아마존웹서비스(Amazon Web Services, 이하 AWS)는 오늘 AWS 리인벤트 2025(AWS re:Invent 2025)에서 아마존 베드록(Amazon Bedrock)과 아마존 세이지메이커 AI(Amazon SageMaker AI)의 신규 기능을 발표했다. 이번 신규 기능들은 모든 개발자가 머신러닝 전문 지식 없이도 고급 모델 맞춤화 기능을 활용할 수 있도록 지원하며, 기본 모델보다 더 빠르고 정확하며 비용 효율적인 AI를 구축하는 과정을 간소화한다.

AI를 배포하는 기업에게 효율성은 중요한 과제다. AI 애플리케이션 구축은 쉬워졌지만, 대규모 실행에는 여전히 높은 비용과 많은 리소스가 필요하다. 특히 AI 에이전트의 경우 문제를 추론하고, 다양한 도구를 활용하며, 여러 시스템 간 작업을 조율하기 때문에 추론 요구량이 더 높게 나타난다. 대부분 기업은 에이전트 구동에 가장 크고 성능이 뛰어난 모델을 선택하지만, 에이전트가 수행하는 작업 중 상당 부분은 일정 확인이나 문서 검색 등 고급 지능(advanced intelligence)이 필요하지 않은 일상적 업무다. 이는 불필요한 비용 증가와 느린 응답 속도, 리소스 낭비로 이어진다.

이를 해결하기 위한 방법은 맞춤화(customization)다. 에이전트가 가장 자주 수행하는 작업을 담당하도록 특화된 소규모 모델을 사용함으로써 더 빠르고 정확한 응답을 더 낮은 비용으로 제공할 수 있다. 그러나 강화 학습과 같은 고급 맞춤화 기법은 머신러닝에 대한 깊은 전문 지식과 방대한 인프라, 수개월의 개발 기간을 필요로 했다.

이에 AWS는 모든 조직의 개발자가 고급 모델 맞춤화를 활용할 수 있도록 지원하는 아마존 베드록과 아마존 세이지메이커 AI의 신규 기능을 발표했다. 아마존 베드록의 RFT(Reinforcement Fine Tuning)와 아마존 세이지메이커 AI의 강화 학습 기반 서버리스 모델 맞춤화는 효율적인 AI를 구축하는 과정을 간소화하며, 기본 모델 대비 더 빠른 속도와 비용 효율성, 정확도를 구현하도록 돕는다. AWS는 이러한 기술을 고객사의 개발자들이 더 쉽게 활용할 수 있게 제공함으로써 모든 규모의 조직이 다양한 비즈니스 요구에 대응하는 맞춤형 에이전트를 간편하게 구축할 수 있도록 지원한다.

일반 개발자도 아마존 베드록으로 쉽게 활용할 수 있는 RFT
복잡한 맞춤화 기법은 효율적인 맞춤형 모델 구축에 있어 걸림돌이 된다. 예를 들어 강화 학습은 사람 또는 다른 모델의 피드백을 활용해 모델을 훈련한다. 좋은 행동은 강화되고 나쁜 행동은 교정된다. 강화 학습은 좋은 답뿐 아니라 좋은 과정에도 보상을 주기 때문에 추론과 복잡한 워크플로우에 특히 효과적이다. 그러나 강화 학습은 복잡한 훈련 파이프라인, 막대한 컴퓨팅 자원, 그리고 모든 응답을 평가하기 위한 고비용의 인간 피드백 또는 강력한 AI 모델을 필요로 한다.

아마존 베드록의 RFT는 모델 맞춤화 과정을 단순화해 모든 조직의 모든 개발자가 이 기술을 활용할 수 있게 한다. 아마존 베드록은 선도적인 AI 기업의 고성능 파운데이션 모델(foundation model)과 함께 보안과 개인 정보 보호, 책임 있는 AI 기능을 갖춘 에이전트 및 생성형 AI 애플리케이션을 구축할 수 있는 역량을 제공하는 완전관리형 AI 플랫폼이다. RFT는 기본 모델 대비 평균 66%의 정확도 향상을 제공하며, 고비용의 대규모 모델에 의존하지 않고도 더 작고 빠르며 비용 효율적인 모델로 더 나은 결과를 얻을 수 있도록 지원한다.

개발자는 기반 모델을 선택한 뒤, 호출 로그를 지정하거나 데이터셋을 업로드하고, AI 기반·규칙 기반·템플릿 중 보상 함수를 선택하기만 하면 된다. 이후에는 아마존 베드록의 자동화된 워크플로우가 전체 미세 조정(fine-tuning) 과정을 처리하므로, 전문적인 머신러닝 역량 없이도 비즈니스 요구에 맞는 고품질 맞춤 모델을 빠르게 구현할 수 있다. 출시 시점에 아마존 베드록 RFT는 아마존 노바 2 라이트(Amazon Nova 2 Lite) 모델을 지원하며, 향후 더 많은 모델이 지원될 예정이다.

세일즈포스(Salesforce), 웨니(Weni by VTEX)와 같은 고객사는 아마존 베드록 RFT를 통해 정확성과 효율성을 향상하고 있다. 세일즈포스의 에이전트포스(Agentforce) 소프트웨어 엔지니어링 수석 부사장 필 무이(Phil Mui)는 "AWS의 아마존 베드록 RFT로 수행한 벤치마킹은 유망한 결과를 보여주며 세일즈포스의 특정 비즈니스 요구사항에서 기본 모델 대비 최대 73%의 정확도 향상을 입증했다"며, "세일즈포스는 지도 미세 조정(supervised fine-tuning)으로 이미 달성한 성과를 RFT를 활용해 더욱 강화하고 확장해 고객에게 더욱 정밀한 맞춤형 AI 솔루션을 제공할 수 있을 것으로 기대한다. 이러한 접근 방식은 세일즈포스의 높은 품질 및 안전 기준을 유지하면서 기존 AI 개발 워크플로우를 보완한다"고 말했다.

모델 맞춤화 기간을 수개월에서 수일로 단축하는 아마존 세이지메이커 AI
AI 워크플로우에 대한 더 많은 제어가 필요한 팀은 가장 강력한 모델을 대규모로 구축·훈련·배포할 수 있는 완전한 제어권을 제공하는 아마존 세이지메이커 AI를 활용할 수 있다.

2017년 출시 이후 세이지메이커 AI는 AI 개발 워크플로우를 보다 빠르고 효율적으로 만들어왔다. 그러나 더욱 고급화된 맞춤화 기법을 도입하고자 함에 따라, 조직은 인프라 관리나 합성 데이터 생성과 같이 수개월이 소요되는 장애 요소를 제거하고 고객에게 더 나은 결과를 제공하는 데 집중할 수 있는 보다 원활한 환경을 요구하게 됐다. 이 같은 요구에 대응하기 위해, 세이지메이커 AI는 새로운 서버리스 모델 맞춤화 기능을 지원해 수일 만에 모델 맞춤화를 가능하게 한다.

개발자는 에이전트가 모델 맞춤화 과정을 안내하는 에이전틱(agentic) 방식과 개발자가 직접 주도하기를 원할 때 적합한 셀프 가이드(self-guided) 방식 중 선택할 수 있다. 에이전틱 방식은 프리뷰 버전으로 제공된다.

에이전틱 방식에서는 개발자가 자연어로 요구사항을 설명하면, 에이전트가 합성 데이터 생성부터 평가까지 전체 맞춤화 과정을 안내한다. 셀프 가이드 방식은 세밀한 제어와 유연성을 제공한다. 이 방식은 인프라 관리 부담을 없애는 동시에 원하는 맞춤화 기법을 선택하고 파라미터를 조정할 수 있도록 지원하는 적절한 도구를 제공한다.

개발자는 두 방식 모두에서 AI 피드백 기반 강화 학습(Reinforcement Learning from AI Feedback), 검증 가능한 보상 기반 강화 학습(Reinforcement Learning with Verifiable Rewards), 지도 미세 조정, 직접 선호 최적화(Direct Preference Optimization) 등의 고급 맞춤화 기법을 활용할 수 있다. 새로운 세이지메이커 AI 기능은 아마존 노바는 물론 라마(Llama), 퀜(Qwen), 딥시크(DeepSeek), GPT-OSS 등 널리 사용되는 공개 가중치(open weight) 모델과 연동되며, 고객이 사용 사례에 가장 적합한 모델을 선택할 수 있도록 폭넓은 옵션을 제공한다.

로빈AI(Robin AI)와 보디(Vody)를 비롯한 고객들은 세이지메이커 AI의 신규 기능을 통해 모델 맞춤화 과정을 간소화하기 시작했다. 엔터프라이즈용 생성형 AI 개선 플랫폼 콜리니어 AI(Collinear AI)는 세이지메이커 AI를 활용해 수 주일의 시간을 절약했다.

소미야딥 박시(Soumyadeep Bakshi) 콜리니어 AI 공동창립자는 "AI 모델의 미세 조정은 고정밀 시뮬레이션을 만드는 데 필수적이지만, 과거에는 학습, 평가, 배포를 위해 여러 시스템을 연결해야 했다"며, "이제 세이지메이커 AI의 서버리스 모델 맞춤화 기능을 통해 실험 주기를 수주에서 수일로 단축할 수 있는 통합된 방법을 확보하게 됐다. 이 엔드투엔드(end-to-end) 서버리스 도구는 인프라 관리나 여러 플랫폼을 오가는 데 시간을 낭비하지 않고 고객을 위해 더 나은 학습 데이터와 시뮬레이션 구축에 집중할 수 있게 한다"고 말했다

AWS, ‘아마존 베드록’·’아마존 세이지메이커 AI’용 모델 맞춤화 간소화 기능 출시