 기반 작업을 위한 NVIDIA Isaac Sim…

● 2: 확장 가능한 병렬 실행을 위한 Amazon EC2/EKS 및 Amazon Batch

● 3: AI를 위한 Amazon Bedrock 파운데이션 모델 및 MCP 서버를 통한 에이전트…

● 4: Hugging Face LeRobot(LeRobot은 PyTorch에서 실제 로보틱스를 위한 모델, 데이터 세트 및 도구를 제공하는 것을 목표로 합니다. 로보틱스의 진입 장벽을 낮추는 것이 목표입니다.)

● 5: 결과: 병렬 시뮬레이션

● NVIDIA Isaac Sim, Amazon 컴퓨팅, Bedrock 모델, MCP 에이전트를 결합한 클라우드

네이티브 파이프라인의 중요성과 영향…

● 더 빠른 훈련, 확장 가능한 플릿, 실시간 추론, 지속적인…

● 획기적으로 단축…

● 병렬 작업 지원…

● 실시간 지원…

● 지속적인…

● 결과: 반복적인…

대상 산업…

● 시뮬레이션 기반 훈련으로 더 안전하고 빠르며 맞춤화된…

● 제조 자동화: 더 안전한 시운전, 감소된…

● 창고 및 물류, 로보틱스…

● 소매 및 배송: 효율적인…

● 의료 보조 로보틱스: 더 안전한 환자…

● 농업 및 환경 로보틱스… Delivery

Agent(딜리버리 에이전트) 제공…

● Amazon Professional Services

● 컨설팅 주기 전반의 포괄적인 에이전트 시스템… 엔터프라이즈급

품질 및 보안

● 여러 검증 계층으로 AI 환각 완화

● 고객이 제어하는 안전한 환경

● 전략적 체크포인트에서의 사람의 감독

● 포괄적인 보안 제어 및 프로토콜


AWS Professional Services(ProServe) 에이전트

● AWS Professional Services(ProServe) 에이전트와 연계된 소프트웨어 개발 및 제공용 멀티 에이전트 AI 시스템 아키텍처입니다. 에이전트들이 상호작용하여 소프트웨어 솔루션을 생성하고 관리합니다.

● Sales Agent(영업 에이전트): 요구 사항이나 정보를 워크플로에 입력하여 프로세스를 시작하는 출발점입니다.

● Delivery Agent(딜리버리 에이전트): 요구 사항을 분석하고 AI 애플리케이션을 직접 구축하며 다른 에이전트에게 작업을 위임하여 전문 업무를 조율하는 중앙 오케스트레이터입니다.

● Project Artifacts(프로젝트 산출물): 초기 입력에서 생성되는 출력으로, 문서나 초기 계획일 가능성이 높으며 Design Agent(설계 에이전트)가 사용합니다.

● Design Agent(설계 에이전트): "Project Artifacts(프로젝트 산출물)"를 받아 "Spec Package(사양 패키지)"를 생성합니다. Delivery Agent(딜리버리 에이전트) 또는 "Project Artifacts(프로젝트 산출물)" 단계에 "Feedback(피드백)"을 다시 제공할 수도 있습니다.

● Spec Package(사양 패키지): Design Agent(설계 에이전트)의 출력으로, 빌드 프로세스의 사양을 포함합니다.

● Build Agent(빌드 에이전트): "Spec Package(사양 패키지)"를 사용하여("Autopilot(오토파일럿)"이라는 내부 메커니즘의 안내에 따라) "Coding Artifacts(코딩 산출물)"를 생성합니다.

● Coding Artifacts(코딩 산출물): Build Agent(빌드 에이전트)의 작업으로 생성된 코드 또는 애플리케이션 구성 요소입니다.

● AWS Transform의 Custom agents(사용자 지정 에이전트): 메인 흐름과 통합되는 별도의 연결된 프로세스입니다.

● Security Agent(보안 에이전트): 프로세스 전반에서 보안 정책을 모니터링하거나 시행하는 아키텍처의 상시 계층입니다.

● Amazon Cloud stage/dev(Amazon Cloud 스테이징/개발 환경): 결과 산출물이 배포되거나 관리되는 AWS 환경(스테이징 및 개발)을 나타냅니다.

● Coding Artifacts(코딩 산출물)는 "dev(개발)" 환경으로 전송됩니다.

● "stage(스테이징)" 환경은 "Custom agents(사용자 지정 에이전트)" 프로세스의 출력 또는 엔드포인트로 보입니다.

● 이 시스템은 지능형 에이전트를 사용하여 소프트웨어 개발 수명 주기를 자동화하고 가속함으로써 효율성과 품질을 높일 수 있습니다.