AWS Summit Seoul 2025 참관 후기 + 팁

 

이직 이후 AWS Summit을 오래간만에 참가하게 되었다. 매년 이런 컨퍼런스 행사를 한번씩은 참여하려고 하는데, 작년에 간줄알았더니 작년에는 다른 컨퍼런스 참가했었다. 이번 AWS Summit에서는 유독 아쉬운 점이 많이 보였다.

 

예전에는 그래도 전시장까지 구석구석 안내요원이 있었던 것 같은데, 이번에는 오는 길에 한 명 외에는 못 봤다. 나는 그냥 개발자처럼 생긴 사람들을 쫓아가서 잘 도착했다.

 

그리고 등록데스크도 1층이 아닌 3층에 있었는데, 이게 당최 설명되어 있는 곳도 없고 안내직원도 없어서 1층을 한참 돌아다니다가 어떤 분이 다른 분한테 말씀하시는 걸 귀동냥해서 찾아갔다.

 

1층에도 그랜드볼륨 쪽에 체험존인지 부스인지 무언가 세팅되어 있었는데, 거기에 대한 설명도 없어서 제대로 알아보지도 못했다.

그래도 한두 번 와본 나한테도 불친절하다고 느껴졌는데, 정말 난생처음온 사람들에게는 정말 혼란스럽겠다고 생각이 들었다.

굳이 사람을 세워놓지 않아도 안내판 정도는 구석구석 세워놓을 수 있지않았나라는 의문이 많이 생겼다.

 

 

엑스포도 아쉬움이 많았다. 나는 이번에 회사가 많이 성장하고 있어서 신규서비스를 위해 여러 가지 업체를 컨텍하기 위해서 참석한 목적도 있는데, 업체들이 전반적으로 회사 홍보가 아닌 사은품 증정과 개인정보 수집에 더 집중된 것 같았다. 물론 마케팅을 위해 개인정보를 수집하는 거지만, 나는 이 자리에서 컨설팅을 받아보고 어떤 회사들이 있는지 알고 싶었지만, 당최 부스를 자세히 봐도 무엇을 하는 회사인지 조차 알기 힘든 경우가 많았다.

 

그리고 사은품은 둘째치고 브로슈어를 받아보려고 해도 제대로 된 대응이 안 되는 느낌을 많이 받았다. 지금 와서 생각해 보니까 뭔가 결정권자처럼 안 생겨서 그런가 싶기도 하다. 나는 오전 세션 때문에 14시쯤부터 엑스포를 돌았는데, 이미 부스를 정리 중인 느낌을 많이 받았다. 

 

후기 작성을 위해 23년도 글을 다시 봤는데, 그때도 이미 사은품 별로라는 말이 있었다. 근데 올해는 더했다. 이제는 사은품으로 사탕이나 젤리가 나오기 시작했다. 개인적으로 불닭볶음면은 아직도 이해가 잘 되지 않는다. 그 와중에도 항상 사은품이 개성 있고 센스 있다고 생각되는 곳이 베스핀인데, 올해는 차량용 비상탈출키트를 나눠주었다. 신기해서 집에서 테스트해 봤고 대참사가 나서 손가락 하나 해 먹었다. 제일 귀여웠던 건 아무래도 SUSE의 카멜레온 인형이었다. 사무실에 들고 와서 동료로 같이 일하고 있다.

 

 

그래도 올해는 개인적으로 세션이 도움이 많이 되었다. 아무래도 AI가 발전하면서 모든 업종에서 개발자들이 AI를 활용하기 시작했다 보니 다들 AI를 걸치고 있고 그렇다 보니 예전과 다르게 어떤 업종이든 들어볼 만한 세션이 많아졌다.

 

그러다 보니 나는 이번에 세션내용을 기록하기 위해 클로바노트를 사용해 보았다. 무료 플랜이라서 300분 제한이 있지만, 이번 세션을 감당하기에는 충분했다. 클로바노트로 음성을 텍스트로 변환하고 이를 다시 chat GPT로 요약정리했더니 아주 간단하게 세션이 요약되어 나중에 이해하기 쉬웠다. 지인도 이렇게 가르쳐주니 교육보고서 제출 때 요긴하게 사용했다고 했다.

 

 

아래는 이러한 방법을 이용해 기록되고 요약된 세션들이다. 올해는 17시쯤에 세션이 모두 종료되어서 좀 편하게 움직였다.

 

DX와 AX의 융합:제조업 혁신을 위한 게임체인저 전략

1. 문제 인식

• 글로벌 불확실성 증가로 제조업 환경이 악화됨 (미·중 갈등, 규제 증가, 시장 변화 등).
• 제조업의 본질은 여전히 “좋은 제품을 고객이 원하는 가격에, 적시에 제공하는 것”.
• 하지만 경쟁 심화, 가격 압박, 초개인화 수요, 탄소 규제 강화로 기존 방식으로는 한계 도달.

2. 제조업의 구조적 문제

• 단절된 시스템들(CAD, PLM, MES, ERP 등)로 인해 정보 접근과 활용이 어려움.
• 조직 내 각 부서가 필요한 데이터를 실시간으로 확보하거나 협업하기 어려움.
• 데이터가 있지만 통합되지 않아 의미를 만들 수 없는 상황.

3. 과거 주요 DX 프로젝트 예시

• CDP(Customer Data Platform): 고객 데이터를 직접 확보하고 분석하기 위함.
• MI(Market Intelligence): 시장 정보를 통합 분석해 전략 수립.
• 예지보전(Predictive Maintenance): 딥러닝으로 장비 수명 예측.

예지 보전(Predictive Maintenance)은 AI, 사물 인터넷, 빅데이터 분석 기술을 활용하여 설비의 상태를 실시간으로 모니터링하고 고장 발생을 예측하여 적시에 유지보수를 수행하는 것을 의미

➡ 그러나 이들 프로젝트는 제조업 전체 라이프사이클의 일부만 다룸.

4. 현재 제조업의 현실

• 제품 설계 → 공급망 → 제조 → 고객 전달 → 제품 서비스까지의 전주기 흐름 존재.
• 이 흐름을 따라 다양한 시스템이 사용되지만 전부 격리되어 통합이 안 됨.

5. 근본적 해결 과제

• 데이터 통합 전략 부재로 인한 디지털 트랜스포메이션(DX) 실패율 증가.
  • 파일럿 프로젝트 반복 → “파일럿 지옥” 발생.
  • 실제 비즈니스 가치 실현한 DX 프로젝트는 30% 미만.

 

6. 성공을 위한 전환 전략

• DX의 진정한 의미는 단순 디지털화가 아니라 전통 제조와의 이별.
• IoT: 서로 다른 장비와 프로토콜에서 데이터를 수집.
• 클라우드: 방대한 제조 데이터를 저장·분석할 수 있는 유일한 선택지.
• 데이터 기반 의사결정(Data-driven): 다양한 도구로 실시간 분석 및 대응.
• 자동화·복원력·애자일·지속가능성: DX로 구현 가능한 핵심 키워드.

7. 데이터 중심 문화의 중요성

• 데이터 드리븐 기업만이 연 30% 성장 가능(포레스터·하버드 자료 인용).
• 전체 기업 중 단 26.5%만이 그 수준에 도달.
• 데이터에 문맥(context)을 부여하고, 실시간 활용 가능하도록 해야 진짜 DX 실현 가능.

• 데이터 드리븐(Data-Driven)이란?
• 의사결정의 기준을 직관이나 주관이 아닌 객관적인 데이터(Data)에 두는 업무 방식을 의미합니다.

 

8. DX 추진을 위한 요건

• 클라우드를 기반으로 통합된 데이터 전략 수립.
• 현장 직원도 쉽게 활용 가능한 도구 제공.
• 공장 간 데이터 통합 (글로벌 공장 포함).
• 실패 비용을 낮춰 혁신 시도 유도.
• 보안에 대한 투자도 병행 필요.

 

 

AI 기반 대용량 문서 분석 업무 : 삼성 입찰 안내서 분석 서비스

 Generative AI 기반 건설 계약서 분석 서비스

 

소개

건설 산업에서는 수백 페이지에 달하는 대규모 계약서를 여러 부서가 협업하여 검토해야 하며, 이 과정에서 많은 시간과 전문 인력이 투입됩니다. 본 프로젝트에서는 이러한 비효율을 해결하기 위해, Generative AI 기반의 계약서 분석 서비스를 구축하였습니다.

LLM(Large Language Model)을 중심으로 RAG(Retrieval-Augmented Generation) 기술을 적용하여, 수많은 건설 계약서에서 사용자가 원하는 조항, 책임 조건, 리스크 내용을 질의응답 형태로 빠르게 추출하고 이해할 수 있는 시스템을 구현했습니다.

핵심 기술 구성

• 멀티 에이전트 프레임워크를 통해 사용자 질의에 대해 역할 분담 기반의 협업 처리 (예: 검색, 분석, 요약 에이전트 분리)
• 프롬프트 확장과 검색 강화(Search Enhancement) 기술을 활용하여, 질의에 최적화된 문서 검색 및 응답 생성
• 서버리스 아키텍처 (AWS Bedrock, Lambda, Step Functions) 를 통해 유연하고 확장성 있는 파이프라인 구축
• PDF 계약서 자동 수집 및 전처리 파이프라인, OCR 및 구조 분석 포함
• 키워드 검색과 벡터 검색(PGVector) 을 결합한 하이브리드 인덱싱

성과 및 확장성

• 계약서 검토 소요 시간 90% 이상 단축
• 사내 도메인 지식을 LLM 기반으로 체계화
• SaaS 형태로 다양한 분야(예: 조달, 법률, 설계 검토)로 확장 가능성 확인
• 수천 건 이상의 계약서를 분산 환경에서 처리할 수 있도록 멀티리전 및 비동기 워크플로우 구성

 

생성형 AI 시대의 데이터 파운데이션: 데이터에서 지능으로, 혁신을 만드는 게임 체인저

데이터 파운데이션 개념 및 AWS 확장 전략

📌 데이터 파운데이션이란?

• 무엇: 데이터의 수집, 처리, 통합, 변환, 거버넌스를 아우르는 전략.
• 누구를 위한 것인가: 데이터 실무자, 개발자, 최종 사용자 등 조직 전체.
• 왜 필요한가: 신뢰할 수 있는 데이터 기반의 의사결정.
• 어떻게 실현하나: 유기적으로 연결된 AWS의 데이터 서비스 조합.

---

📌 생성형 AI에 필요한 4대 확장 요소

① 데이터 프로세싱

• 다양한 데이터 타입을 전처리/통합하여 LLM 학습에 활용.

② 벡터 데이터베이스

• Amazon Bedrock 기반의 벡터 인베딩 생성.
• 벡터 인덱싱 후 OpenSearch 등으로 검색 최적화.
• 토큰화 → 벡터화 → 벡터 검색 → 생성형 AI 응답으로 연결.

③ 데이터 통합 (Zero ETL)

• Aurora, DynamoDB → Redshift로 자동 복제.
• 실시간 스트리밍(Kinesis, MSK 등) 데이터 활용.
• Customer 360 전략: 유저 데이터를 하나의 통합 뷰로 제공.

④ 데이터 거버넌스

• AWS Glue, Lake Formation, DataZone을 통한 데이터 카탈로그 및 품질 관리.
• 민감 데이터 감지 및 규칙 기반 품질 모니터링.
• 이동 없이 공유 가능한 보안 기반 데이터 운영 전략.

---

아마존닷컴의 실제 적용 사례

📌 조직 개요

• 아마존 파이낸스 오토메이션: 재무 자동화 전담 부서
  • 공급업체/직원 대금 지급
  • 고객 결제 지원
  • 금융 거래 보안 통제
• 다양한 아마존 사업 부문 (AWS, Music, Device 등)을 통합 지원.
• 수천 명 규모의 데이터 분석 인력 보유.

---

📌 적용 과제

• 전 세계에서 들어오는 다국어 재무 문의를 자동화 및 표준화.
• 다양한 데이터 소스와 포맷을 빠르게 분석, 정제하여 LLM 기반 응답 제공.

---

📌 데이터 파운데이션 아키텍처 적용

• 데이터 수집: 글로벌 재무 거래, 이메일, 채팅 데이터 수집
• 데이터 처리: 형태소 분석, 벡터화, 필터링
• 데이터 통합: 실시간 거래 기록 및 사용자 정보 통합
• 거버넌스: 분석가의 피드백을 기반으로 지속적 데이터 품질 개선
• 응답 생성: 생성형 AI가 문서 기반 응답 생성 (예: 환불 문의, 지급 처리 문의 등)

---

🔮 미래 방향

• AWS는 서버리스 기반의 데이터 파운데이션을 통해,
  • 데이터 수집 → 분석 → 생성형 AI 응답까지 전 과정 자동화 가능
  • 비용 효율, 성능, 보안을 동시에 잡을 수 있도록 확장 예정

그저 Chill한 데브옵스 구축 : 생성형 AI를 통한 차세대 데브옵스 구성하기

🔹 데브옵스의 개념과 필요성

• 과거의 소프트웨어 개발은 레고 조립처럼 문서 부족 상태에서 각 팀이 따로 작업하여 사일로(Silo) 문제를 겪음.
• 개발팀은 코드만 만들고 운영팀은 이를 넘겨받아 운영하면서 문제 발생 시 원인 파악이 어려웠음.
• 데브옵스는 Dev(개발) + **Ops(운영)**의 합성어로, 문화·프로세스·기술을 통합하여 협업과 속도를 극대화함.

---

🔹 데브옵스를 통해 해결할 수 있는 주요 과제들

1. 확장성: 중단 없는 반복적인 서비스 확장 가능
2. 속도: CI/CD를 통해 코드 작성부터 배포까지 시간을 단축
3. 신뢰성: 자동화 테스트, 일관된 운영으로 장애 대응
4. 협업: 사일로 조직을 통합하고 공동의 목표를 지향
5. 보안: DevSecOps로 보안을 전 주기에 통합

---

 

🔹 데브옵스 성숙도 판단 기준

• 도라(DORA) 지표로 4가지 핵심 요소 측정:
  1. 리드 타임 – 커밋에서 배포까지 걸리는 시간
  2. 배포 주기 – 얼마나 자주 배포 가능한가
  3. 변경 실패율 – 프로덕션 반영 시 실패 비율
  4. 평균 복구 시간(MTTR) – 장애 발생 시 복구 시간
• 성숙한 조직은:
  • 리드 타임: 1일 미만
  • 배포 주기: 수시
  • 변경 실패율: 5% 미만
  • 복구 시간: 1시간 이내

---

🔹 데브옵스 성숙도를 높이기 위한 핵심 전략

1. 자동화
   • CICD 도구(GitHub, GitLab, AWS Code 시리즈)를 통해 파이프라인 자동화
   • 리드 타임 단축 및 테스트 자동화로 변경 실패율 감소
2. IaC (Infrastructure as Code)
   • Terraform, AWS CDK 등을 통해 일관된 환경 구성 및 버전 관리
3. 테스트 및 모니터링 자동화
   • 단위 테스트(JUnit, PyTest), UI 테스트(Selenium, Cypress)
   • CloudWatch, Grafana, Prometheus 등을 통한 실시간 모니터링
4. 자가 치유 시스템
   • Auto Scaling, 장애 복구 자동화 등으로 시스템 안정성 향상

---

🔹 생성형 AI로 강화된 데브옵스

• 단순 자동화를 넘어서 ‘지능형 자동화’로 진화
• 생성형 AI가 기존 도구와 다른 점:
  • 문제 분석 및 해결책 제안 가능
  • 비정형 상황에서 유연하게 대처
  • 지속적 학습과 개선을 통해 자동화의 정교함 향상

🌟 기대 효과

• 복잡한 인프라 운영 문제를 스스로 판단하고 대응
• 운영 효율성과 의사결정 속도 향상
• 실제 개발자가 판단하던 일들을 AI가 대신해주어 개발자는 본질적 업무에 집중 가능

---

🔹 AWS에서의 구현 방법: 생성형 AI 스택

1. 기반 인프라 계층 – 모델 학습·배포·추론용 인프라 (GPU 등)
2. 미들웨어 계층 – Amazon Bedrock을 통한 다양한 모델 API 접근
   • Anthropic, Meta, Cohere 등 다양한 모델 카탈로그 제공
   • RAG, 에이전트, 개인정보 보호 기능도 내장
3. 응용 계층 – 생성형 AI 기반 개발 도우미 (예: Amazon Q Developer)
   • 코드 분석, 문서 생성, 테스트 코드 생성 등 지원

---

🔹 결론

• 데브옵스는 단순한 트렌드를 넘어 조직의 혁신과 운영 효율성을 위한 필수 전략
• 생성형 AI는 데브옵스의 자동화를 더 지능적으로, 더 유연하게, 더 빠르게 만듦
• AWS의 다양한 스택을 활용하면 복잡한 설정 없이도 생성형 AI를 빠르게 접목 가능
• 핵심은 '효율성'과 '지속적인 개선'에 있으며, 이를 통해 조직은 더 민첩하고 탄탄한 기술 운영을 할 수 있게 됨