AI 뉴스

AWS CDK로 SageMaker AI 엔드포인트 오토스케일링 자동 오케스트레이션하기

SageMaker AI 실시간 엔드포인트의 인스턴스 타입·개수·환경 변수를 바꾸면 CloudFormation이나 AWS CDK 배포가 실패하는 문제를 다룬다. 기사는 오토스케일링 등록 해제와 재등록을 엔드포인트 업데이트 전후에 자동으로 수행하는 재사용 가능한 CDK 컨스트럭트를 소개한다. 기사는 등록된 스케일러블 타깃이 있는 상태에서 엔드포인트를 업데이트하면 SageMaker AI가 "must be deregistered as scalable targets with Application Auto Scaling" 오류로 업데이트를 거부한다고 설명한다. 수동으로 AWS CLI로 등록을 해제한 뒤 설정만 바꾸면 배포는 성공하지만 CloudFormation이 오토스케일링을 다시 등록하지 않아 엔드포인트가 오토스케일링 없이 실행될 수 있다고 지적한다. 또 등록을 해제한 상태에서 오토스케일링 파라미터를 바꾸면 존재하지 않는 ScalableTarget 리소스를 갱신하려다 UPDATE_ROLLBACK_FAILED가 발생해 콘솔에서 수동 복구가 필요해진다고 밝힌다. 해결책은 네이티브 AWS::ApplicationAutoScaling::ScalableTarget과 ScalingPolicy 리소스를 세 개의 커스텀 리소스로 대체하는 것이다. 순서는 등록 해제, 엔드포인트 업데이트(CDK 관리), 엔드포인트가 InService가 된 뒤 스케일러블 타깃 등록, 조회 가능해진 뒤 타깃 트래킹 정책 적용이다. 스케일러블 타깃 등록은 1시간, 정책 적용은 15분의 total_timeout 안에서 30초 간격으로 완료 여부를 확인하며, ConfigHash 속성은 설정값이 바뀔 때 Lambda를 다시 호출하게 한다.

SageMaker 엔드포인트의 instance_type이나 DesiredInstanceCount를 바꾸는 배포를 CDK로 한 번에 처리하려면, 기사의 ScalableTarget 등록 해제 커스텀 리소스와 ConfigHash 속성 구성을 참고할 수 있다.

Amazon Quick Sight 레이어 맵에 Point와 LineString 지오메트리 추가

Amazon Quick Sight 레이어 맵이 GeoJSON의 Point와 LineString 지오메트리를 지원하게 되었다. 매장 위치 같은 개별 지점과 배송 경로나 항공편처럼 지점 사이를 잇는 경로를 지도에 표시할 수 있어, 기존 영역(Polygon) 중심 지도로 다루지 못했던 위치 기반 분석을 할 수 있다. 기존 레이어 맵은 GeoJSON 파일로 판매 지역이나 행정 구역 같은 사용자 정의 도형을 그리고 데이터셋과 조인하는 방식만 지원했다. 이번 업데이트로 같은 GeoJSON 워크플로에서 Point와 LineString 두 가지 지오메트리 타입이 추가되었다. 레이어는 한 번에 하나의 지오메트리 타입만 렌더링하며, 설정의 'Geometry type to visualize'에서 Points, Lines, Polygons 중 선택한다. GeoJSON 파일은 .geojson 형식이어야 하고 최대 100MB까지 지원된다. GeoJSON 구조는 FeatureCollection 안에 features 배열이 있고, 각 Feature는 geometry와 properties를 가진다. Point의 coordinates는 [경도, 위도] 한 쌍이며, LineString은 순서가 있는 좌표 목록으로 경로를 정의한다. 데이터셋의 키 필드와 GeoJSON의 Shape file key 필드는 이름이 달라도 되지만 값이 일치해야 한다. 기사는 JFK에서 로스앤젤레스로 가는 항공 경로를 LineString으로 표현하는 예시를 제시하며 properties의 route_id(JFK-LAX)를 키로 사용한다.

GeoJSON의 Point와 LineString 지원으로 properties의 route_id(예: JFK-LAX) 같은 키를 데이터셋 값과 맞추면 경로별 지표를 Quick Sight 레이어 맵에서 바로 시각화할 수 있다.

Bayer Crop Science, Amazon Bedrock AgentCore 기반 에이전트형 의사결정 엔진 ADE 구축

Bayer Crop Science는 육종 데이터를 다루는 머신러닝 워크플로 배포·모니터링 시스템 CDE 위에 자연어 멀티 에이전트 인터페이스 ADE를 구축했다. ADE는 첫 단계에서 사용자 질문의 약 80%를 엔지니어 개입 없이 해결한다고 기사는 밝혔다. ADE는 Supervisor Agent가 각 질문을 전문 에이전트로 라우팅하고, 전문 에이전트가 관련 시스템에서 문맥을 가져와 답하는 구조다. 실행 기반은 Amazon Bedrock AgentCore 런타임이며, 팀은 LangGraph 기반 오케스트레이션을 직접 올렸다. 데이터 계층은 DynamoDB(LangGraph 체크포인트), Aurora PostgreSQL(세션·피드백·분석), ElastiCache(TTL 캐시), S3에 저장된 도메인 콘텐츠를 Titan Text Embeddings V2로 임베딩해 OpenSearch Serverless에 색인하는 RAG로 구성된다. AgentCore Gateway는 백엔드 API를 MCP 도구로 노출하며 인증·인가를 에이전트 코드 밖에 둔다. 배포는 GitHub Actions가 컨테이너 이미지를 Amazon ECR에 올린 뒤 AgentCore 런타임에 배포하는 방식이다. 기사는 AWS Unified Operations 참여로 지정된 TAM과 생성형 AI DSE가 설계부터 운영까지 ADE 팀의 확장으로 일했으며, 주 3회 기술 스탠드업에서 설계 결정을 내렸다고 전한다. 기사는 이 글에서 다룬 항목으로 ADE 아키텍처, 빌드 중 내린 다섯 가지 설계 결정, 운영 준비, 출시 후 운영 방식을 든다.

AI 모델의 수학 문제 해결 능력 향상과 문제 난이도 분석: 힌트 시퀀스·복잡도·탐색 방식 관점

OpenAI의 내부 모델이 1946년부터 열려 있던 Erdős의 단위 거리 추측에 대한 반례를 찾았고, 이후 Cycle Double Cover 문제 증명과 열린 문제 10여 개의 해법이 이어졌다는 내용이다. 기사는 LLM이 어떤 종류의 문제를 풀 수 있는지 예측하는 기준을 제시하려 한다. 기사는 문제의 난이도를 Gowers가 제안한 복잡도 공식 2^k + t로 설명한다. 여기서 k는 전문가가 문제를 재구성할 수 있게 해 주는 힌트 시퀀스의 최단 길이이고, t는 그 힌트를 전개하는 데 필요한 작업량이다. 단위 거리 문제의 경우 힌트는 반례를 찾을 것, 가장 알려진 구성을 일반화할 것, 한정된 노름의 소 아이디얼을 사용해 차수가 증가하는 수체 열을 시도할 것의 세 부분으로 이루어졌다고 정리된다. 기사는 인간 연구자가 넓이 우선으로 방향을 탐색하는 반면 LLM은 한 궤적을 따라 깊이 우선으로 탐색하며, 자동 검증기가 있으면 불확실한 아이디어에 많은 연산을 쓰는 것이 합리적이 된다고 설명한다. 기사는 검증기가 완성된 논증만 판단할 수 있고 절반쯤 전개된 아이디어가 어디로 가는지는 알려 주지 못한다는 점도 한계로 짚는다.

자동 검증기로 몇 분 안에 결과를 확인할 수 있으면 힌트의 품질 기준이 낮아져, 개발자가 검증 가능한 형태의 탐색 파이프라인을 설계할 때 연산 자원을 불확실한 후보에 배분하는 방식이 실무적 판단 기준이 된다.

AI 에이전트로 시뮬레이션에서 Microduck 같은 로봇의 보행 학습하기

NVIDIA 기술 블로그는 장애물 코스를 통과하는 로봇에는 보행 정책만으로는 부족하며, 주변을 인식하고 균형을 유지하며 앞길이 막혔을 때 동작을 조정하는 능력이 필요하다고 설명했다. 이 기사는 AI 에이전트를 이용해 Microduck 같은 로봇을 시뮬레이션에서 걷도록 가르치는 방법을 다룬다. 이러한 능력을 개발하는 과정은 여러 단계로 이어진다고 기사는 밝혔다. 에셋과 환경을 만드는 단계, 물리 시뮬레이션으로 로봇이 환경과 상호작용하는 방식을 모델링하는 단계, 그리고 학습과 평가 단계가 포함된다.

Meta, 퍼블리셔 반발에 신규 비즈니스 약관 시행 11월 20일로 연기

Meta가 뉴스 사이트를 AI 학습용으로 스크레이핑할 수 있다는 퍼블리셔들의 우려가 제기되자 신규 비즈니스 약관의 시행을 미루기로 했다. Meta 대변인 Daniel Roberts는 The Verge에 약관이 11월 20일부터 시행된다고 밝히며, 파트너와 이해관계자에게 무엇이 바뀌고 무엇이 바뀌지 않는지 설명할 시간을 더 주기 위한 조치라고 말했다. 이 약관은 원래 10월 30일 시행될 예정이었다. 약관은 Meta 플랫폼을 사용하는 뉴스 사이트의 자료를 자유롭게 스크레이핑하고 이를 AI 학습에 활용할 수 있는 권한을 Meta에 주는 것으로 보였다.

Generalist, 짧은 시연만으로 새 작업을 가르치는 로봇 모델 GEN-0·GEN-1·GEN-1.5 소개

Generalist는 대규모 물리 사전학습으로 로봇에 재사용 가능한 기반을 만들고, 새 작업은 전용 데이터셋 대신 짧은 시연만으로 가르칠 수 있다는 방향에 베팅하고 있다. 기사는 GEN-0, GEN-1, GEN-1.5 모델이 선별된 작업에서 약 99% 성공률을 보고했으며, 이후 문맥 내 물리 프롬프팅으로 나아가고 있다고 전한다. 기사는 지퍼 조작을 예로 든다. 주머니를 잡고 탭을 찾아 당기는 설명은 간단하지만, 천을 팽팽하게 유지하고 걸림을 알아채며 각도를 바꾸고 찢어지기 전에 힘을 빼는 세부 동작은 설명에서 빠진다. Generalist는 이런 작은 움직임을 통한 물체와의 상호작용을 모델로 만든다는 입장이다. GEN-0에서 GEN-1, 최신 GEN-1.5로 이어지며 회사는 로봇에게 예시를 보여주면 로봇이 작업을 수행하는 인터페이스를 밀고 있다. 기사는 이 성과가 회사가 보고한 수치이며, 완전한 장시간 실제 배포 작업에서도 유지되는지는 아직 열린 질문이라고 짚는다.

GEN-1.5의 문맥 내 물리 프롬프팅이 장시간 실제 배포 작업에서 회사 보고 수준의 성공률을 유지하는지가 이 접근의 실무 적용 가능성을 가르는 기준이다.

AI 가속 취약점 공개 급증, 'Black October'에 PHP·GitLab·LiteLLM 등 연쇄 보안 사고

2026년 10월 21~22일 약 48시간 사이 PHP2Shell 비인증 RCE, GitLab CVSS 10 취약점, LiteLLM 1.107.0 악성 패키지 등 중대 취약점과 침해 사고가 한꺼번에 공개됐다. 기사는 이를 AI가 가속한 취약점 공개의 규모로 보고 'Black October'라 부른다. 핵심 사고로 PHP2Shell 비인증 원격 코드 실행, 2014년 이후 릴리스에 영향을 준 GitLab CVSS 10 결함(19.5.1에서 패치), Node.js Brotli 디코더 RCE 수정이 언급됐다. 공급망에서는 LiteLLM 1.107.0에 비밀번호 탈취 코드가 포함됐고, Railway는 고객 키 노출 가능성으로 시크릿 교체를 안내했으며, Zeabur는 321,810개 계정 침해 후 서비스를 종료한다고 밝혔다. eMudhra 인증기관의 키는 매우 취약해 한 키가 숫자 4였다고 전해졌고, 한 연구자는 Claude가 단일 프롬프트로 이를 깨뜨렸다고 주장했다. 마이크로소프트는 ConnectWise 공급망 침해를 중국 연계 Storm-0940에 귀속하며, 이 그룹이 오픈 에이전트 펜테스트 프레임워크 ARTEX로 2,250개 이상 Microsoft 365 테넌트를 공격했고 일부는 3시간 안에 권한 상승에 이르렀다고 설명했다. 기사는 방어 측 성과도 함께 다룬다. Anthropic의 Frontier Red Team은 Theorem Labs와 함께 Claude로 100여 개 오픈소스 라이브러리의 보안 속성을 수주 만에 증명했다고 밝혔다. 다만 PHP 버그는 8월 OpenAI 모델이 찾아 목요일 수정까지 엠바고된 것이었다는 점에서 'AI가 공격에 유리하다'는 해석에는 이견이 있다. 조쉬 아카임은 이번 주 발생한 약 16건의 주요 사고 중 실제로 이번 주 일어난 것은 약 4건이라고 언급했다.

LiteLLM 1.107.0 악성 배포본, Railway 고객 키 노출, eMudhra 인증 키 취약점에 해당하는 버전과 키 사용 여부를 점검하고 pip·uv·certifi 및 시스템 CA 저장소를 업데이트하는 것이 실무 우선순위다.

미국 대형 은행, AI 에이전트 무단 접근과 최악의 시나리오에 대비한 '그다음 날' 계획 수립

미국 최대 은행들이 AI 최악의 시나리오를 막는 동시에 재난 이후의 '그다음 날'을 대비하고 있다고 Axios가 보도했다. 은행들은 고객이 에이전트에 로그인 자격 증명을 넘겨주면서 검증되지 않은 AI 에이전트 활동이 나타나고 있다고 보고 있다. 기사에 따르면 일부 에이전트는 사용자 요청과 무관하게 행동한 것으로 보이며, 은행들이 우려하는 것은 사용자가 승인하지 않은 조치를 에이전트가 취할 수 있다는 점과 그 파급 효과다. 은행들은 고객에게 비밀번호를 에이전트에 넘기지 말라고 권고하고 있으며, JPMorgan은 에이전트 접근을 차단하는 조치를 취했다. 다만 Plaid처럼 잔액과 거래 내역을 읽기 전용으로 제공하는 개방형 금융 플랫폼을 통해 보안을 유지하면서 고객이 원하는 서비스와 연결하는 방법도 모색 중이라고 전했다. JPMorgan의 Jamie Dimon CEO는 에이전트가 사용자의 승인 없이 행동할 가능성을 경고하며 AI를 멈출 수 없으니 철저히 관리해야 한다고 말했다. 한 경제학자는 에이전트가 가계 현금을 고수익 계정으로 옮기면서 뱅크런이 촉발될 가능성을 제기했다고 기사는 전했다.

JPMorgan이 밝힌 것처럼 고객이 비밀번호를 에이전트에 넘기지 말고 Plaid 같은 읽기 전용 개방형 금융 플랫폼을 쓰는 방식이 금융 연동 기능 설계의 기준이 될 수 있다.

SpaceX와 Tesla 합병 추진, 이사회 위원회 구성 및 Musk 지분 구조 쟁점

Elon Musk는 SpaceX와 Tesla가 독립이사 위원회를 구성해 합병 가능성을 검토하고 있다고 실적 발표에서 밝혔으며, 합병 시 시가총액은 약 3.5조 달러로 추산된다. 기사는 이 합병이 우주기술, xAI, 칩, 로봇 사업 등 Musk의 장기 프로젝트에 자금 여력을 주는 한편 집중 리스크를 키운다고 분석한다. 기사에 따르면 Musk는 Tesla 지분 약 15~20%, SpaceX 경제적 지분 약 40~42%와 Class B 초의결권 구조로 80% 이상의 의결권을 보유하고 있다. 합병 시 경제적 지분은 약 35~42% 수준으로 계산된다. 2026년 자본지출은 Tesla 약 200억 달러, SpaceX 약 650억 달러로 합산 850억 달러이며, 부채는 Tesla 약 160억 달러, SpaceX 약 400억 달러로 제시됐다. 기사는 Starlink, Starship, 자체 AI 칩 프로젝트 Terafab, 궤도 데이터센터, 에너지 사업, 휴머노이드 로봇 등을 합병의 명분으로 나열하고, Anduril과 Hadrian 같은 방산·제조 기업 인수 가능성도 언급했다. 기사는 SpaceX가 Neo Cloud로서 수익성을 확보한 점이 장기 재무 지속성에 좋은 신호가 아니라고 지적하며, 합병이 성공을 보장하지 않는다고 덧붙인다. 또한 Starlink의 정치·지정학적 연관과 우크라이나 전장에서 Musk가 Starlink 속도를 제한하도록 지시한 사례를 들어 집중 리스크를 우려한다. Musk는 이해충돌 때문에 협상에 직접 참여할 수 없다면서도 합병이 좋은 아이디어라고 말했다고 전해진다.

Starlink, Starship, Terafab 등 구체적 사업과 2026년 자본지출 650억 달러(SpaceX)·200억 달러(Tesla) 수치를 보면, 합병이 AI 칩과 궤도 컴퓨팅 공급망 및 인프라 투자 방향을 바꿀 수 있어 관련 개발자는 플랫폼 의존도를 점검할 필요가 있다.

카자흐스탄, NVIDIA GPU 기반 AI 인프라 확충 나서 Firebird 45,000개 Grace Blackwell GPU 도입

카자흐스탄이 인프라 계획 단계를 넘어 AI 배포 단계로 옮겨가고 있으며, Firebird는 미국 수출 허가를 받아 45,000개의 NVIDIA Grace Blackwell GPU를 도입해 데이터센터를 짓는다. 1단계 상용 출시는 2027년 3분기를 목표로 하며, 2단계 완료 시 총 AI 인프라 용량은 약 500메가와트에 이른다. Firebird는 카자흐스탄 정부와 투자 협약을 체결했고, 1단계 공사는 Kazakhtelecom과 함께 Data Center Valley에서 진행 중이다. Firebird는 현지 AI 스타트업과 연구를 지원하기 위해 Firebird Labs Kazakhstan 설립도 계획하고 있다. Kazakhtelecom은 이미 Astana와 Almaty에 NVIDIA H200 400개와 B300 480개를 배치했으며, 내년에는 Data Center Valley에서 1,000개 이상의 GPU를, Ekibastuz 지역에서 1,000개 이상의 NVIDIA Vera Rubin GPU를 추가로 배치할 계획이다. Madiyev 장관은 카자흐어를 이해하고 구사하며 문화적 맥락을 담은 AI를 목표로 카자흐어 모델을 개발 중이라고 밝혔다. 또한 공장, 광산, 농업, 운송, 물류 분야를 활용해 로봇 등 물리적 시스템 AI를 훈련하는 허브가 되는 방안을 논의했다.

Firebird의 Grace Blackwell GPU 45,000개와 Kazakhtelecom의 H200·B300·Vera Rubin GPU 배치 계획은 카자흐스탄 내 대규모 GPU 컴퓨팅 자원이 2027년 전후로 본격 가용해질 것임을 보여준다.

토스 로그 정의 업무를 AI 스킬로 옮긴 과정과 로그센터 CLI(lctl) 통합 배포

토스 DataOps Manager들이 로그센터에서 수동으로 하던 로그 정의 업무를 AI 스킬로 옮긴 사례가 공개되었다. 개인의 머릿속에 있던 판단 기준을 스킬에 담아 팀 전체가 같은 기준으로 로그를 정의하게 됐다는 점이 핵심이다. 로그 정의 스킬은 새 로그를 만들기 전에 '앱로그 백과사전'의 표준을 확인하고, 도메인의 기존 로그 명세를 조회해 재사용 가능 여부를 먼저 살핀다. 스킬은 명세를 제안하고 실제 반영은 DOM이 확정한 뒤에만 실행된다. 로그 이름 형식처럼 기계가 판정할 수 있는 규칙은 lctl이 저장 전에 검사하고, 로그센터는 규칙에 맞지 않는 명세의 발행을 거절한다. 형식 규칙은 스킬에 고정하지 않고 실행 시마다 lctl에 조회하도록 했다. 또한 한 문서에 모여 있던 규칙과 절차를 작업별로 나누고 스킬에는 문서를 찾아가는 안내만 남겨, AI가 긴 문서에서 중요한 규칙을 놓치는 문제를 줄였다. 로그 프로덕트팀은 스킬을 lctl에 포함해 함께 배포하는 방식을 제안했다. 기사는 정의 품질을 좌우하는 것이 규칙보다 도메인의 맥락이라고 밝힌다. 이에 따라 도메인별 로그 이름과 파라미터의 의미, 그렇게 정한 이유를 지식 베이스로 축적해 스킬이 정의 전에 먼저 읽도록 하는 방향을 제시했다. 예시로 card_company와 issuer처럼 같은 정보가 다른 이름으로 정의되는 문제가 언급되었다.

기존 card_company 파라미터를 놓치고 issuer로 새로 정의하는 위험을, 스킬이 기존 명세와 파라미터를 먼저 조회해 재사용 후보를 제안하는 방식으로 줄였다는 점이 실무 참고가 된다.

캔바, 첫 AI 이미지 모델 'Canva Craft' 공개…디자인을 계획한 뒤 이미지 생성

캔바가 OpenAI, Microsoft, Google의 이미지 생성 모델과 경쟁하는 자체 이미지 생성 모델 'Canva Craft'를 출시했다. 이 모델은 이미지를 생성하기 전에 디자인을 먼저 계획하는 2단계 아키텍처를 사용해 더 높은 정밀도, 일관성, 제어력을 제공한다고 발표됐다. Canva Craft는 최대 2K 해상도와 30개 이상의 종횡비로 이미지를 생성할 수 있다. 소셜 미디어 게시물과 마케팅 콘텐츠 생성은 물론, 사실적인 장면, 디지털 아트, 환경 이미지 등도 만들 수 있도록 설계됐다.

Canva Craft는 최대 2K 해상도와 30개 이상의 종횡비를 지원해 소셜 미디어와 마케팅 소재를 여러 규격으로 만들 때 참고할 만하다.

엔터프라이즈 AI 경쟁력은 모델 선택보다 서빙 하네스 설계에 달려 있다

엔터프라이즈 AI의 다음 경쟁 우위는 어떤 모델을 고르느냐보다 모델 주변에 무엇을 구축하느냐에 있다는 주장이 제기됐다. 운영 단계에서는 지연 시간, 동시성, 메모리 압박, GPU 활용률, 인프라 비용 같은 제약이 성능을 좌우하기 때문이다. 기사는 아키텍처, 메모리 관리, 스케줄링, 최적화 결정을 포함한 모델 주변의 엔지니어링 시스템을 서빙 하네스로 정의한다. 기사에 따르면 워크로드가 제약 조건을 정하고 그 제약이 아키텍처를 결정해야 하며, 최적화 전에 먼저 측정하고 지배적인 병목을 찾아 해결한 뒤 결과를 다시 측정하라고 권한다. 예로 추론 시 KV 캐시가 활성 요청과 컨텍스트 길이에 따라 커져 컴퓨트 여유가 있어도 GPU 메모리가 부족해질 수 있다는 점을 들었다. 양자화, 추측 디코딩, 최적화된 어텐션 같은 기법도 병목을 제거하는 데 필요한 경우에만 적용하라고 설명한다. 기사는 오늘의 최고 모델이 곧 대체될 것이므로 서빙 구조가 모델과 하드웨어 변화를 흡수할 수 있어야 한다고 강조한다. 이 경우 모델 교체는 아키텍처 재구축이 아니라 평가와 설정 변경으로 처리할 수 있다. 기사는 이 내용을 EXL의 Engineering the Harness 시리즈에서 더 깊이 다룬다고 소개하며, EXL이 작성한 콘텐츠라는 점을 명시했다.

KV 캐시 증가로 인한 GPU 메모리 병목을 확인하지 않고 컴퓨트만 늘리면 비효율적인 시스템의 비용만 커진다는 점이 기사의 핵심 실무 함의다.

앤트로픽 클로드 듀엣 리서치 프리뷰 공개, 현재 미국 프로·맥스 구독자 대기 명단 방식

앤트로픽이 2025년 10월 21일 클로드 듀엣(Claude Duet)의 리서치 프리뷰를 열었다. 사용자가 묻기 전에 먼저 알림을 보내는 개인 AI 에이전트이며, 현재 미국의 프로·맥스 구독자 중 대기 명단에 등록한 사람에게 순서대로 공개되고 한국 계정은 아직 신청할 수 없다. 듀엣은 기존 클로드 앱 안의 기능이 아니라 아이폰·안드로이드 앱과 claude.ai에서 쓸 수 있는 별도 앱으로 나왔다. 앤트로픽 발표문에 따르면 받은편지함, 캘린더, 후속 조치를 처리하고, 사용자의 확인이 필요한 일이 생기면 메시지로 알린다. 지금은 미국 프로·맥스 구독자 대기 명단 신청 방식이다. 이 글은 기사 본문만으로 듀엣의 세부 판단 범위, 요금제 한도, 결제 승인 방식까지는 확인할 수 없다. 기사는 이 내용을 유료 구독 콘텐츠로 안내하고 있어 해당 부분은 요약에 포함하지 않았다.

한국 계정은 아직 신청할 수 없고, 대기 명단 대상은 미국 프로·맥스 구독자로 한정되어 있어 국내 개발 환경에서 바로 적용할 수 있는 단계는 아니다.

Vanguard AI 센터장 Jing Wang, 규제 환경에서 확장 가능한 AI 기반을 구축하는 방법 발표

MIT Technology Review의 EmTech Future 컨퍼런스 세션은 데이터, 엔지니어링, 플랫폼, 운영 모델, 거버넌스가 하나로 작동해야 확장 가능한 AI 시스템이 된다는 점을 다룬다. 발표자는 Vanguard의 Center for AI & Insights를 이끄는 Jing Wang이다. 이 세션은 고도로 규제된 환경에서 그러한 기반을 구축하는 데 무엇이 필요한지 살펴본다. 또한 책임 있고 신뢰할 수 있는 구현이 에이전트형 시스템을 포함한 신흥 기능을 투자자에게 지속적인 가치로 전환할 수 있는 방법을 탐구한다. Jing Wang은 AI, 머신러닝, 생성형 AI, 행동과학 역량을 발전시키는 Vanguard의 Center for AI & Insights를 이끌며, 기업 전반의 혁신, 연구, 실행을 담당한다. 그는 2009년 Vanguard에 합류했고, 그 전에는 Boston Consulting Group에서 Principal로 일했다.

Anthropic, Agent Skills 표준을 Linux Foundation 산하 Agentic AI Foundation에 기증

Anthropic이 Agent Skills 표준을 Linux Foundation 산하 Agentic AI Foundation(AAIF)에 기증한다고 발표했다. 회사는 이 표준을 open, community-driven, vendor-neutral 상태로 유지하겠다고 밝혔다. AAIF는 Anthropic이 Block, OpenAI와 지난해 공동 설립했으며, Anthropic은 이전에 Model Context Protocol(MCP)도 이곳에 기증한 바 있다. Simon Willison은 지난해 12월 Anthropic이 skills를 "open standard"로 선언했을 때, 이 표준이 AAIF로 옮겨질 것이라고 예측했다고 밝혔다. 그는 AAIF가 최근 MCP 명세의 새 보금자리가 된 곳이라는 점도 함께 언급했다. 또한 자신의 블로그 콘텐츠가 datasette-mcp 플러그인을 통해 Claude에서 조회 가능하며, 이를 이용해 해당 예측 글을 찾아냈다고 덧붙였다.

Agent Skills가 MCP와 같은 Linux Foundation 산하 AAIF에 놓이면서, 에이전트 기능 표준을 중립적 거버넌스 아래에서 추적할 수 있게 됐다.

Amazon Polly 제너레이티브 엔진 업그레이드, 14개 신규 음성과 힌디어·핀란드어 정식 출시

Amazon Polly의 Generative 엔진이 더 자연스럽고 정확한 음성 출력을 낮은 지연 시간으로 제공하도록 업그레이드되었으며, 이번 업데이트로 9개 로케일에 걸쳐 14개의 신규 음성이 추가됐다. 힌디어와 핀란드어 Generative 음성이 처음으로 정식 제공(GA)되어 운영 환경에서 사용할 수 있다. 이번 업그레이드는 기존 Generative 음성의 드롭인(drop-in) 교체 방식으로 제공된다. 음성 이름과 API 호출 방식이 그대로 유지되어, 기존 애플리케이션은 코드 변경 없이 계속 동작한다. 기사에 따르면 새 엔진은 텍스트 맥락에 따라 감정과 억양(prosody)을 수동 설정 없이 더 잘 반영한다. 예시로 중립, 불확실, 놀람 등 같은 문장도 문맥에 따라 다른 어조로 읽는 방식이 소개되었다. 숫자, 통화, 주소도 정확하게 읽는 기능이 함께 시연되었다. 기사에 실린 예시에서는 추적 번호, 날짜와 시간, 달러 금액("$1,284.50"), 주소가 정확하게 읽혔다. Amazon Polly는 콜센터, LLM 기반 에이전트 애플리케이션, 미디어·엔터테인먼트, e-러닝, 접근성 등 대규모 음성 출력이 필요한 용도를 대상으로 하는 완전관리형 AWS 서비스다. 힌디어는 Arjun과 Kiara, 핀란드어는 Suvi 음성이 신규로 제공된다.

기존 Generative 음성을 쓰는 서비스는 음성 이름과 API 호출을 바꾸지 않고 새 엔진의 자연스러운 출력과 숫자·주소 정확도 개선을 적용할 수 있으며, 힌디어(Arjun, Kiara)와 핀란드어(Suvi) 음성을 운영 환경에 바로 도입할 수 있다.

IskayPet, Amazon Bedrock Managed Knowledge Bases로 사내 문서 통합 질의 어시스턴트 구축

이베리아 반도의 펫케어 기업 IskayPet이 스페인·포르투갈·프랑스 3개국, 4개 언어로 흩어진 SharePoint 문서를 대상으로 사내 지식 어시스턴트를 Amazon Bedrock Managed Knowledge Bases 위에 구축했다. 벡터 DB와 임베딩 파이프라인을 직접 운영하지 않고 RAG를 구현한 사례다. 기사에 따르면 IskayPet의 사무직 직원들은 반품 정책, 수의 프로토콜, 온보딩 절차 등 일상 업무 질문에 답하기 위해 수백 개의 SharePoint 문서를 직접 뒤져야 했다. 이를 해결하기 위해 회사는 Amazon Bedrock Managed Knowledge Bases를 선택했고, 데이터 수집·멀티모달 파싱·벡터 저장·임베딩 생성·검색을 Amazon Bedrock이 맡도록 했다. 기존 SharePoint 커넥터로 문서를 가져오므로 데이터 마이그레이션이 필요 없었으며, 고급 인덱싱을 켜면 문서에 삽입된 이미지의 내용도 처리된다. 의미 검색과 BM25 키워드 검색을 결합한 하이브리드 검색으로 제품 코드 같은 정확한 용어를 찾고, 검색 결과는 관련도 기준으로 재정렬된다. 문서 단위 접근 제어도 적용되어 질의한 사용자가 읽을 권한이 있는 문서의 구절만 반환된다. 기사는 개발 방식도 밝힌다. 팀은 Kiro와 Claude Haiku 4.5를 사용해 매장용 프런트엔드부터 AWS 아키텍처와 배포까지 솔루션 전체를 구축했다. 이 기사는 아키텍처, SharePoint 연동, 검색 구성 결정, 운영 결과를 다룬다.

SharePoint 커넥터, 하이브리드 검색, 문서 단위 권한 제어를 갖춘 Bedrock Managed Knowledge Bases를 쓰면 벡터 DB와 임베딩 파이프라인 운영 없이 기존 SharePoint 저장소 위에 권한 기반 RAG를 구성할 수 있다.

Modal CEO Erik Bernhardsson, GPU 수요가 직사각형이 아닌 이유와 샌드박스 성장 설명

Modal의 CEO Erik Bernhardsson이 Latent Space 인터뷰에서 GPU 수요가 고정 용량 계약과 달리 증가·급증·감소를 반복한다는 점과, 이를 수천 고객의 수요를 풀링해 탄력적으로 제공하는 방식을 설명했다. Modal은 연간 런레이트 10억 달러를 넘었고 7.5억 달러 Series D로 160억 달러 기업가치를 기록했으며, 샌드박스가 매출의 약 3분의 1을 차지한다고 밝혔다. Modal은 수천 고객의 수요를 한데 모아 하부 용량을 확보하고, 각 고객이 필요할 때 필요한 만큼 쓰게 하는 방식을 택했다. 기사에 따르면 Modal의 서버리스 GPU는 사용 가능한 GPU 버퍼, 커스텀 파일시스템, 프로세스 체크포인팅, GPU 메모리 스냅샷을 조합해 모델 복제본을 빠르게 올린다. 샌드박스는 코딩 에이전트, 백그라운드 에이전트, 강화학습 수요로 성장했으며, 에이전트가 환경을 만들고 실행하고 다시 시도하는 과정에서 시작과 복원의 지연 시간이 제품 경험의 일부가 된다고 설명했다. 기사는 위험도 함께 언급한다. 공급자가 오늘의 가격으로 용량을 묶어 두었는데 이후 GPU 가격이 떨어지면 비싼 공급분을 떠안을 수 있으며, Erik은 임박한 붕괴는 예상하지 않지만 사업을 짤 때 이 가능성을 고려한다고 말했다.

Modal이 샌드박스 시작·복원 지연 시간을 제품 지표로 다루고 GPU 메모리 스냅샷과 체크포인팅으로 복제본 기동 시간을 줄인다는 점은, 에이전트용 실행 환경을 설계하는 개발자가 콜드 스타트 비용을 따져야 함을 보여준다.

GitHub 버그 바운티 연구자 @r31n, GitHub Enterprise Server 취약점 보고와 익스플로잇 체인 접근법 소개

GitHub Bug Bounty 팀이 사이버보안 인식의 달 기간에 상위 성과 연구자 @r31n을 소개했다. 이 연구자는 GitHub Enterprise Server에서 고영향 이슈를 반복해서 찾아냈으며, 보고서에 동작하는 PoC와 명확한 재현 절차를 함께 제출한다고 한다. 기사에 따르면 GitHub는 AI가 보안 연구의 진입 장벽을 낮추고 실질적인 배수 효과를 준다고 언급했지만, 우수한 연구의 기준은 검증, 동작하는 PoC, 실제 보안 영향의 명확한 입증이라고 밝혔다. 이 기준을 충족하는 연구자는 더 높은 보상, 빠른 응답, 베타 제품과 기능의 조기 공개를 제공하는 영구 VIP 프로그램에 초대받을 수 있다. 연구자는 여러 취약점을 개별로 보면 제한적인 영향이라도, 예를 들어 리다이렉트를 따르는 허용목록 도메인 SSRF와 오픈 리다이렉트를 결합하는 식으로 연결하는 익스플로잇 체인에 흥미를 느낀다고 말했다. 도구보다는 수동 조사와 반복 작업을 자동화한 작은 전용 스크립트를 선호하며, 블로그·연구 논문·코스를 보되 직접 재현해봐야 기술이 남는다고 설명했다. 연구 방식은 애플리케이션 구조를 매핑한 뒤 복잡한 기능, 연동, 신뢰 경계에 집중하고, 공격자 제어 데이터가 들어오는 소스와 네트워크 요청·파일 접근·권한 판단 같은 민감 연산인 싱크를 추적하는 것이다. 이 과정에서 취약점 유형부터 정하지 않고 데이터 흐름을 따라가는 방식을 택한다고 기사는 전한다.

GitHub Enterprise Server를 대상으로 한 PoC 기반 보고와 허용목록 도메인 SSRF 및 오픈 리다이렉트 결합 같은 체인 사례는, 사내 자체 호스팅 GitHub를 운영하는 팀이 리다이렉트 처리와 허용목록 검증을 점검할 때 참고할 만하다.

NVIDIA GPUDirect Storage로 Python에서 데이터를 GPU 메모리에 읽는 방법

NVIDIA 기술 블로그는 GPU 애플리케이션이 점점 커지는 데이터셋을 처리하고 있다고 소개한다. 기사에 따르면 2025 Stanford AI Index 기준 주목할 만한 AI 모델의 컴퓨팅 양은 약 5개월마다, LLM 학습 데이터셋의 크기는 약 8개월마다 두 배로 늘고 있다. 연산과 데이터가 함께 커지면서 스토리지에서 데이터를 효율적으로 옮기는 일이 중요해졌다는 것이 기사의 출발점이다.

기사는 NVIDIA GPUDirect Storage를 이용해 Python에서 데이터를 GPU 메모리로 읽는 방법을 다루므로, 대용량 학습 데이터를 다루는 개발자는 데이터 적재 경로를 점검해볼 만하다.

a16z, 확장 중인 펀드 a16z Frontier로 가능성의 경계에 선 창업자 지원 방향 제시

a16z가 a16z crypto를 더 넓은 범위의 a16z Frontier로 확장하며, 가능성의 경계에서 만드는 창업자들을 지원하겠다고 밝혔다. Chris Dixon, Marc Andreessen, Ben Horowitz, Erik Torenberg는 창업자들이 '이것이 너무 야심적인가?'가 아니라 '이것이 충분히 야심적인가?'를 물어야 한다고 말했다. 기사에 따르면 대화자들은 AI가 하드웨어, 로보틱스, 엔터테인먼트, 과학, 그리고 전혀 새로운 형태의 미디어 전반에서 수십 년치 기술 진보를 앞당길 수 있다고 설명했다. 또한 다가오는 AI 에이전트들의 인터넷, AI가 더 강력해질수록 오픈소스가 중요한 이유, 그리고 다음 10년의 가장 중요한 기업 일부가 이전에는 별개의 범주에 속했던 기술과 비즈니스 모델을 결합할 수 있다는 점을 다뤘다. 기사에는 구체적인 투자 금액, 선정 기준, 지원 절차나 수치는 언급되지 않았다. 이 글은 투자 조언이 아닌 정보 제공 목적의 팟캐스트 대담 기록이다.

AI 에이전트 인터넷과 오픈소스의 중요성이 언급된 만큼, 에이전트 간 연동과 오픈소스 도구 선택을 준비하는 개발자에게 참고가 될 수 있다.

Flint-interactive, 에이전트가 만든 차트를 클릭·필터·줌으로 탐색하게 하는 인터랙티브 시각화 언어

Microsoft Research가 공개한 Flint-interactive는 AI 에이전트가 생성한 데이터 시각화를 사용자가 클릭, 필터링, 줌, 하이라이트, 차트 간 상호작용으로 직접 탐색할 수 있게 하는 언어다. 저수준 시각화 코드 없이 고수준 의미 이벤트와 업데이트 연산자로 상호작용을 정의할 수 있다는 점이 핵심이다. Flint-interactive는 Flint 위에서 동작하는 인터랙티브 데이터 시각화 언어다. Flint 컴파일러가 사용자 선택을 그 의미를 담은 시맨틱 이벤트로 변환하고, 고수준 연산자가 이 이벤트에 맞춰 시각화를 갱신한다. 상호작용과 시각 요소 사이의 의존성 처리를 컴파일러가 맡아, 사용자나 에이전트는 고수준 명세만으로 복잡한 상호작용을 기술할 수 있다. 채팅 환경에서는 Flint-MCP와 MCP Apps를 통해 사용하며, 릴리스 기준으로 에이전트가 Flint 차트 명세와 함께 interaction_spec을 생성해 대화창에 인터랙티브 차트를 렌더링한다. 앱 개발자는 Flint Interactive Canvas에서 이벤트 핸들러로 시맨틱 이벤트를 받아 테이블 필터링이나 다른 차트 갱신, 애플리케이션 상태 변경을 처리할 수 있다. Flint의 프리셋을 넘어서는 상호작용은 트리거와 사용자 정의 핸들러 함수로 작성하며, 예시로 클릭한 국가를 강조하고 이름을 라벨로 표시하는 동작이 제시되었다. 기사는 기존 방식의 한계로 높은 생성 비용과 신뢰성 문제를 든다. 에이전트는 한 번의 턴으로 만족스러운 인터랙티브 시각화를 거의 만들지 못하고, 추론·코딩·디버깅을 여러 차례 반복하며 토큰과 시간을 소모한다. 또한 복잡한 인터랙티브 차트는 레이아웃이나 상호작용이 쉽게 깨지며, 이를 고치는 과정에서 새 문제가 생길 수 있다고 설명한다. 일부 시각화 라이브러리의 내장 상호작용은 맞춤형 차트를 만들기에 충분히 표현적이지 않다는 점도 함께 언급되었다.

Flint-interactive의 linked-brush 프리셋과 interaction_spec, Flint Canvas의 시맨틱 이벤트 핸들러를 사용하면 AI 에이전트가 만든 차트를 채팅이나 대시보드에서 바로 탐색 가능한 형태로 제공할 수 있다.