AWS SageMaker AI, 9개 내장 스킬 에이전트 파인튜닝 워크플로우 도입 — Kiro 및 Claude Code 통합

AWS는 2026년 5월 4일 Amazon SageMaker AI에 에이전트 기반 워크플로우를 도입했습니다. 이는 9개의 내장 에이전트 스킬을 통한 대화형 모델 커스터마이징 방식을 제공하는 시스템으로, JupyterLab 환경에서 Kiro와 Claude Code가 직접 통합됩니다. 심층적인 ML 전문 지식 요건을 자연어 문제 설명으로 낮추고, 에이전트 시스템이 파이프라인의 각 단계에서 편집 가능한 Jupyter 노트북을 생성하는 것이 목표입니다.

에이전트 기반 워크플로우를 시작하는 방법

개발자는 SageMaker AI Studio JupyterLab의 채팅 패널에서 자연어로 유스케이스를 설명합니다(예: “단계적으로 의료 사례를 해석하는 임상 추론 모델이 필요합니다”). 코딩 에이전트가 관련 스킬을 파악하고 순차적으로 활성화하며, 각 단계에서 개발자가 실행 전에 수정할 수 있는 편집 가능한 Jupyter 노트북을 생성합니다. AWS는 발표에서 에이전트 스킬이 “생산성을 높이는 것은 물론, 타겟 활성화를 통해 토큰 소비도 줄인다”고 주장했습니다.

9개 스킬은 전체 커스터마이징 라이프사이클을 아우릅니다: 유스케이스 명세, 계획/발견, 파인튜닝 설정, 데이터셋 평가, 데이터셋 변환, 파인튜닝, 모델 평가, 모델 배포, 오케스트레이션 단계. SFT(지도 파인튜닝), DPO(직접 선호 최적화), RLVR(검증 가능한 보상을 활용한 강화학습)을 지원합니다. 지원 모델 패밀리: Amazon Nova, GPT-OSS, Llama, Qwen, DeepSeek.

Kiro와 Claude Code 통합의 차이점

Kiro는 기본 에이전트로, SageMaker AI Studio JupyterLab 채팅 패널에 사전 구성되어 있으며 디바이스 플로우로 인증됩니다. Claude Code는 npm 패키지 @zed-industries/claude-agent-acp로 설치하고, ACP(에이전트 통신 프로토콜)를 지원하며, 설정 파일을 통해 Amazon Bedrock과 통합됩니다. 두 에이전트 모두 JupyterLab 환경에서 SageMaker 스킬 에이전트에 자동으로 접근할 수 있습니다.

기술 아키텍처는 ACP 호환성에 의존하며, SageMaker AI Hub(기반 모델), Amazon S3(데이터 스토리지), MLflow(메트릭 추적), Amazon Bedrock(배포)과 통합됩니다. 발표의 데모 유스케이스는 “진단 전에 단계적으로 의료 사례를 분석하는” 임상 추론 모델로, 같은 날 ArXiv에 게재된 의료 응용 ReClaim 파운데이션 모델 트렌드와 직접 연결됩니다.

엔터프라이즈 ML 팀에게 갖는 의미

AWS가 “한때 수개월의 전문 ML 작업이 필요했던 것을 이제 수일 안에 완료할 수 있다”고 밝힌 것은 중요한 주장이지만, 팀이 이 워크플로우를 통해 첫 번째 프로덕션 모델을 만들어야만 검증될 것입니다. 더 큰 그림: AWS는 SageMaker를 통합 에이전트 오케스트레이션 플랫폼으로 자리매김하고 있으며, IBM이 동시에 발표한 watsonx Orchestrate next-gen 및 AWS Bedrock AgentCore Optimization(같은 날 아침 출시)과 유사합니다. “에이전트 기반 모델 커스터마이징”이 표준 엔터프라이즈 인터페이스로 수렴하는 추세는 이제 실험적 접근이 아닌 명확한 업계 트렌드입니다.

가격은 출시 게시물에 공개되지 않았으며, 표준 SageMaker 사용량 기반 요금제를 시사합니다. AWS 계정과 SageMaker AI 도메인을 보유한 모든 조직이 이용할 수 있으며, 발표에서는 지리적 제한을 언급하지 않았습니다.