본문으로 건너뛰기
AWS ML Blog

Atos 엔지니어 400명의 Agentic AI 실전 전환

Atos는 AWS AI League로 400명의 엔지니어에게 multi-agent 시스템 구축 경험을 제공했습니다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Atos는 AWS와 함께 400명의 엔지니어가 3일 동안 실제 AWS 서비스로 Agentic AI 시스템을 구축하는 AWS AI League를 운영했습니다. 참가자들은 dungeon maze에서 pathfinding, challenge 해결, trap 회피, treasure 도달을 수행하는 agent를 만들었고, 점수는 정답률뿐 아니라 token 효율, 남은 생명, map 완료, fine-tuning 보너스까지 반영했습니다. Amazon Bedrock AgentCore의 runtime, Gateway, memory, Code Interpreter와 Amazon Bedrock Guardrails, AWS Lambda, Amazon SageMaker가 multi-agent orchestration, 도구 호출, 맥락 유지, 안전성 제어, model customization에 사용되었습니다. 이 과정에서 prompt와 tool call을 줄이는 최적화, agent 수에 따른 trade-off, guardrail 임계값 조정, BFS 기반 pathfinding, Amazon CloudWatch Logs를 활용한 observability가 실전 역량으로 연결되었습니다.

섹션별 상세

01
Atos는 Agentic AI를 이론 교육만으로 익히기 어렵다는 문제를 해결하기 위해 400명의 엔지니어를 AWS AI League에 참여시켰습니다. 참가자들은 기존 AWS 경험과 Agentic AI 숙련도가 서로 달랐으며, 5%는 사전 지식이 없고 50%는 개념은 이해하지만 실습 경험이 없었습니다. 3일 동안 실제 client delivery에 가까운 조건에서 작업하게 하면서 교육과 구현 사이의 간극을 줄이는 방식이 선택되었습니다.
02
참가자들은 dungeon maze를 자율적으로 탐색하는 AI agent를 구축했습니다. agent는 map에서 경로를 찾고, tile별 challenge를 해결하고, trap을 피하며, 제한된 시간과 lives 안에 treasure에 도달해야 했습니다. 점수는 challenge 정답, coin 수집, treasure 도달, 남은 life, 응답의 간결성, fine-tuned model 사용 여부를 함께 반영해 단순히 작동하는 시스템보다 효율적인 시스템을 우대했습니다.
AWS AI League의 gameplay 화면으로 10×10 dungeon maze에 벽, coin, spike trap, challenge tile, key, treasure chest가 배치되어 있습니다.
Screenshot화면은 agent가 제한된 시간과 lives 안에서 map을 이동하고 navigation prompt를 입력하며 combat log로 결과를 확인하는 과정을 보여줍니다. 본문의 pathfinding, challenge 해결, trap 회피, token 효율 점수 구조를 시각적으로 뒷받침합니다.
03
Amazon Bedrock은 agent의 reasoning을 담당하는 foundation model 접근과 prompt 설계에 사용되었습니다. Amazon Bedrock AgentCore의 runtime은 agent container를 실행하고, Gateway는 MCP를 통해 AWS Lambda 도구로 pathfinding, web scraping, code execution 요청을 전달했으며, memory는 key와 해결한 challenge 같은 상태를 상호작용 사이에 유지했습니다. Amazon Bedrock Guardrails는 denied topics와 content filter를 적용했고, AgentCore Code Interpreter는 격리된 sandbox에서 계산 작업을 실행했습니다.
Amazon Bedrock AgentCore runtime 안의 supervisor agent와 sub-agent가 AgentCore Gateway를 통해 AWS Lambda 도구와 AgentCore Code Interpreter에 연결되는 architecture입니다.
Diagram도식은 Amazon Bedrock Guardrails, AgentCore memory, 여러 sub-agent, Lambda 기반 navigation과 browser tool, Code Interpreter 사이의 연결을 나타냅니다. 본문에서 설명한 multi-agent orchestration, MCP 기반 tool routing, memory와 안전성 제어의 흐름을 한눈에 보여줍니다.
AWS AI League의 model workshop 화면에서 foundation model 선택, customization, model 등록, agent 배포 단계를 순서대로 보여줍니다.
Screenshot화면에는 Amazon SageMaker Studio에서 model을 customization하고 training job 결과를 등록한 뒤 deployed 상태로 전환하는 workflow가 표시됩니다. 참가자 dataset을 이용한 serverless fine-tuning과 inference endpoint 배포라는 본문의 model customization 과정을 보완합니다.
04
AWS Lambda pathfinding 도구는 BFS 같은 알고리즘으로 map을 탐색하고, 별도 함수는 web scraping과 code execution을 처리했습니다. 엔지니어들은 속도와 score maximization 사이에서 경로 전략을 선택하고, spike가 life를 줄이는 반면 wall은 game을 끝내는 위험 차이를 반영해야 했습니다. key를 먼저 획득해야 door를 열 수 있는 dependency ordering과 모든 challenge를 방문할지 treasure로 직행할지에 대한 time budgeting도 구현의 핵심이었습니다.
AWS AI League 결승 Round 3에서 EdwardSS, JPonter, adro의 agent가 각기 다른 challenge 응답과 score, 남은 lives, 경과 시간을 실시간으로 표시합니다.
Screenshot세 agent의 combat log와 점수 패널은 동일한 제한 시간 안에서도 challenge 처리 방식과 효율에 따라 결과가 달라지는 구조를 보여줍니다. 기능 완성도뿐 아니라 응답 token과 시간, life 보존까지 평가하는 경쟁 방식을 시각화합니다.
같은 map에서 세 agent가 서로 다른 경로로 coin, key, trap 주변을 지나 treasure를 향해 이동하는 Round 2 화면입니다.
Screenshot각 패널의 경로는 속도, coin 수집, trap 회피, treasure 도달 사이에서 서로 다른 최적화 목표를 택한 결과를 보여줍니다. 본문에서 제시한 risk assessment, time budgeting, dependency ordering과 pathfinding 전략의 차이를 구체화합니다.
Amazon CloudWatch Logs에 Lambda 함수가 받은 goal position, start position, game map, map size와 pathfinding 실행 과정이 기록되어 있습니다.
Screenshot로그는 Lambda가 입력 event를 수신하고 body keys와 map 크기를 파싱한 뒤 시작 위치에서 treasure 위치까지 탐색을 시작하는 단계를 보여줍니다. 실행 결과를 추측하지 않고 관찰한 뒤 수정해야 한다는 본문의 observability 교훈과 직접 연결됩니다.
05
Amazon SageMaker Studio는 RLVR 기반 model customization을 위한 개발 환경을 제공했습니다. 참가자들은 자체 dataset으로 small language model을 serverless fine-tuning한 뒤 inference endpoint에 배포해 traffic을 처리하고 bonus points를 얻었습니다. 결과적으로 상위권 agent에는 custom pathfinding, 조정된 guardrails, memory-aware 동작, token 사용량을 낮추도록 fine-tuning한 model이 포함되었습니다.
AWS AI League 결승 leaderboard에서 JPonter가 14,040점, adro가 12,896점, EdwardSS가 5,944점으로 각각 1위부터 3위를 차지한 결과를 보여줍니다.
Screenshotleaderboard는 참가자별 최종 score와 round별 시간, 남은 lives, 획득 점수를 함께 표시합니다. 본문이 강조한 performance와 efficiency의 복합 평가 및 상위 3명의 결과를 수치로 확인할 수 있습니다.
06
행사는 prompt를 길게 작성하는 것보다 제한된 token과 시간 안에서 필요한 정보만 처리하는 설계가 중요하다는 점을 드러냈습니다. 불필요한 tool call은 latency와 점수를 동시에 악화시켰고, agent 수를 늘리면 전문화와 reliability를 얻는 대신 token 사용량과 latency가 증가했습니다. Amazon CloudWatch Logs를 실행 사이에 확인한 엔지니어들이 오류 원인을 추측한 참가자보다 빠르게 개선했고, Kiro에 challenge의 전체 맥락을 제공한 경우에도 진행 속도가 빨랐습니다.
07
AWS AI League를 통해 400명의 엔지니어가 Amazon Bedrock, Amazon Bedrock AgentCore, AWS Lambda, Amazon Bedrock Guardrails, Kiro, Amazon SageMaker를 직접 사용했습니다. 내부적으로는 client engagement에 Agentic AI를 적용할 자신감을 얻은 champion이 등장했고, 경쟁 형식은 서로 다른 팀 사이의 지식 공유를 촉진했습니다. 최종 leaderboard에서는 JPonter가 14,040점으로 1위, adro가 12,896점으로 2위, EdwardSS가 5,944점으로 3위를 기록했습니다.
08
AWS AI League는 enterprise event를 위해 2026년 내 제공되며, 반나절 workshop부터 여러 날 hackathon까지 운영 형식을 조정할 수 있습니다. AWS는 infrastructure, accounts, facilitation support를 제공하고, 조직은 AWS account team과 private event를 협의할 수 있습니다. 이 방식은 실제 production project의 위험 없이 시간 압박과 점수 기반 피드백을 제공해 Agentic AI의 개념을 구현 경험으로 전환하는 교육 수단으로 활용됩니다.

용어 해설

에이전틱 AI(Agentic AI)
— Agentic AI는 목표를 달성하기 위해 여러 AI agent가 상황을 해석하고, 도구를 호출하며, 이전 상호작용의 맥락을 유지하는 시스템입니다. 이 글에서는 단일 모델 응답을 넘어 pathfinding, guardrails, memory, fine-tuning을 결합한 multi-agent 시스템 구축 역량을 실습하는 맥락에서 사용됩니다.
멀티 에이전트 시스템(Multi-agent System)
— Multi-agent system은 하나의 범용 agent가 모든 작업을 처리하는 대신 supervisor agent와 전문 sub-agent를 조합하는 구조입니다. 각 agent가 특정 도구나 과제에 집중하도록 설계하면 기능 분담이 가능하지만, agent 수가 늘어날수록 token 사용량, latency, reliability 사이의 조정이 필요합니다.
AgentCore memory
— AgentCore memory는 여러 상호작용 사이에서 agent의 맥락을 저장하고 다시 불러오는 기능입니다. AWS AI League에서는 이전에 획득한 key나 해결한 challenge를 기억하게 해, 한 번의 응답으로 끝나지 않는 dungeon 탐색과 의존성 있는 과제를 처리하도록 사용되었습니다.
Amazon Bedrock Guardrails
— Amazon Bedrock Guardrails는 유해한 입력과 출력을 차단하기 위해 denied topics와 hate, violence, misconduct에 대한 content filter 임계값을 적용하는 안전 기능입니다. 필터를 지나치게 엄격하게 설정하면 정상적인 challenge까지 차단하고, 느슨하게 설정하면 안전성 과제에 실패하므로 정밀한 조정이 필요합니다.
검증 가능한 보상 기반 강화학습(Reinforcement Learning from Verifiable Rewards)
— Reinforcement Learning from Verifiable Rewards는 결과의 정답 여부처럼 자동으로 검증할 수 있는 보상을 사용해 모델을 조정하는 학습 방식입니다. 이 행사에서는 참가자가 만든 dataset을 바탕으로 Amazon SageMaker에서 specialist small language model을 fine-tuning하고, 배포된 모델로 traffic을 처리해 추가 점수를 얻도록 구성되었습니다.

기술

  • Amazon Bedrock
  • Amazon Bedrock AgentCore
  • AWS Lambda
  • Kiro
  • Amazon SageMaker
  • Amazon Bedrock Guardrails
  • AgentCore runtime
  • AgentCore Gateway
  • AgentCore memory
  • AgentCore Code Interpreter
  • Model Context Protocol (MCP)
  • Amazon CloudWatch Logs
  • AWS Workshop Studio
  • AWS DeepRacer

활용 사례

  • 기업 엔지니어 대상 Agentic AI 실습 교육
  • Multi-agent system 구축과 client delivery 역량 강화
  • Pathfinding과 risk assessment를 결합한 자율 agent 개발
  • Guardrails를 적용한 AI safety 검증
  • Amazon SageMaker를 이용한 specialist small language model fine-tuning
  • Agent 도구 호출과 memory를 포함한 production-style architecture 훈련
AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 09. 02.수집 2026. 09. 02.출처 타입 RSS

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.