롯데쇼핑의 Amazon Bedrock 기반 AI운영 어시스턴트 구축 사례
Amazon Bedrock 기반 Tech Assistant로 롯데온 운영 지식을 통합하고 장애 대응을 자동화했습니다. Slack 연동과 RAG 분석으로 응답 속도와 운영 효율을 높였습니다.
#Amazon Bedrock#LLM
46005분
필터 1
![[오프라인/마감] RAG 프로젝트는 왜 실패하는가?: RAG를 잘 다루고 싶은 엔지니어를 위한 패널 토크](https://tech.goorm.io/wp-content/uploads/2025/12/BLOG_thumbnail-2.png)
[오프라인/마감] RAG 프로젝트는 왜 실패하는가?: RAG를 잘 다루고 싶은 엔지니어를 위한 패널 토크
RAG 프로젝트가 왜 실패하는지, 실무 운영 관점에서 품질 문제와 원인을 짚는 패널 토크를 소개했습니다. 문서 품질, 청킹, 인덱스 구조 등 해결 포인트와 최신 RAG 트렌드도 함께 다뤘습니다.
#RAG#LLM
25005분
LLM Guardrails 2.0: 필터링을 넘어 추론 기반 보안 체계로 진화하는 AI 안전성 아키텍처
LLM Guardrails 2.0: 필터링을 넘어 추론 기반 보안 체계로 진화하는 AI 안전성 아키텍처
LLM 가드레일이 단순 필터를 넘어 추론 기반 보안 체계로 진화한 흐름을 정리했습니다. 기업 적용 시 다층 방어, 정책 엔진, 도구 호출 보안이 핵심이라고 설명했습니다.
#LLM#RAG
45005분
AFINIT에서 시간을 만들어 내는 방법
AFINIT에서 시간을 만들어 내는 방법
AFINIT가 AI와 자동화로 반복 업무를 줄이고 시간을 만들어 내는 방식을 소개했습니다. 정책 문서와 업무 지식을 코드처럼 관리해 비개발자도 직접 자동화에 참여하는 흐름을 다뤘습니다.
#자동화#n8n
0005분
당근페이 AI Powered FDS로 가는 여정: 룰엔진구축부터 LLM 적용까지
당근페이 AI Powered FDS로 가는 여정: 룰엔진구축부터 LLM 적용까지
당근페이는 FDS에 룰엔진을 먼저 구축해 이상거래를 유연하게 탐지하도록 만들었습니다. 이후 LLM과 RAG를 붙여 거래 맥락까지 반영하는 AI Powered FDS로 확장했습니다.
#LLM#RAG
127005분
RAG 없이 20만 대 자동차와 실시간으로 대화하기 (2)
RAG 없이 20만 대 자동차와 실시간으로 대화하기 (2)
RAG 대신 내부 API를 직접 활용해 실시간 차량 정보를 전달하는 API 증강 생성 아키텍처를 소개했습니다. 병렬 호출, 캐싱, SSE 스트리밍으로 실시간성과 비용 효율을 함께 개선했습니다.
#RAG#LLM
140005분
Delivering the Future, WOOWACON 2025
Delivering the Future, WOOWACON 2025
우아한형제들의 기술 콘퍼런스 WOOWACON 2025 개최 소식을 전했습니다. 기술 공유와 교류를 통해 더 나은 내일을 준비하는 행사로 소개했습니다.
#컨퍼런스#RAG
21005분
스윙 고객센터, 어떻게 응답 시간을 71% 단축했나? - 2부: Synapse AI 도입
게시판 전환 후 드러난 해석 비용과 품질 편차를 Synapse AI 3단 레이어로 줄였습니다. 요약·검색·작성 자동화와 HITL 전환으로 응답 속도와 일관성을 함께 높였습니다.
#LLM#RAG
119005분
아이지에이웍스 AI 에이전트 클레어: Amazon Bedrock 기반 Text-to-SQL/Chart 에이전트로 이룬 데이터 분석 혁신 (Part 2)
Amazon Bedrock 기반 Text-to-SQL/Chart 에이전트의 구현과 최적화 전략을 다뤘습니다. 멀티 에이전트 분리, 프롬프트 관리, 캐싱, 데이터 격리로 정확도와 효율성을 높였습니다.
#Amazon Bedrock#LLM
50005분
아이지에이웍스 AI 에이전트 클레어: Amazon Bedrock 기반 Text-to-SQL/Chart 에이전트로 이룬 데이터 분석 혁신
아이지에이웍스가 Amazon Bedrock 기반 클레어로 자연어를 SQL 분석과 차트로 연결했습니다. 마케터가 SQL 없이도 복잡한 데이터 분석을 수행하도록 돕고 의사결정 속도를 높였습니다.
#Amazon Bedrock#RAG
58005분
Backoffice AI Agent 구축기 — RAG+MCP 기반 플레이스AI 특화 지식 검색 시스템
백오피스 문서 검색을 위해 RAG와 MCP 기반 지식 검색 에이전트를 구축했습니다.\n하이브리드 검색과 질의 정제로 응답 만족도와 운영 효율을 함께 높였습니다.
#RAG#MCP
164005분
LangGraph를 활용한 멀티 노드 구현 : 패턴 A, B, C 분석
LangGraph로 단일 노드와 멀티 노드 그래프를 구성하는 방법을 설명했습니다. 또한 답변 개선, 요약·번역, 답변 검증 패턴으로 LLM 워크플로우 설계 예시를 제시했습니다.
#LangGraph#LangChain
97005분