Amazon의 방대한 상품 카탈로그가 매일 수백만 건의 데이터를 처리하기 위해 '자기 학습형' 아키텍처로 탈바꿈하고 있다. Amazon은 모델 간의 의견 불일치를 단순한 오류가 아닌 핵심적인 학습 신호로 활용하는 시스템을 구축했다. 이 혁신적인 아키텍처는 Amazon Bedrock을 통해 여러 파운데이션 모델 인스턴스들을 계층적 워크포스로 구성하여 운영 효율을 극대화한다. 워크플로는 Amazon Nova Lite와 같은 가성비 좋은 소형 '실무자(worker)' 모델들이 상품 속성을 독립적으로 추출하며 시작된다. 모델들이 합의에 도달하면 결과가 즉시 승인되는 방식이다. 반면, 데이터가 모호하여 의견이 갈릴 경우에는 Anthropic Claude Sonnet 기반의 강력한 관리자 AI 에이전트가 소환되어 정밀 분석에 들어간다. 관리자는 단순히 답을 수정하는 데 그치지 않고, 오류의 근본 원인을 분석해 재사용 가능한 통찰을 도출해낸다. 도출된 통찰은 계층적 지식 베이스에 저장되며 프롬프트 엔지니어링을 통해 실무자 모델에 자동으로 주입된다. 이는 대규모 언어 모델 (LLM)이 복잡한 용어 처리법을 스스로 학습하는 폐쇄 루프 시스템을 형성한다. Amazon은 고성능 컴퓨팅 자원을 가장 가치 있는 학습 기회에만 집중시킴으로써, 데이터 품질은 높이면서 운영 비용은 낮추는 이상적인 지점에 도달했다.

Amazon의 방대한 상품 카탈로그가 매일 수백만 건의 데이터를 처리하기 위해 '자기 학습형' 아키텍처로 탈바꿈하고 있다. Amazon은 모델 간의 의견 불일치를 단순한 오류가 아닌 핵심적인 학습 신호로 활용하는 시스템을 구축했다. 이 혁신적인 아키텍처는 Amazon Bedrock을 통해 여러 파운데이션 모델 인스턴스들을 계층적 워크포스로 구성하여 운영 효율을 극대화한다. 워크플로는 Amazon Nova Lite와 같은 가성비 좋은 소형 '실무자(worker)' 모델들이 상품 속성을 독립적으로 추출하며 시작된다. 모델들이 합의에 도달하면 결과가 즉시 승인되는 방식이다. 반면, 데이터가 모호하여 의견이 갈릴 경우에는 Anthropic Claude Sonnet 기반의 강력한 관리자 AI 에이전트가 소환되어 정밀 분석에 들어간다. 관리자는 단순히 답을 수정하는 데 그치지 않고, 오류의 근본 원인을 분석해 재사용 가능한 통찰을 도출해낸다. 도출된 통찰은 계층적 지식 베이스에 저장되며 프롬프트 엔지니어링을 통해 실무자 모델에 자동으로 주입된다. 이는 대규모 언어 모델 (LLM)이 복잡한 용어 처리법을 스스로 학습하는 폐쇄 루프 시스템을 형성한다. Amazon은 고성능 컴퓨팅 자원을 가장 가치 있는 학습 기회에만 집중시킴으로써, 데이터 품질은 높이면서 운영 비용은 낮추는 이상적인 지점에 도달했다.