자동차 산업을 위한 AWS re:Invent 2024 요약

이 글은 AWS for Industries 블로그에 게시된 글 (AWS re:Invent 2024 recap for the Automotive Industry)를 한국어로 번역 및 편집하였습니다.

AWS의 대표적인 연례 컨퍼런스 AWS re:Invent 2024에서, 2024년 12월 2일부터 6일까지 한주 동안 AWS는 기조연설, 브레이크아웃 세션, 신제품 출시, 그리고 다양한 데모를 통하여 최신 혁신과 서비스를 공개하였습니다. 본 요약은 자동차 산업과 관련된 주요 발표 내용, 고객 사례, 그리고 데모를 조명하고 있습니다. 특히 7개의 전략적 워크로드로 구분하여 정리함으로써, 관심 있는 분야의 정보를 빠르게 찾아보실 수 있도록 구성하였습니다. 이제 AWS re:Invent 2024에서 공개된 자동차 산업 관련 주요 혁신 사항들을 상세히 살펴보도록 하겠습니다.

자율 주행 모빌리티

자율주행 차량(AV)과 첨단 운전자 보조 시스템(ADAS) 개발에는 수백 페타바이트의 주행 데이터와 복잡한 툴 체인에 의존하는 데이터 중심 프로세스가 필요합니다. AWS의 CEO인 Matt Garman은 기조연설에서 Trn2 인스턴스를 기반으로 하는 AWS Trainium2의 정식 출시를 발표했습니다. 이는 딥 러닝 및 생성형 AI 훈련과 추론을 위한 가장 강력한 EC2 컴퓨팅 솔루션입니다. 이 인스턴스는 이전 세대보다 최대 4배 빠른 속도, 4배 높은 메모리 대역폭, 3배 높은 메모리 용량을 제공하며, 최대 30% 향상된 부동소수점 연산 능력을 갖추고 있습니다. 이를 통해 ML 훈련과 생성형 AI를 위한 기존의 기술적 한계를 뛰어넘는 혁신적이고 획기적인 컴퓨팅 파워를 제공할 수 있으며, 고객들이 자율주행 시스템과 차량 내비게이션 개발에 AI 모델을 활용하는 데 도움을 줄 수 있습니다.

Continental은 브레이크아웃 세션 AUT307에서 AWS와 협력하여 클라우드에서 AV/ADAS 개발 프로세스를 가속화하는 방법을 공유했습니다. 이는 데이터 관리 간소화 및 툴 체인 통합 단순화와 같은 핵심 비즈니스 차별화에 직접적으로 기여하지 않지만 힘든 작업들을 AWS 클라우드로 이전하여 처리함으로써 이루어집니다. 또한 이 세션에서는 생성형 AI가 모델 훈련, 미세 조정 및 시스템 검증을 위해 다중 모달 데이터셋 내에서 추정되는 1-2%의 관련 데이터를 식별하고 관리하는 과정을 어떻게 가속화하는지 시연했습니다. 세션 AUT318에서 Rivian은 AWS에서 ADAS 개발을 가속화하고 AWS 클라우드 서비스 및 파트너 솔루션의 지원을 받아 새로운 ADAS 기능을 개발, 시뮬레이션 및 출시하기 위한 엔드-투-엔드 파이프라인을 구축한 방법을 공유했습니다. Rivian은 또한 데이터 수집에서부터 인지 모델 훈련, 시뮬레이션, 엣지 배포에 이르기까지 다양한 영역에서의 접근 방식을 강조했습니다. Rivian은 자사가 사용한 AWS 서비스에 대해 논의하고, 새로운 ADAS 기능 개발을 가속화하고 확장하는 동시에 데이터 수집, 컴퓨팅, 스토리지 및 시뮬레이션 비용을 최적화하기 위해 사용된 모범 사례에 대한 인사이트를 공유했습니다.

세션 PRO202에서 Iveco Group은 AWS에 구축한 셀프 서비스 개발 플랫폼을 통해 개발 주기를 단축하고 하드웨어 의존도를 줄이는 방법을 선보였습니다. 이 회사의 Virtual Engineering Workbench는 디지털 콕핏 개발과 자동화된 테스트를 위한 가상화 환경을 제공함으로써 개발자, 테스터, 통합 담당자 간의 협업을 더욱 원활하고 효과적으로 만들어 줍니다. 또한, 회사의 Knowledge Management 솔루션은 기술 정보에 대한 접근을 간소화하여 생산성을 향상시키며, 생성형 AI는 기계 도면에서 제품 데이터 시트를 생성하는 것과 같은 작업을 자동화하는 데 도움을 줍니다. AMZ201 세션에서는 최근 라스베가스에 맞춤 설계된 (purpose-built) 로보택시를 배치한 Zoox가 자사의 로보택시 자율 주행을 지원하는 ML 인프라를 구축한 방법을 공유했습니다. 여기에는 로보택시에서 데이터를 수집하는 방법과 자율 주행 및 기타 ML 사용 사례를 지원하기 위해 컴퓨팅, 훈련, 서빙 인프라를 어떻게 설계했는지에 대한 내용이 포함되었습니다.

인더스트리 전시관에서 AWS Automotive 팀은 “생성형 AI 기반 AV/ADAS 개발”에 대한 데모를 선보였습니다. 이 데모는 자율주행 차량 개발에서 다중 모달 생성형 AI 검색의 강력한 기능을 보여주었습니다. 고객들은 “교차로를 건너는 오리들” 또는 “녹색 모자를 쓴 보행자”와 같은 독특한 프롬프트로 시스템에 입력하여 테스트해 보았고, 이 도구가 방대한 데이터셋에서 관련 장면을 찾아내는 과정을 확인할 수 있었습니다. 생성형 AI는 엔지니어들이 자율주행 차량을 위한 ML 모델을 훈련시키는 방식을 혁신하고 있습니다.

소프트웨어 정의 차량 (Software Defined Vehicles, SDV)

소프트웨어 정의 차량(SDV) 영역은 차량 내 소프트웨어의 혁신적 변화에 중점을 둔 응용 프로그램들을 포함합니다. 이러한 애플리케이션들은 차량의 연결성을 향상시키고, 환경 변화에 대한 적응력을 높이며, 최신 기술을 효과적으로 통합하는 데 주력합니다. 이를 통해 SDV는 미래 모빌리티 솔루션의 혁신을 이끌어가는 핵심 역할을 수행합니다. 차량이 점점 더 소프트웨어 중심으로 변화하고 센서와 디지털 구성 요소의 수가 증가함에 따라, 자동차 제조업체들은 소프트웨어 개발, 테스트, 최적화에 있어 다양한 과제를 해결해야 합니다. BMW는 새로운 차량 플랫폼 설계의 테스트 및 개발 단계에서 발생하는 문제나 작업 요청(이를 ‘티켓’이라고 함)을 적절한 팀이나 담당자에게 효율적으로 할당하고 전달하는 과정에서 어려움을 겪었습니다. 세션 PRO201에서 BMW는 현재 140개 이상의 소프트웨어 팀이 다양한 분야에 걸쳐 생성형 AI 대규모 언어 모델(LLM)을 사용하고 있다고 공유했습니다. 이 AI 모델은 각 문제 상황에 가장 적합한 해결 방안이나 취해야 할 행동을 제안합니다. 이는 이전의 수동 프로세스를 보완하는 역할을 합니다. 이 혁신적인 솔루션은 BMW의 소프트웨어 주도 자동차 개발 프로세스를 간소화합니다.

세션 AUT319에서 BMW 그룹은 또한 BMW Software Factory라는 이름의 자동차 조직 내 글로벌 소프트웨어 개발 플랫폼에 대한 인사이트를 공유했습니다. AWS로 전환한 후, BMW는 하루에 165,000개 이상의 CI/CD 빌드를 실행하고, 최대 5,500개의 인스턴스를 병렬로 동적 프로비저닝할 수 있도록 플랫폼을 확장했습니다. 회복력 있는 플랫폼을 가능하게 하는 전략과 기본적인 아키텍처 설계 선택을 사용하여, BMW는 비용을 최적화하고 개발자 생산성을 향상시켰으며, 12,000명 이상의 개발자가 참여하는 프로젝트의 시장 출시 시간을 단축했습니다. 세션 ARC326에서는 카오스 엔지니어링이 조직에게 어떻게 시스템 회복력의 약점을 사전에 식별하고, 운영 우수성을 개선하며, 사고 대응 능력을 향상시킬 수 있게 하는지를 탐구했습니다. AWS Fault Injection Service (FIS)를 사용하여 실행된 실제 시나리오를 통해, 이 세션은 BMW 그룹의 변혁적인 여정을 조명했습니다. 여기에는 카오스 엔지니어링의 확장, 프로덕션 환경에서의 대규모 카오스 실험 수행, 문제점 발견, 그리고 회복력과 지속적 개선의 문화를 조성하는 데 대한 주요 교훈들이 포함되었습니다.

세션 OPN405에서 Toyota는 클라우드와 온프레미스 인프라 전반에 걸쳐 도구와 서비스를 통합하는 데 도움을 주는 오픈소스 프레임워크인 Backstage를 AWS에서 사용하여 개발자 경험을 어떻게 향상시켰는지 다루었습니다. Toyota는 Backstage를 플랫폼 엔지니어링 전략에 통합함으로써 개발 워크플로우를 간소화하고, 협업을 촉진하며 개발자 생산성을 향상시킬 수 있었습니다. 이 세션에서는 또한 생성형 AI 모델이 개발자 포털을 통해 어떻게 더 광범위한 기능을 발휘할 수 있는지 심층적으로 분석했으며, 이러한 전략들이 어떻게 개발자 경험을 변화시키고 소프트웨어 정의 차량에서 혁신을 가능하게 할 수 있는지를 보여주었습니다.

AWS는 이번 데모를 통해 생성형 AI를 활용하여 차량 소프트웨어 개발 속도를 높이는 방법을 선보였습니다. 이 방법은 자연어로 요구사항을 검색하는 것부터 AI 기반 개발자 도구를 사용해 코드를 작성하고 가상 하드웨어에서 테스트하는 것까지 다양하였습니다. 이러한 혁신적인 접근 덕분에 개발 주기가 몇 주에서 몇 분으로 크게 단축되었습니다. 자동차 업계 고객들의 SDV(소프트웨어 정의 차량) 여정도 눈에 띄게 발전했습니다. 초기에는 클라우드에서 가상 ECU를 실행하는 수준이었지만, 이제는 복합 시뮬레이션 실행, 시스템 차원의 개발 및 테스트, 그리고 AWS 상에서 소프트웨어 개발, CI/CD, 검증을 위한 종합적인 파이프라인 구축까지 가능해 졌습니다.

커넥티드 모빌리티

커넥티드 차량의 부상은 자동차 산업을 변화시키고 있으며, 자동차 제조업체들이 원활하고 데이터 기반의 경험을 제공할 수 있게 하고 있습니다. Matt Garman은 기조연설에서 생성형 AI가 모든 애플리케이션의 핵심 구성 요소가 될 수 있다고 강조했습니다. Amazon Bedrock은 다양한 모델에 대한 안전한 접근을 제공함으로써 생성형 AI 애플리케이션의 구축과 확장을 간소화합니다. 하지만 여전히 적절한 전문 지식을 가지고 특정 사용 사례에 맞는 올바른 모델을 찾는 것은 놀랍게도 어려운 일입니다. Matt Garman은 Amazon Bedrock의 여러 개선 사항을 발표했는데, 그 중 하나가 Amazon Bedrock Model Distillation입니다. 이는 큰 복잡한 모델의 지식을 더 작은 모델로 전달합니다. 이렇게 축소된 모델들은 최대 500% 더 빠르고 75% 더 저렴하여, 자동차 제조업체들이 인포테인먼트 시스템이나 예지 정비 모듈과 같이 컴퓨팅 자원이 제한된 차량에서도 AI 기반 서비스를 배포할 수 있게 합니다.

세션 AUT202에서 Honda는 Amazon Bedrock과 AWS IoT Core를 사용하여 차량 내 전기차 충전 경험을 어떻게 재정의했는지 시연했습니다. Honda는 커넥티드 차량 플랫폼의 데이터, 외부 소스, 그리고 생성형 AI를 통합하여 전기차 소유자들의 변화하는 요구에 맞춘 개인화되고 지능적인 충전 솔루션을 제공합니다. 이 솔루션의 핵심에는 Amazon Bedrock이 있습니다. 이는 배터리 상태, 주행 패턴, 이용 가능한 충전소 등을 고려하여 개인화된 충전 추천과 경로 안내를 제공합니다. 이를 통해 Honda는 각 운전자의 고유한 상황과 선호도에 맞는 최적화된 충전 경험을 제공할 수 있게 되었습니다.

세션 IOT321에서는 Toyota가 AWS IoT Core와 MQTT 5를 사용하여 커넥티드 차량 플랫폼을 현대화한 사례를 소개했습니다. 이러한 변화를 통해 차량과 클라우드 간의 안전하고 확장 가능한 양방향 통신이 가능해졌으며, 이는 혁신적인 애플리케이션 제공으로 이어졌습니다. 이 세션은 AWS IoT를 사용하여 진화된 데이터 수집이 어떻게 커넥티드 차량 데이터의 가치를 극대화하는지 강조했습니다. 이를 통해 원격 차량 제어, 실시간 데이터 처리, 차량 관리 인사이트, EV 배터리 최적화와 같은 사용 사례들을 지원할 수 있게 되었습니다.

커넥티드 차량 시대에는 실시간, 데이터 기반 인사이트를 활용하여 고객 경험을 향상시키고 운영 효율성을 개선하는 것이 필수적입니다. 세션 AUT311에서는 Ford가 AWS와 협력하여 Ford의 Transportation Mobility Cloud (TMC)의 핵심 구성 요소인 Event Store를 개발한 사례를 살펴보았습니다. 이 플랫폼은 2천만 대 이상의 차량에서 하루에 최대 4 TB의 실시간 데이터를 처리하며, OTA 업데이트, 차량 명령, 원격 측정에 대한 인사이트를 제공합니다. Ford는 AWS 서비스를 채택함으로써 Apache Iceberg를 사용한 페타바이트 규모의 데이터 레이크를 구축하고, 데이터 관리 및 분석을 개선했으며, SLA를 최대 50%까지 단축하여 낮은 지연 시간 요구사항을 충족시켰습니다.

엑스포에서 AWS는 차량 채팅 어시스턴트가 포함된 가상 운전 시뮬레이터를 선보였습니다. 고객들은 자동차 조종석에 앉아 Carla 시뮬레이터를 통해 가상 도시 풍경을 운전하며, 차량 센서에서 수집된 실시간 데이터가 AWS IoT를 통해 처리되었습니다. 운전 후, 고객들은 음성 어시스턴트를 활성화하여 차량 원격 측정에 대한 AI 기반 인사이트에 접근하고, 일반적인 질문과 차량 매뉴얼 관련 질문을 할 수 있었습니다. 이 몰입형 경험은 AWS IoT와 생성형 AI가 어떻게 차량 데이터를 활용하여 고객과의 상호작용을 변화시키는지를 잘 보여주었습니다.

디지털 고객 경험

주문형 콘텐츠의 증가로 자동차 브랜드들은 개인의 라이프스타일에 맞춘 개인화된 경험을 제공하기 위해 고객 행동을 더 잘 이해해야 합니다. 기업 데이터와 스마트 AI 모델을 결합함으로써, 기업들은 고객 기대를 뛰어넘고, 충성도를 높이며, 지속적인 브랜드 상호작용을 촉진하는 매력적인 경험을 창출할 수 있습니다. 생성형 AI의 진정한 가치는 기업 데이터를 고급 모델과 통합하는 데 있습니다. 모델에 데이터를 추가하는 인기 있는 방법 중 하나는 검색 증강 생성 (Retrieval Augmented Generation, RAG)이며, 이는 Amazon Bedrock Knowledge bases를 사용하여 수집, 검색 및 증강 워크플로우를 관리함으로써 수행할 수 있습니다. 모델의 정확성을 높이고 잘못된 정보 생성을 방지하기 위해, Amazon Bedrock Guardrails는 이제 자동 추론 검사 (Automated Reasoning Checks) 를 지원합니다. 이를 통해 음성 어시스턴트를 통한 차량 매뉴얼, 보증 정책 또는 수리 절차에 대한 질문에 정확한 답변을 제공할 수 있습니다. 또한, Amazon Bedrock은 이제 다중 에이전트 협업 (multi-agent collaboration) 을 지원합니다. 이를 통해 차량 서비스 예약 일정을 잡으면서 동시에 비용 견적과 근처 딜러 옵션을 제공하는 등의 복잡한 워크플로우를 처리할 수 있습니다.

Amazon의 CEO인 Andy Jassy는 기조연설에서 Amazon Nova 파운데이션 모델의 출시를 발표했습니다. 이 가장 앞선 기술을 적용한 파운데이션 모델은 최고 수준의 지능과 업계 최고의 가격 대비 성능을 제공합니다. 이 모델들을 통해 사용자들은 이미지와 비디오를 생성하고, 여러 분야에 걸쳐 모델을 미세 조정할 수 있습니다. Amazon Nova는 생성형 AI 작업을 향상시킬 수 있는데, 특히 운전자와 차량 간의 직관적이고 매력적인 상호작용을 만들어내거나 사용자의 행동과 선호도에 기반하여 차량 내 경험을 동적으로 개인화하는 데 활용될 수 있습니다.

브레이크아웃 세션 AUT205에서 CarGuru는 Amazon SageMaker와 스트리밍 분석과 같은 AWS 기계 학습 서비스를 활용하여 온라인 자동차 쇼핑 경험을 개선하는 방법을 시연했습니다. 그들의 플랫폼은 차량 추천, 가격 인사이트, 그리고 온라인 마켓플레이스를 제공합니다. CarGuru는 더 빠른 차량 검색, 적절한 시기의 프로모션 제안, 그리고 관련성 높은 차량 추천을 통해 자동차 구매자들을 돕고 있습니다.

엑스포에서 선보인 지능형 콜센터 어시스턴트 데모는 Amazon Connect와 Amazon Q가 자동차 산업의 고객 서비스를 어떻게 향상시키는지 보여주었습니다. AI는 내부 문서를 스캔하고, 문의에 응답하며, 상담원에게 실시간 답변을 제안했습니다. 고객들은 질문을 하고 AI 지원 답변을 관찰하며 이를 테스트했습니다. Lexus 또한 생성형 AI로 구동되는 디지털 컨시어지 아바타 챗봇이 탑재된 GX550 차량을 선보였는데, 이 챗봇은 질문에 답변하고 미래의 대화형 차내 시스템을 시연했습니다.

제조와 공급망

데이터와 AI의 발전은 제조 및 공급망 관리 분야의 혁신을 주도하고 있습니다. Amazon S3 Tables는 센서 판독값과 같은 표 형식 데이터에 최적화되어 있으며, Apache Iceberg 형식으로 데이터를 저장하여 Amazon Athena, Amazon EMR, Apache Spark와 같은 인기 있는 쿼리 엔진으로 원활하게 쿼리할 수 있습니다. Amazon SageMaker Unified Studio (프리뷰)는 데이터 엔지니어링, 분석, 생성형 AI를 하나의 허브로 통합하여 분석가와 데이터 과학자들에게 비즈니스 데이터 카탈로그에 대한 원활한 접근을 제공합니다. 새로운 Apache Iceberg 호환 레이크하우스인 Amazon SageMaker Lakehouse는 S3, Amazon Redshift, SaaS 및 페더레이션 데이터 소스와 같은 다양한 데이터 소스에 대한 통합 액세스를 제공합니다. Amazon SageMaker HyperPod는 수백 또는 수천 개의 AI 가속기가 있는 클러스터 전반에 걸쳐 분산 훈련을 효율적으로 관리하여 모델 개발을 가속화합니다. AWS IoT SiteWise의 새로운 생성형 AI 기반 산업용 어시스턴트 (generative-AI powered industrial assistant) 는 공장 관리자, 품질 엔지니어, 유지보수 기술자가 자연어 쿼리를 사용하여 직관적으로 실행 가능한 인사이트를 얻고, 문제를 해결하며, 의사 결정을 내릴 수 있게 해줍니다.

품질은 자동차 제조의 모든 생산 단계에서 여전히 중요한 요소입니다. 폭스바겐은 수동 품질 검사 방법에서 자동화된 기계 학습 기반 방법으로 전환하여 라벨 검사, 조립 확인, 균열 감지와 같은 사용 사례를 배포했습니다. 세션 MFG207에서 폭스바겐은 디지털 생산 플랫폼 (DPP)을 기반으로 100개 이상의 사용 사례를 어떻게 확장하고 지속 가능하게 구현했는지 공유했습니다. 이 세션은 DPP의 5년간의 진화와 스마트 제조의 미래에 대한 폭스바겐의 비전을 강조했습니다.

세션 AIM117-S에서 Penske Transportation Solutions와 Capgemini는 AWS ML/AI 및 생성형 AI 서비스를 활용한 혁신적인 커넥티드 차량군 (Connected Fleet) 관리 프로그램을 선보였습니다. 이 프로그램은 대량의 데이터를 고속으로 처리하면서 예측 유지보수, 비용 절감, 자동화 효율성을 가능하게 합니다. Penske와 Capgemini는 또한 클라우드 기술의 전략적 도입이 어떻게 혁신적인 서비스를 도입하고, 고객 만족도를 높이며, 새로운 수익원을 창출했는지 공유했습니다.

세션 AUT201에서 Toyota는 생성형 AI가 어떻게 혁신을 주도하고, 생산성을 향상시키며, 운영 효율성을 개선하는지 시연했습니다. 그들은 퇴직 예정 직원들의 축적된 노하우 보존, 생산 라인 수리 시간 단축, 배터리 폐기물 감소 등 AI 주도 이니셔티브에 대한 인사이트를 공유했습니다. AIM236 세션에서 Toyota는 AWS 상의 AI를 사용하여 공급망 운영을 혁신적으로 개선하기 위한 IBM과의 파트너십을 발표했습니다. AIM383 세션에서 Toyota Motor North America는 차량 공급망 능력을 향상시키기 위한 Deloitte와의 협력에 대해 논의했습니다. 이 프로그램은 생산 주문을 간소화하고, 시나리오 시뮬레이션을 가능하게 하며, 수동 작업을 줄이고, 차량 판매를 증진시키기 위한 이익 최적화 권장 사항을 제공합니다.

세션 AIM120-S에서 Audi는 입찰 과정을 혁신하는 AI 기반 도구인 TenderToucan을 소개했습니다. TenderToucan은 대규모 언어 모델(LLM)을 사용하여 제안서를 요구사항과 비교함으로써 관리 업무를 줄이고, 직원들이 분석적 업무에 집중할 수 있게 합니다. 이 혁신은 평가 속도와 정확성을 크게 향상시켰으며, 비즈니스 프로세스에서 생성형 AI의 변혁적 잠재력을 보여주고 자동차 산업을 넘어 입찰 관리의 새로운 기준을 제시했습니다.

지속가능성과 전기차

운영 및 산업 현장에서의 에너지 소비 감소는 조직이 지속가능성 목표를 달성하는 데 필수적입니다. AI 애플리케이션은 이 과정을 단순화하여 조직이 더 효과적으로 에너지 사용을 최적화할 수 있게 합니다. 세션 SUS304에서 Volkswagen Poznan은 기계 학습(ML)이 장비 컨트롤러의 과거 데이터를 시뮬레이션 및 예측과 결합하여 어떻게 운영 및 시설 전반에 걸쳐 지속적인 에너지 효율성을 달성하는지 공유했습니다.

세션 BIZ219에서 BMW는 자동차 산업의 지속 가능하고 투명한 공급망 관리를 발전시키기 위한 AWS와의 협력을 강조했습니다. 그들은 공급업체 인증서 교환을 간소화하기 위해 공급업체 배출 데이터 수집, 보강, 집계, 검증 및 감사를 포함하는 포괄적인 제품 탄소 발자국 (PCF) 솔루션의 필요성에 대해 논의했습니다.

엑스포에서 방문객들은 스마트하고 확장 가능하며 서버리스 EV 충전기군 (Charger Fleet) 관리 시스템을 특징으로 하는 지능형 EV 충전 시스템 데모를 체험했습니다. 이 데모는 간소화된 충전기 관리를 위한 사용자 친화적 인터페이스를 선보였고, 생성형 AI가 구성, 진단 및 문제 해결을 어떻게 지원하는지 보여주었습니다. 또한 지능형 여행 어드바이저가 최적의 충전 계획을 생성하고 EV 소유자를 위한 부가가치 서비스를 제안했습니다. 고객들은 이러한 혁신을 직접 경험했으며, 이는 자동차 기술의 미래를 형성하는 데 있어 AWS의 역할을 부각시켰습니다.

마이그레이션 및 현대화

AWS CEO Matt Garman은 메인프레임 애플리케이션을 변환하여 차별화되지 않은 작업에 소요되는 시간을 줄이고 개발자가 가치 있는 활동에 더 많은 시간을 할애할 수 있게 하는 메인프레임을 위한 Amazon Q Developer Transform을 발표했습니다. 이는 코드 분석과 마이그레이션 계획을 통해 IBM z/OS 메인프레임 애플리케이션을 변환하는 데 도움을 줄 수 있습니다. 문서화가 미흡한 레거시 시스템의 경우에도, Q는 수백만 줄의 레거시 시스템 코드에 대한 실시간 문서를 작성하고 수년이 걸리던 현대화 프로젝트를 수 분기 단위의 노력으로 줄여 일정을 50% 이상 단축할 수 있습니다. Amazon Q는 AWS 콘솔, Slack 및 Visual Studio, VS Code, IntelliJ와 같은 모든 인기 있는 IDE와 원활하게 통합되며 GitLab과 긴밀하게 연동됩니다. 애플리케이션 유지보수와 현대화에 상당한 자원이 소비되는 가운데, Amazon Q Developer Transform은 이제 Windows에서 Linux로 .NET 애플리케이션을 최대 4배 빠르게 현대화할 수 있습니다. VMware 워크로드를 위한 Amazon Q Developer Transform은 애플리케이션 종속성을 식별하고 마이그레이션 계획을 생성하여 VMware 워크로드를 클라우드 네이티브 아키텍처로 변환할 수 있습니다.

세션 MAM238에서 Toyota는 공급망 혁신의 눈에 띄는 발전을 공유했습니다. Toyota는 45년간 메인프레임 기반으로 공급망을 운영해 왔는데, 이 레거시 시스템에서 벗어나는 과정에서 여러 어려움에 직면했습니다. 특히 오래된 문서화 문제와 수억 줄에 달하는 COBOL 코드를 리버스 엔지니어링하는 것이 현실적으로 불가능하다는 점이 큰 장애물이었습니다. AWS와 협력하여 Toyota는 Amazon Q에 추가 기능을 구성하여 COBOL 코드를 평가하고 포괄적인 비즈니스 및 기술 문서를 생성했습니다. Amazon Q의 문서 생성 에이전트는 단 5시간 만에 400개의 COBOL 프로그램(375,000 LOC)을 최대 90%의 정확도로 처리하여 Toyota가 수개월이 아닌 수일 만에 공급망 메인프레임 프로그램을 문서화할 수 있게 했습니다. 메인프레임 현대화를 가속화하기 위한 Toyota의 혁신적인 생성형 AI 사용은 새로운 비즈니스 기능을 도입하면서 마이그레이션 일정을 최대 50%까지 단축할 수 있는 가능성을 보여주고 있습니다.

결론

BMW, Toyota, Volkswagen, Honda, Rivian과 같은 업계 선도 기업들의 사례와 함께 흥미진진한 데모와 기조연설을 통해 AWS가 자동차 산업 전반에 걸쳐 혁신을 주도하는 모습이 소개되었습니다. 자율주행 지원부터 소프트웨어 개발 가속화, 공급망 현대화, 지속가능성 촉진에 이르기까지 AWS는 자동차 산업 변혁의 최전선에 서 있습니다.
이제 AWS가 어떻게 여러분의 자동차 혁신을 가속화할 수 있는지 탐색해 볼 때입니다. AWS for Automotive를 방문하여 더 많은 정보를 얻고, 리소스에 접근하며, 모빌리티의 미래를 향한 여정을 시작할 수 있습니다. AWS와 함께 자동차 산업의 새로운 지평을 열어갈 준비가 되셨나요?

TAGS: ADAS, automotive digital customer engagement, aws, connected mobility, re:invent, SDV, software defined vehicle, sustainability