The attendee’s guide to the AWS re:Invent 2026 AI/ML track

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AWS re:Invent 2026 AI/ML 트랙 안내서는 11월 30일~12월 4일 행사에서 제공되는 140개 이상의 세션을 AI 스택, 학습 방식, 참가자의 역할에 맞춰 선택하도록 안내한다.

📌 핵심 요약

• AWS re:Invent 2026은 11월 30일~12월 4일 열리며, 전체 2,000개 이상의 학습 세션 중 AI/ML 트랙에는 140개 이상의 고유 세션이 있다. 브레이크아웃은 녹화되어 행사 며칠 뒤 공개되지만, 나머지 세션은 현장에서 진행되는 비녹화형 상호작용 세션으로 안내된다.
• AWS AI 스택은 글로벌 인프라, AWS Trainium과 NVIDIA GPUs, AWS Context 기반 데이터 토대, 모델 학습·추론, 에이전트 개발·관리, 즉시 사용할 수 있는 에이전트 솔루션으로 이어진다. 보안·거버넌스·비용 최적화는 모든 계층에 걸쳐 적용되며, AI/ML 트랙은 특히 칩, 모델 학습·추론, 에이전트 개발·관리에 집중한다.
• Amazon Bedrock은 통합 API로 여러 제공자의 수백 개 모델에 대한 관리형 접근을 제공하고, Amazon SageMaker AI는 전용 인프라에서 사용자 모델을 학습·미세 조정·배포할 수 있도록 한다. 두 서비스를 함께 사용할 수 있으며, Amazon Bedrock AgentCore는 다양한 모델과 제공자를 조합한 에이전트의 구축·배포·관리를 지원한다.
• NVIDIA GPU 세션은 인스턴스 선택, 스케줄링, 장애 복구, 성능 최적화를 다루고, AWS Trainium 세션은 AWS Neuron·PyTorch 연계, Trainium3, 분산 학습과 추론 확장을 다룬다. AIM3312는 NVIDIA cuDF를 적용한 Amazon EMR의 Apache Spark 작업이 EC2 G7에서 비교 가능한 CPU 인스턴스보다 코드 변경 없이 최대 3.7배 빠르다고 소개하며, Trainium의 가격 대비 성능 개선은 가능성으로 제시된다.
• 플랫폼 세션은 Amazon Bedrock과 Amazon SageMaker AI의 선택·병용, 거버넌스가 적용된 데이터, ROI와 결과당 비용 측정을 연결한다. Amazon SageMaker AI는 서버리스 모델 맞춤화부터 수천 개 가속기를 활용한 학습까지 지원하고 모델 가중치와 실행 위치에 대한 사용자 통제권을 강조하지만, 제공된 원문은 평가 관련 AIM2205 소개 도중 끊겨 이후 내용을 확인할 수 없다.

🧩 주요 포인트

1. AI 스택 전반에 걸친 서비스 구성 → 개별 제품 기능뿐 아니라 데이터·모델·에이전트의 연결과 보안·거버넌스·비용 최적화를 함께 고려하는 세션 선택이 필요하다.
2. Amazon Bedrock의 관리형 모델 접근과 Amazon SageMaker AI의 사용자 모델 통제권 → 서비스 선택은 양자택일보다 워크로드별 역할 분담과 Amazon Bedrock AgentCore를 통한 조합 관점에서 검토할 수 있다.
3. NVIDIA GPUs와 AWS Trainium의 다양한 운영·성능 세션 → 칩 선택은 워크로드와 성능·비용 목표에 따라 달라지며, 최대 3.7배 같은 개별 성능 수치와 Trainium의 가격 대비 성능 개선 가능성을 적용 조건에 맞춰 해석해야 한다.

🧠 상세 정리

1. 행사 규모와 학습 방식에 따른 세션 선택

AWS는 11월 30일부터 12월 4일까지 연례 학습 행사인 re:Invent 2026을 개최하며, AWS 리더의 기조연설과 전문가가 진행하는 상호작용 세션, re:Play의 공연·게임 등 다양한 경험을 제공한다고 소개한다. 전체 학습 세션은 2,000개 이상이고 AI/ML 트랙에는 140개 이상의 고유 세션이 있어, 관심 주제와 숙련도에 맞는 선택이 안내서의 출발점이다. 브레이크아웃은 AWS 전문가·고객·파트너가 발표하는 60분 강연이며, 녹화본이 며칠 뒤 AWS Events YouTube 채널에 올라오고 현장에 참석하지 못해도 다수 세션의 주문형 영상과 기조연설 생중계를 볼 수 있다. 그 밖의 세션은 현장 비녹화형 상호작용 방식으로 설명되며, 초크 토크는 질문과 화이트보드 토론, 빌더 세션은 1시간 동안 직접 무언가를 만드는 활동에 초점을 둔다. 워크숍은 소규모 팀이 AWS 서비스로 실제 문제를 해결하는 2시간 과정이고, 코드 토크는 전문가의 라이브 코딩을 중심으로 진행된다. 라이트닝 토크는 특정 서비스나 고객 사례를 다루는 20분 데모로, Venetian Expo Hall 또는 Wynn/Encore Upper Convention Promenade에서 열린다.

2. 인프라·칩·데이터로 이어지는 AI 스택의 토대

안내서는 개별 세션을 살펴보기 전에 AWS의 AI 포트폴리오를 물리적 인프라에서 즉시 도입할 수 있는 에이전트 솔루션까지 이어지는 스택으로 설명한다. 가장 아래의 글로벌 인프라는 대규모 AI 학습과 추론에 필요한 전력·냉각·네트워킹 수요를 감당하도록 설계된 데이터센터다. 그 안의 주요 연산 선택지는 고성능 AI 학습·추론을 위해 설계된 AWS Trainium과 GPU 가속이 필요한 팀을 위한 NVIDIA GPUs이며, 고객은 워크로드·성능 요구·비용 목표에 따라 선택한다고 제시한다. 데이터 토대에서는 AWS Context가 스토리지·데이터베이스·분석·검색 서비스 전반의 데이터를 연결해 모델과 에이전트가 필요한 시점에 적절한 정보에 접근하도록 한다. 이러한 계층 구분은 참가자가 자신이 구축하는 시스템에서 어떤 부분을 이해하거나 개선해야 하는지 파악하고, 그에 해당하는 세션에 집중하도록 돕는 기준으로 제시된다.

3. 모델 서비스와 에이전트 계층의 연결

모델 학습·추론 계층에서 Amazon Bedrock은 통합 API를 통해 여러 제공자의 수백 개 주요 모델에 관리형으로 접근하게 하고, Amazon SageMaker AI는 전용 인프라에서 사용자 모델을 학습·미세 조정·배포할 수 있는 통제권을 제공한다. 원문은 많은 고객이 워크로드에 따라 두 서비스를 함께 사용한다고 설명하며, 이를 단일 서비스 선택으로 제한하지 않는다. 에이전트 개발·관리 계층의 Amazon Bedrock AgentCore는 Bedrock과 SageMaker AI의 모델을 포함해 다양한 모델·제공자 조합을 지원하므로, 팀은 작업마다 적합한 모델을 선택하는 에이전트를 설계할 수 있다. 상위 솔루션으로는 명세 기반 개발을 지원하는 Kiro, 애플리케이션·도구·데이터를 개인 지식 그래프로 연결하는 AWS Quick, 고객 경험·채용·공급망·의료용 에이전트를 제공하는 Amazon Connect, 파트너 AI 솔루션을 제공하는 AWS Marketplace를 소개한다. 보안·거버넌스·비용 최적화는 모든 계층을 관통하며, 칩 수준의 하드웨어 격리와 에이전트의 접근·행동을 제한하는 통제가 포함된다고 설명한다. AI/ML 트랙은 이 가운데 AI 칩, 모델 학습·추론, 에이전트 개발·관리의 세 계층에 주로 집중하고, 각 주제에서는 입문 세션을 먼저, 기술 심화 세션을 뒤에 배치한다.

4. AWS AI 플랫폼을 함께 이해하는 세션

플랫폼 세션은 Amazon Bedrock, Amazon SageMaker AI, Amazon Bedrock AgentCore와 기반 AI 칩을 함께 다뤄 사용량이 늘어날 때도 유지할 수 있는 아키텍처 선택을 돕는다. 입문자를 위한 AIM204는 Trainium·Graviton 칩부터 Bedrock·SageMaker AI의 모델 추론, AgentCore의 프로덕션 에이전트까지 전체 스택을 살펴본다. 이미 개발 중인 참가자를 위한 AIM364는 AgentCore에서 실행되는 실제 에이전트형 코딩 애플리케이션을 예로 들어 Bedrock과 SageMaker AI를 선택하거나 병용할 상황을 설명한다. 데이터 전략 담당자를 위한 AIM363은 거버넌스가 적용된 데이터 제품이 맞춤화·추론·에이전트에 공급되는 과정을 다루고, 프롬프트 캐싱·증류·배치 추론 같은 비용 절감 수단이 정돈된 데이터에서 더 잘 작동하는 이유를 설명한다. AIM319는 비용을 넘어 비즈니스 영향을 살피며, AI 스택 전반의 라이브 데모로 ROI 측정과 결과당 비용 비교를 보여준다. 숙련자를 위한 400레벨 초크 토크 AIM443은 기업 데이터와 거버넌스를 유지하는 SageMaker HyperPod 학습 파이프라인을 구축한 뒤, 같은 모델을 Bedrock의 추론 또는 AgentCore의 에이전트 용도로 배포하는 흐름을 다룬다.

5. NVIDIA GPU의 선택·운영·성능 최적화

NVIDIA GPU 세션은 다양한 Amazon EC2 GPU 인스턴스에서 AI 학습과 추론을 안전하고 안정적으로 실행하는 방법을 다루며, 현재 사용하는 칩에서 시작해 다른 선택지로 관심을 넓히도록 안내한다. AIM2210은 GPU 인스턴스의 최신 정보를, AIM3301은 GPU 스케줄링을 최적화해 보유 용량을 더 잘 활용하는 고객 사례를 소개한다. AIM392는 P 계열 대신 EC2 G7e·G7 인스턴스가 적합한 경우를 설명하고, AIM346은 자체 관리형 에이전트로 AI 인프라를 조정하는 주제를 다룬다. 실습을 원하는 참가자에게는 추론 서빙을 분리하는 구조를 다루는 AIM345, 실제 GPU 클러스터 장애의 원인과 복구를 다루는 AIM344, GPU 성능 엔지니어링 워크숍인 AIM347을 제시한다. 데이터 처리 세션 AIM3312는 Apache Spark용 NVIDIA cuDF 플러그인을 적용한 Amazon EMR 작업이 EC2 G7에서 비교 가능한 CPU 인스턴스보다 코드 변경 없이 최대 3.7배 빠르게 실행된다고 소개한다. 같은 세션은 GPU에서의 DuckDB도 다루며, 이 성능 수치는 해당 세션이 제시하는 처리 구성과 비교 조건에 연결된 주장으로 읽어야 한다.

6. AWS Trainium의 소프트웨어 기반과 입문 경로

AWS Trainium은 차세대 딥러닝 학습과 추론을 위해 설계된 AI 칩 제품군으로 소개되며, 원문은 더 낮은 비용으로 높은 성능을 제공한다고 설명한다. Trainium은 AWS Neuron 소프트웨어 스택을 통해 PyTorch 같은 익숙한 프레임워크와 연결되므로, 팀이 재작성 없이 개발할 수 있다고 안내한다. 다만 Trainium 기반 Amazon EC2 인스턴스의 가격 대비 성능에 대해서는 비교 가능한 인스턴스보다 개선될 수 있다는 가능성의 표현을 사용한다. 입문 세션 AIM211은 실리콘부터 애플리케이션까지 전체 스택을 따라가고, AIM310은 Trainium3와 Trn3 UltraServer가 대규모 혼합 전문가 모델의 성능을 유지하는 방식을 설명한다. Trainium3로의 전환을 검토하는 참가자를 위한 AIM2213 패널에는 이미 Trainium에서 실제 제품을 출시한 AI 리더 4명이 참여한다. 이 구성은 칩과 소프트웨어의 기본 관계를 이해한 뒤 최신 시스템의 특성과 실제 도입 경험을 살펴보는 학습 경로를 제시한다.

7. 역할별 Trainium 심화와 월드 모델 실습

과학자와 연구자를 위한 Trainium 학습 경로는 nanochat 코드 토크 AIM339에서 PyTorch 관련 질문을 다룬 뒤, AIM334 분산 학습 워크숍으로 이어진다. ML 엔지니어와 개발자는 AIM349에서 Hugging Face 모델을 활용한 프로덕션 AI 어시스턴트를 설계하고, AIM326 워크숍에서 추론 확장을 실습할 수 있다. 성능 엔지니어에게는 에이전트형 최적화 루프를 다루는 AIM329와 Neuron Kernel Interface 내부를 살펴보는 500레벨 세션 INV511을 제시한다. Amazon EKS에서 Trainium을 실행하려는 참가자를 위한 AIM311은 최대 2만 개 가속기 규모의 배포에서도 작동하는 복원력 스택을 화이트보드로 설명하며, SageMaker AI를 통한 배포는 별도 SageMaker AI 영역으로 안내한다. 이어 원문은 게임·로보틱스·자율주행의 시뮬레이션을 지원하는 신흥 모델 유형으로 월드 모델을 소개하고, AIM323에서 네이티브 PyTorch를 활용한 서빙을 출발점으로 제시한다. 후속 빌더 세션 AIM304는 에이전트형 Neuron 워크플로로 실시간 비디오 월드 모델을 배포·최적화하고, AIM305는 물리적 AI용 비전·언어·행동 모델을 학습하는 실습을 제공한다.

8. SageMaker AI의 모델 수명주기와 제공 원문의 범위

Amazon SageMaker AI는 자체 모델의 맞춤화와 배포를 위한 서비스로, 데이터 준비부터 학습·배포까지 모델 수명주기를 한곳에서 처리한다고 소개된다. 서버리스 컴퓨팅으로 데이터를 준비하고 모델을 맞춤화할 수 있으며, 더 큰 연산 능력이 필요하면 학습 작업을 수천 개 가속기까지 확장할 수 있다. 완성된 모델은 SageMaker 추론 엔드포인트나 SageMaker HyperPod에 배포할 수 있고, 사용자는 모델 가중치를 보유하면서 실행 위치를 결정한다. 입문 세션 AIM342는 모델 구축·맞춤화·배포를 다루며, 세션 사이에는 Builder’s Hub에서 에이전트 미세 조정, Agentic Football Cup 팀 참가, 로봇에 새 작업 가르치기의 세 가지 경연에 참여할 수 있다고 안내한다. AIM2215는 로보틱스·월드 모델·물리적 AI의 최신 동향을 다루는 개발자 패널이며, 이어지는 AIM2205는 모델 선택이나 평가 작성에 관심이 있는 참가자에게 소개된다. 다만 제공된 본문은 AIM2205의 평가 구축 설명 도중 끊겨 있으므로, 목차에 열거된 이후의 Bedrock·문서·음성·이미지·에이전트 신뢰 등 주제의 상세 세션 내용은 이 자료만으로 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 안내서는 AI 스택의 계층과 참가자의 숙련도·역할을 함께 사용해 세션을 배치한다. 관심 기술을 정하는 것에 더해 입문, 운영 문제 해결, 심화 실습 중 필요한 학습 수준을 구분하는 데 의미가 있다.
• 플랫폼 세션은 데이터 거버넌스, 모델·서비스 선택, 비용 절감 수단, ROI를 연결한다. 이는 AI 도입의 판단 기준이 개별 모델 성능뿐 아니라 데이터 기반과 실제 결과의 비용까지 포함한다는 방향을 보여준다.
• 원문은 AWS의 서비스 효익을 소개하는 안내서이며, 최대 3.7배라는 특정 비교 수치와 Trainium의 가격 대비 성능 개선 가능성은 표현의 확실성이 다르다. 또한 본문이 AIM2205에서 끊기므로 전체 AI/ML 트랙을 완결적으로 설명하는 자료로 보기는 어렵다.

✅ 액션 아이템

• 140개 이상의 AI/ML 세션에서 필요한 주제와 학습 방식을 정하고, 브레이크아웃의 녹화 공개 여부를 반영해 참석 세션 선정.
• Amazon Bedrock과 Amazon SageMaker AI의 역할·통제 범위를 비교하고, Amazon Bedrock AgentCore를 통한 워크로드별 병용 가능성 검토.
• NVIDIA GPUs와 AWS Trainium을 성능·비용 목표에 따라 비교하되, 최대 3.7배 수치의 적용 조건과 Trainium의 가격 대비 성능 개선 가능성을 구분해 평가.

❓ 열린 질문

• 140개 이상의 AI/ML 세션 가운데 현장 비녹화형 상호작용 세션으로 학습할 필요가 가장 큰 주제는 무엇인가?
• 현재 워크로드에는 Amazon Bedrock의 관리형 모델 접근과 Amazon SageMaker AI의 사용자 모델 통제권을 어떻게 배분하는 것이 적합한가?
• NVIDIA GPUs와 AWS Trainium을 비교할 때 최대 3.7배라는 개별 성능 수치와 가격 대비 성능 개선 가능성을 어떤 워크로드 조건에서 검증해야 하는가?