중요한 클라우드 노출은 보안 팀이 해결할 수 있는 속도보다 빠르게 쌓입니다. 클라우드 네이티브 애플리케이션 보호 플랫폼(CNAPP), 클라우드 공급자, 자세 스캐너는 어떤 팀도 처리할 수 없을 만큼 많은 결과를 생성하며, 탐지와 수정 사이의 공백에서 위험이 축적됩니다. 대부분의 결과는 수정이 어려워서 방치되는 것이 아닙니다. 누군가 컨텍스트를 조사하고, 소유자를 식별하고, 수정이 프로덕션을 깨뜨리지 않음을 확인한 후, 인력 규모를 능가하는 볼륨으로 그것을 수행해야 합니다.
이 게시물에서는 Tamnoon 이 그 공백을 메우기 위해 Amazon Bedrock위에서 에이전틱 클라우드 치유 오케스트레이터인 Tami를 구축한 방법을 공유합니다. Tami는 CNAPP 및 클라우드 네이티브 소스에서 수집된 결과를 자율적으로 조사하고 치유가 안전한지 평가합니다. 그런 다음 변경이 고객의 클라우드에 적용되는 모든 곳에서 가드레일과 거버넌스를 갖추어 수정을 생성하고 오케스트레이션합니다. 이 접근 방식은 90일 만에 프로덕션 문제 없이 중요 클라우드 노출을 90% 이상 감소 90일 만에 주요 클라우드 노출을 줄였으며 프로덕션 문제는 전혀 없었습니다.
Tamnoon 소개
Tamnoon은 CNAPP과 함께 작동하는 AI 기반 클라우드 보안 치유 플랫폼입니다. AI 어시스턴트 Tami는 인간 클라우드 보안 전문가가 AWS, Azure, Google Cloud 및 기타 클라우드 공급자의 고객 환경 전반에서 잘못된 구성과 문제를 조사, 우선순위 지정 및 안전하게 치유하도록 돕습니다.
Tamnoon은 팀이 이미 사용 중인 CNAPP 및 클라우드 네이티브 도구와 통합되어 그 결과를 검증된 프로덕션 안전 수정으로 전환합니다. 조사, 우선순위 지정, 치유 계획을 포함한 대부분의 작업은 라이브 환경에 적용되기 전에 이루어지며, 이것이 바로 자동화된 치유가 대규모로 신뢰할 수 있는 이유입니다.
클라우드 보안 치유의 과제
보안 엔지니어는 단 하나의 결과를 조사하는 데에도 몇 시간을 소요할 수 있습니다. 흔히 그것은 수십 개의 다른 알림과 동일한 근본 원인으로 거슬러 올라갑니다.
- 알림 볼륨이 인력을 압도: CNAPP과 스캐너는 수천 개의 결과를 생성합니다. 팀은 모두를 분류할 수 없어 중요한 노출이 해결되지 않은 채 위험이 수개월 동안 누적됩니다.
- 조사가 수동적이고 반복적: 각 결과에는 리소스의 소유자가 누구인지, 무엇이 이에 의존하는지, 수정이 안전한지에 대한 컨텍스트 수집이 필요합니다. 이는 백로그의 모든 항목마다 반복되며 시니어 엔지니어의 수시간을 소모합니다.
- 프로덕션 영향에 대한 두려움이 자동화를 막음: 팀은 프로덕션을 중단시킬 위험을 감수할 수 없기 때문에 치유 자동화를 주저합니다. 수정이 안전하다는 확신이 없으면 아무것도 진행되지 않습니다.
- 반응적 우선순위 지정: 관련 결과를 클러스터링하거나 치유 신뢰도를 점수화할 방법이 없으면, 팀은 한 번에 많은 문제를 해결하는 근본 원인을 다루는 대신 알림을 선형적으로 처리합니다.
Tamnoon의 솔루션은 결과 수집부터 검증된 수정까지 전체 파이프라인을 다룹니다. 이 플랫폼은 이러한 과제를 서로 분리된 문제가 아닌 상호 연결된 문제로 취급합니다.
솔루션 개요
Tamnoon은 초기 결과에서 수정 실행까지의 과정을 안내합니다. 이 플랫폼은 CNAPP, 클라우드 보안 자세 관리(CSPM) 공급자 및 기타 보안 도구에서 결과를 수집하여 통합 스키마로 정규화합니다. 그런 다음 자산 및 노출 컨텍스트로 결과를 보강하고 우선순위를 지정합니다. 이후 에이전틱 레이어가 AWS에서 이벤트 기반 서버리스 아키텍처로 실행되는 전문화된 AI 에이전트 집합을 사용하여 작업을 인계받아, 모든 단계가 독립적으로 확장되고 안전하게 실패하도록 합니다.
Amazon Bedrock의 에이전틱 아키텍처
이 플랫폼은 치유 파이프라인의 각기 다른 단계를 담당하는 4개의 전문화된 에이전트에 작업을 위임합니다:
- 조사 에이전트는 수백만 개의 실제 고객 클라우드 환경에서의 학습을 바탕으로 컨텍스트를 파악하고, 그 컨텍스트를 LLM(Large Language Model)-as-a-judge 검증 레이어로 필터링합니다. 치유 목표, 운영 범위, 클라우드 공급자별 검증을 추론하여 읽기 전용 조사 단계와 완전한 조사 계획을 생성합니다.
- 안전성 점수화 에이전트는 자동 검증 결과와 애널리스트의 조사 결과를 결합하여 자산별 증거 체인을 구축합니다. 각 결과의 치유를 의도적으로 보수적인 편향을 두고 SAFE, RISKY 또는 AWAITING DATA로 분류합니다. 의심스러울 때는 등급을 낮춥니다.
- 치유 에이전트는 안전성 에이전트가 안전하다고 판정한 결과에만 활성화됩니다. 순서, 종속성, 조건을 추론한 후, 모든 단계가 백업-치유-검증 구조를 따르고 롤백 지침을 포함하는 치유 계획을 생성합니다.
- 코드 생성 에이전트는 계획 단계를 실행 가능한 치유로 전환하지만, 입력 가드레일이 관련성과 프롬프트 인젝션을 검사한 후에만 가능합니다. 모든 아티팩트는 별도의 리뷰어 에이전트가 출력을 승인해야 하는 자동화된 생성-검토 루프를 통과합니다.
왜 Amazon Bedrock인가
Tamnoon 팀이 Tami를 구축하기 시작했을 때, 기반 모델(FM) 플랫폼의 선택은 이후의 모든 것을 좌우할 사안이었습니다. Tamnoon의 remediation 에이전트들이 모두 같은 종류의 작업을 수행하는 것은 아닙니다. 일부는 보안 탐지 결과의 근본 원인을 파악하기 위해 심층적인 조사 추론을 수행합니다. 다른 일부는 대량 검증을 처리하여 제안된 수정 사항을 빠르고 저렴하게 확인합니다. 또 다른 일부는 생성된 코드를 검토하며 모든 작업에서 품질과 비용의 균형을 맞춥니다. 각 작업마다 별도의 통합을 만들어 연결하지 않고도 이러한 각각의 작업에 적합한 모델을 매칭하는 것이 핵심 요구 사항이었습니다.
바로 이 요구 사항이 Amazon Bedrock을 자연스러운 선택으로 만들었습니다. 단일 API를 통해 각 에이전트는 자신의 작업에 가장 적합한 기반 모델을 호출할 수 있습니다. 가장 강력한 모델은 가장 어려운 추론을 처리하고, 더 효율적인 모델은 반복적이고 높은 처리량이 필요한 작업을 담당합니다. 검토 중심 모델은 출력 품질과 비용 간의 균형을 최적화합니다. 여러 통합이 아닌 하나의 통합이기 때문에 환경이 변화함에 따라 아키텍처를 다시 재구성할 필요 없이 모델을 교체하거나 업그레이드할 수 있습니다.
대규모 운영 오버헤드도 이 결정의 또 다른 요인이었습니다. 요청량이 증가함에 따라 Tamnoon은 리전 용량 전반에 트래픽을 분산하는 자체 로직을 구축하고 유지 관리하는 것을 피하고자 했습니다. Amazon Bedrock Cross-Region inference는 이를 자동으로 처리합니다. 정의된 지리적 경계 내에서 추론 요청을 최적의 AWS 리전으로 자동 라우팅하여, 사용자 지정 라우팅 코드 없이도 처리량을 유지합니다.
보안이 마지막 고려 사항이었고, 클라우드 보안 회사에게는 타협이 불가능한 사안이었습니다. Bedrock을 사용하면 추론이 AWS Identity and Access Management(IAM) 범위 권한 하에 Tamnoon 자체의 AWS 환경 내에서 실행됩니다. 민감한 고객 데이터는 신뢰 경계를 벗어나지 않습니다. 이를 통해 팀은 Tami를 뒷받침하는 플랫폼이 Tamnoon이 자사 서비스에 적용하는 것과 동일한 기준을 충족한다는 확신을 가질 수 있었습니다.
Tamnoon이 CNAPP 및 클라우드 보안 도구와 통합하는 방식
Tamnoon은 보안 팀이 이미 운영 중인 탐지 도구의 하류에 위치합니다. Wiz, CrowdStrike, Palo Alto Cortex, Upwind, SentinelOne, Orca, Cyera와 같은 CNAPP과 AWS Security Hub 및 Amazon GuardDuty와 같은 클라우드 네이티브 서비스는 환경에서 무엇이 잘못되었는지에 대한 신뢰할 수 있는 원천입니다. Tamnoon은 API 기반 통합을 통해 연결되며 탐지 결과를 공통 형식으로 정규화하여, Wiz에서 왔든 GuardDuty에서 왔든 구성 오류는 동일하게 보이도록 합니다. 탐지 도구는 기반으로 남아 있고, Tamnoon은 그 뒤를 잇는 엔드투엔드 remediation을 제공합니다.
처리하는 모든 탐지 결과에 대해 Tami는 SAFE, RISKY 또는 AWAITING DATA로 Remediation Confidence Indicator(RCI)를 부여합니다. 이 등급은 팀에 무엇을 자동화할 수 있고 무엇을 먼저 사람의 검토가 필요한지 알려줍니다.
그림 1: 사용 중인 Tamnoon
Tamnoon AWS 아키텍처
Tamnoon은 환경별로 격리된 자체 AWS 계정 내에서 전적으로 실행됩니다. 사용자는 Amazon API Gateway 기반의 단일 보안 진입점을 통해 플랫폼에 액세스하며, 암호화는 AWS Certificate Manager가, 로그인은 Amazon Cognito가 처리합니다. 해당 진입점 뒤의 모든 것은 여러 가용 영역에 걸친 프라이빗 네트워크에서 실행되므로 핵심 플랫폼은 인터넷에 직접 노출되지 않습니다.
해당 환경 내부에서 Tamnoon은 두 가지 유형의 컴퓨팅을 결합합니다. Amazon Elastic Kubernetes Service(Amazon EKS)는 대시보드 뒤의 상시 서비스를 실행하고, AWS Lambda는 탐지 결과 수집, 분석 및 remediation 실행이라는 이벤트 기반 작업을 구동합니다. Amazon EventBridge, Amazon Simple Queue Service(Amazon SQS), AWS Step Functions를 포함한 AWS 메시징 및 워크플로 서비스 집합이 이러한 단계를 조정하여 대량의 탐지 결과가 신뢰할 수 있게 병렬로 처리되며, 단일한 잘못된 레코드가 나머지 작업을 지연시키지 않도록 합니다.
AI 계층은 Amazon Bedrock에서 실행됩니다. Amazon Bedrock AgentCore, 즉 모든 프레임워크나 모델과 함께 대규모로 에이전트를 구축, 연결 및 최적화하기 위한 플랫폼은 Tamnoon의 에이전트에게 개방형 액세스 대신 거버넌스가 적용된 방식으로 작업을 수행할 수 있게 합니다. Amazon Bedrock Guardrails는 무엇이든 진행되기 전에 요청과 생성된 코드를 모두 검토합니다. 지원 서비스들이 플랫폼의 나머지 부분을 처리합니다. 상태를 위한 관리형 데이터베이스와 캐싱, 플레이북과 아티팩트를 위한 Amazon Simple Storage Service(Amazon S3), 자격 증명을 위한 AWS Secrets Manager를 통해 민감한 키가 애플리케이션 코드에 존재하지 않도록 합니다.
고객 측면에서 AWS Cloud 경계 왼쪽의 모든 것은 고객이 Tamnoon에 연결하는 대상입니다. 고객은 자신의 AWS, Azure, Google Cloud 계정을 연결하고, 탐지 결과가 발생하는 보안 도구를 통합하며, Slack, Jira, ServiceNow, GitHub와 같이 결과를 전달받고자 하는 대상을 연결할 수 있습니다.
그림 2: Tamnoon AWS 아키텍처
Tamnoon이 프로덕션 장애 0건을 유지하는 방식
프로덕션 장애 0건은 Tamnoon 고객에게 현실이며, 우연이 아닙니다. Tamnoon의 자율성은 심층 방어(defense-in-depth) 안전 아키텍처 내부에 있으며, 각 계층은 바로 앞의 계층이 무언가를 놓쳤을 수 있다고 가정합니다.
수정안이 작성되기도 전에 시작됩니다. 범위에 초점을 맞추고 의도적으로 신중을 기울인 독립적인 안전 평가가 변경이 안전하다고 결론 내리기 전까지는 어떤 remediation도 작성되지 않습니다. 이후 플랫폼은 읽기와 쓰기 사이에 엄격한 경계를 긋습니다. 조사 단계는 엄격히 읽기 전용으로 검증되므로, 문제를 이해하는 작업이 문제를 변경할 수 없습니다. 오직 remediation 경로만 무언가를 변경할 수 있으며, 이루어지는 모든 변경에는 자체적인 백업, 검증 및 롤백 단계가 수반됩니다.
그러한 규율은 끊임없는 자기 비평을 통해 강화됩니다. 각 세대(generation) 단계에는 출력을 검사하고 그 비평을 재생성에 다시 반영하는 리플렉션 단계가 짝을 이루므로, 시스템은 결과를 무비판적으로 신뢰하는 대신 항상 자신의 작업을 검토합니다. 이러한 권고 사항은 현실에 기반하여 유지됩니다. 에이전트 출력은 자동화 결과, 사용자 피드백, 실제 해결된 알림에서 추출한 학습 데이터를 통해 검증되며, 모델이 스스로 정확한 결과에 도달하지 못할 경우 사람이 루프에 투입됩니다.
마지막 안전장치는 실행 시점에 있습니다. AI는 클라우드 자격 증명을 절대 보유하지 않습니다. 대신 실행은 고객이 통제하는 신뢰 하에 있는 단기적이고 테넌트 범위의 자격 증명을 통해 중개되며, 작업을 계획하는 에이전트와 분리된 격리된 환경에서 실행됩니다. 이 모든 것을 감싸는 것은 인간 거버넌스입니다. 수정 작업은 전체 감사 추적이 포함된 승인 워크플로를 거치며, 모든 AI 기능은 고객에게 제공되기 전에 내부적으로 검증됩니다.
데이터 보안 및 규정 준수
Tami는 민감한 고객 데이터, 즉 알림 페이로드, 리소스 식별자, 잘못된 구성, 수정 컨텍스트를 추론합니다. 이 데이터는 AWS 신뢰 경계 내부에 유지되고, 최소 권한으로 실행되며, 감사 가능한 상태를 유지해야 합니다. Amazon Bedrock으로 표준화함으로써 이를 실현할 수 있습니다.
민감한 콘텐츠는 AWS 내부에 유지
모든 Tami 워크로드는 타사 LLM 엔드포인트를 호출하는 대신 ChatBedrockConverse 인터페이스를 통해 Amazon Bedrock에서 Anthropic Claude를 호출합니다. 이 단일한 선택으로 전체 AI 공급망이 하나의 AWS 네이티브 서비스 아래에 놓이게 되며, 이는 고객 데이터 처리 방식에 실질적인 영향을 미칩니다. 추론은 전적으로 Tamnoon 자체의 AWS 계정 내 미국 상용 리전에서 실행되므로 데이터는 AWS를 벗어나지 않습니다. 리전별 모델 가용성에 대한 자세한 내용은 Amazon Bedrock의 AWS 리전별 지원 모델을 참조하십시오. Bedrock은 프롬프트나 완성 결과를 보존하거나 학습에 사용하지 않으므로, 고객 데이터는 애초에 외부 벤더에 도달하지 않습니다.
이러한 경계는 워크로드가 확장되어도 유지됩니다. Bedrock Cross-Region inference는 요청을 미국 지리적 경계 내의 리전으로 자동 라우팅하여 애플리케이션에 사용 가능한 처리량을 늘립니다. 그 뒤에 있는 컴퓨팅 역시 비공개로 유지됩니다. 각 서비스는 가상 프라이빗 클라우드(VPC)에 연결된 AWS Lambda 함수로 실행되며, 명시적 보안 그룹이 있는 프라이빗 서브넷에 속하고, 퍼블릭 인바운드는 없으며, 아웃바운드도 엄격하게 통제됩니다.
모델에 도달하는 내용 보호
페이로드에는 민감한 세부 정보가 포함될 수 있으므로, Tami는 모든 요청과 응답에 Amazon Bedrock Guardrails를 적용합니다. 이 정책은 Bedrock 계층에서 시행되므로 세 가지 서비스를 모두 균일하게 적용하며, 개별 함수의 프롬프트 로직이 이를 우회할 수 없습니다. 이 단일 시행 지점은 여러 가지를 동시에 수행합니다.
첫째, 민감한 데이터를 보호합니다. PII 및 시크릿과 유사한 콘텐츠는 저장되거나 노출되기 전에 마스킹되므로, 민감한 정보가 있어서는 안 되는 곳에 남지 않습니다. 또한 프롬프트 인젝션으로부터 보호하는데, 이는 Tami가 권한 없는 사용자가 영향을 줄 수 있는 신뢰할 수 없는 findings를 추론하기 때문에 중요합니다. 가드레일 계층에서의 필터링은 조작된 페이로드가 모델을 탈취하거나 컨텍스트를 유출하는 것을 막아줍니다. 마지막으로, 거부 주제 및 콘텐츠 필터는 모델 출력을 보안 수정으로 범위를 한정하며 그 외에는 허용하지 않습니다. 모든 개입은 AWS CloudTrail과 함께 기록되어 엔터프라이즈 고객에게 명확한 거버넌스 증거 추적을 제공합니다.
최소 권한 액세스
플랫폼 전반의 액세스는 서비스별 전용 IAM 실행 역할을 통해 이루어지므로, 각 함수는 필요한 것에만 접근할 수 있고 그 이상은 접근할 수 없습니다. 이 원칙은 Tami가 Amazon Bedrock을 다루는 방식에서 가장 쉽게 확인할 수 있습니다. Bedrock 권한은 bedrock:InvokeModel뿐이며, 특정 inference-profile 및 foundation-model ARN으로 범위가 한정됩니다. 모델을 관리, 학습 또는 내보낼 수 있는 능력은 전혀 없습니다.
동일한 규율이 다른 모든 의존성에도 적용됩니다. AWS Secrets Manager에 대한 액세스는 함수가 실제로 사용하는 두 개의 시크릿으로 제한되고, SQS 액세스는 자체 입력 큐에 국한되며, Amazon CloudWatch 쓰기는 네임스페이스별로 제한됩니다. 설계 어디에도 광범위한 포괄적 역할은 존재하지 않습니다. 함수는 관리형 AWSLambdaBasicExecutionRole 및 AWSLambdaVPCAccessExecutionRole 정책에만 연결되며, 그 이상은 없습니다.
멀티 테넌트 격리 및 거버넌스
테넌트를 분리하는 것은 기본적인 요구 사항이며, 첫 호출부터 시행됩니다. 서비스 간 호출은 Cognito를 통한 OAuth2 클라이언트 자격 증명을 애플리케이션별로 범위가 지정되어 사용하고, 작업은 테넌트 컨텍스트가 첨부된 상태로 한 번에 하나의 SQS 메시지씩 처리됩니다. 그 결과, 단일 호출은 항상 하나의 테넌트 데이터만 다룹니다.
이러한 보장의 상당 부분은 전체 플랫폼을 코드로 취급함에서 비롯됩니다. IAM 정책, 네트워크 배치, 모델 ID, 알람이 모두 버전 관리되는 AWS CloudFormation 및 SAM 템플릿에 담겨 있어, 모든 권한과 모델 버전이 소스 제어에서 검토 가능하며 수동 콘솔 변경으로 인한 드리프트가 발생하지 않습니다. 특히 모델 버전은 날짜가 지정된 식별자(예: claude-sonnet-4-5-20250929)에 고정되어 있으므로, 모델 변경은 항상 명시적이고 검토된 코드 변경이며 자동적인 업그레이드가 아닙니다.
이러한 투명성은 런타임까지 이어집니다. 모든 추론 호출은 AWS CloudTrail에 기록되어 호출한 역할로 추적 가능하며, temperature를 0으로 설정한 결정적 디코딩을 통해 스코어링과 계획이 실행 간에 일관되게 유지됩니다. 장애 처리도 동일한 엄격함으로 관리됩니다. 각 서비스에는 redrive가 설정된 입력 큐, 오류 처리기 함수, 데드레터 큐, 그리고 온콜과 연동된 타임아웃 및 DLQ 깊이에 대한 CloudWatch 알람이 있습니다. 장애는 격리되고 관측 가능하며, 절대 조용히 무시되지 않습니다.
결과 및 영향
Tami는 Tamnoon의 고객 기반 전반에서 1400만 개 이상의 클라우드 경보를 분석했으며, 이 수치는 Tamnoon의 2026 State of Cloud Remediation 보고서에서 추적 관리됩니다. Tami가 내리는 결정은 이러한 실제 환경에서 학습된 패턴을 반영합니다.
일반적인 고객의 경우 그 결과는 빠르게, 보통 90일 이내에 나타납니다.
| 지표 | 이전 | 이후 |
| 중요 클라우드 노출 | 경보가 인력 규모를 초과하면서 수개월 동안 누적됨 | 90일 내 최대 90% 감소 (출처) |
| 조치 효율성 | 수천 건의 원시 경보, 명확한 우선순위 없음 | 근본 원인 클러스터링을 통한 최대 100배 효율 향상 (출처) |
| 운영 환경 문제 | 위험 때문에 팀이 자동화를 꺼림 | 수백만 개의 워크로드에서 운영 환경 문제 0건 |
| 엔지니어 시간 | 발견 건당 수 시간 소요, 백로그 전반에 반복됨 | 고객 기반 전체에서 주당 13,000시간 이상 절약 (출처) |
압축률과 무장애 운영 수치는 Tamnoon의 연구에서 나온 것입니다. 이 패턴은 일관되게 나타나며, 열려 있는 노출 건수가 줄고, 수작업이 크게 감소하며, 수정 작업 자체로 인한 다운타임이 전혀 없음을 보여줍니다.
결론
클라우드 발견 항목에 대해 추론할 수 있는 에이전트를 만드는 것은 비교적 쉬운 부분입니다. 운영 환경에서 동작하도록 신뢰할 수 있는 에이전트를 만드는 것이 어려운 부분입니다. Amazon Bedrock은 단일 API를 통해 고성능 파운데이션 모델에 대한 접근성과 에이전트형 애플리케이션 구축에 필요한 도구인 오케스트레이션, 도구 사용, 가드레일을 제공하는 완전관리형 서비스입니다. 이 조합이 여기서 특별히 중요한 이유는, 운영 클라우드 인프라에 대한 조치에는 강력한 추론 능력과 엄격한 안전 경계가 모두 필요하기 때문입니다.
이를 가능하게 하는 네 가지 요소:
- 노출이 실제로 해소됩니다: Tamnoon은 티켓이나 워크플로 자동화가 아니라 실제 클라우드 인프라에서 작동합니다. 백로그는 옆으로 밀리지 않고 줄어듭니다.
- 운영 환경 위험 없이 자율성이 확장됩니다: 모든 제안된 조치에는 신뢰도 등급이 부여됩니다. SAFE 조치는 자동 실행될 수 있고, AWAITING DATA 또는 RISKY 조치는 Tamnoon의 상주 클라우드 엔지니어를 호출합니다.
- 이미 구매한 스택 위에서 실행됩니다: Tamnoon은 널리 쓰이는 CNAPP 및 클라우드 보안 도구 위에서 작동합니다. 이미 비용을 지불하고 있는 모든 탐지 도구가, 그 탐지 결과가 마침내 해소되면서 효과를 발휘하기 시작합니다.
- 팀 규모를 늘리지 않고 역량이 확장됩니다: 프런티어 AI의 빠르고 안전한 도입은 분석가당 더 많은 노출을 해소하며, 추가 인력이 필요 없습니다.
다음 단계
유사한 아키텍처로 시작하려면 다음 사항을 고려해 보십시오:
- 둘러보기 Amazon Bedrock 및 그를 통해 이용할 수 있는 모델들.
- 다음을 검토하십시오 Amazon Bedrock 문서 아키텍처를 계획하려면.
- 데모 신청하기 Tamnoon과 함께 앞으로 90일 안에 귀사의 중요한 클라우드 노출 중 얼마나 줄일 수 있는지 알아보세요.