Stellus Capital Investment Corporation, 2026년 3월 31일 마감 분기 실적 발표

AWS re:Invent에서 아마존웹서비스(AWS)가 데이터 분석 및 관리를 혁신할 새로운 Amazon S3 기능을 발표했습니다. 이번 발표는 클라우드 객체 스토리지 최초로 Apache Iceberg를 완벽하게 지원하며, 데이터 분석 성능을 대폭 향상시키고 데이터 검색 및 구성을 용이하게 하는 데 초점을 맞추고 있습니다.

새롭게 선보이는 Amazon S3 Tables는 분석 워크로드에서 최대 3배 빠른 쿼리 성능과 최대 10배 높은 초당 트랜잭션(TPS)을 제공합니다. 또한, S3 Metadata는 거의 실시간으로 쿼리 가능한 객체 메타데이터를 제공하여 데이터 검색, 구성 및 증강을 가속화합니다.

S3 Tables는 Apache Iceberg 테이블을 위한 내장 지원 기능을 갖춘 최초의 클라우드 객체 스토리지입니다. 테이블 형식 데이터를 최적화하는 새로운 버킷 유형을 도입하여 분석 워크로드에 최적화된 스토리지 및 쿼리 환경을 제공합니다. 이는 자동화된 테이블 유지보수 및 관리를 통해 운영 부담을 줄여줍니다.

Andy Warfield AWS 스토리지 부문 부사장 겸 석학 엔지니어는 "전 세계 400조 개 이상의 객체를 보유한 선도적인 객체 스토리지인 S3는 수백만 고객이 사용하고 있으며, 우리는 전례 없는 규모의 데이터 작업을 단순화하기 위해 지속적으로 혁신하고 있습니다"라며, "테이블 형식 데이터의 급격한 증가와 함께 고객들은 테이블 간 쿼리, 쿼리 성능 향상, 방대한 데이터의 이해 및 구성에 대한 요구가 커지고 있습니다. S3 Tables와 S3 Metadata는 객체 위에 테이블 및 메타데이터 스토어를 구성하고 운영하는 오버헤드를 제거하여 고객이 데이터 구축에 다시 집중할 수 있도록 합니다"라고 말했습니다.

S3 Tables와 S3 Metadata는 Apache Iceberg 테이블과 호환되어 Amazon Athena, Amazon QuickSight, Apache Spark 등 AWS 분석 서비스 및 오픈 소스 도구를 사용하여 데이터를 쉽게 쿼리할 수 있습니다.

기존에는 많은 고객이 분석 데이터를 테이블 형식으로 구성하고 Apache Parquet와 같은 파일 형식으로 저장해왔습니다. 하지만 대규모 데이터셋을 관리하고 업데이트하며 변경 사항을 추적하는 데 어려움이 있었고, 특히 Iceberg와 같은 오픈 테이블 형식(OTF)은 관리가 복잡하고 비용이 많이 드는 별도의 시스템 구축 및 유지보수를 요구했습니다.

Amazon S3 Tables는 이러한 문제를 해결하기 위해 데이터 레이크에서 Apache Iceberg 테이블을 관리하도록 특별히 설계되었습니다. 일반 S3 버킷 대비 최대 3배 빠른 쿼리 성능과 10배 높은 TPS를 제공하며, 테이블 압축 및 스냅샷 관리와 같은 테이블 유지보수 작업을 자동으로 수행하여 쿼리 성능과 스토리지 비용을 지속적으로 최적화합니다. 고객은 테이블 버킷을 생성하여 완전 관리형 Iceberg 테이블에서 데이터를 저장하고 쿼리할 수 있습니다.

Genesys는 S3 Tables의 관리형 Iceberg 지원을 활용하여 다양한 데이터 분석 요구에 맞는 머티리얼라이즈드 뷰 계층을 제공할 계획입니다. S3 Tables의 내장된 Iceberg 테이블 지원은 테이블 압축, 스냅샷 관리, 미참조 파일 정리와 같은 주요 유지보수 작업을 자동화하여 복잡한 데이터 워크플로우를 단순화할 것입니다.

Amazon S3 Metadata는 S3를 중앙 데이터 저장소로 사용하는 고객이 늘어나면서 데이터의 양과 다양성이 기하급수적으로 증가함에 따라, 방대한 양의 데이터를 이해하고 구성하여 필요한 객체를 정확하게 찾기 위한 메타데이터의 중요성이 커지고 있다는 점에 주목했습니다. 기존에는 복잡한 메타데이터 캡처 및 저장 시스템을 구축하고 유지보수하는 데 많은 비용과 시간이 소요되었지만, S3 Metadata는 이러한 부담을 제거합니다.

S3 Metadata는 거의 실시간으로 쿼리 가능한 객체 메타데이터를 자동으로 생성하여 데이터 검색을 가속화하고 데이터 이해도를 높입니다. 객체의 크기 및 출처와 같은 시스템 정의 메타데이터와 함께, 고객은 객체 태그를 사용하여 제품 SKU, 거래 ID 또는 콘텐츠 등급과 같은 비즈니스별 정보나 고객 세부 정보를 추가할 수 있습니다. 이러한 메타데이터는 SQL 쿼리를 통해 쉽게 검색할 수 있어 비즈니스 분석, 실시간 추론 애플리케이션, 파운데이션 모델 미세 조정, 검색 증강 생성(RAG) 등에 데이터를 신속하게 준비하고 사용할 수 있습니다.

Roche는 S3 Metadata를 활용하여 향후 생성형 AI 이니셔티브를 가속화할 계획입니다. 복잡한 내부 챗봇과 같은 고급 대규모 언어 모델(LLM) 애플리케이션을 개발하면서 RAG 강화를 위해 기하급수적으로 증가하는 비정형 데이터를 관리할 것으로 예상하고 있습니다. S3 Metadata는 확장 가능한 메타데이터 시스템 구축을 단순화하여 새로운 데이터가 수집될 때 메타데이터를 자동으로 노출하고 업데이트합니다.

Cambridge Mobile Telematics(CMT)는 세계 최대의 텔레매틱스 서비스 제공업체로, 수백만 개의 IoT 장치에서 수 페타바이트의 데이터를 저장하고 분석합니다. S3 Metadata는 시스템 및 사용자 정의 메타데이터를 포함하여 수 페타바이트의 메타데이터를 쿼리할 수 있게 하여 관련 데이터를 쉽고 비용 효율적으로 찾을 수 있도록 합니다.

S3 Tables는 현재 일반 공급되며, S3 Metadata는 미리 보기 상태로 제공됩니다. S3 Tables와 AWS Glue Data Catalog의 통합은 미리 보기 상태로, Amazon Athena, Redshift, EMR, QuickSight와 같은 AWS 분석 서비스를 사용하여 S3 Metadata 테이블을 포함한 데이터를 쿼리하고 시각화할 수 있습니다.