게시된 날짜: Jul 13, 2018
Amazon SageMaker의 기본 제공되는 DeepAR, BlazingText 및 Linear Learner 알고리즘이 개선되었습니다. 이제 Amazon SageMaker 내의 미리 구성된 컨테이너에서 Chainer 4.1을 사용할 수 있습니다.
DeepAR은 일반적으로 사용 사례에서 예측을 수행하는 데 사용됩니다. 예를 들어 제품 수요를 보다 정확하게 예측함으로써 공급망을 개선할 수 있습니다. 데이터 세트에는 불완전한 데이터가 포함되는 경우가 많으며 이로 인해 예측이 잘못될 수 있습니다. 이제 SageMaker의 DeepAR 알고리즘이 RNN(Recurrent Neural Network) 모델을 활용하여 모델 내에서 누락된 값을 처리하고 예측의 사용 편의성 및 정확성을 개선합니다. DeepAR 알고리즘의 두 번째 개선 사항은 서로 다른 시계열의 계층 수준에 따라 달라지는 계절성 패턴 같은 사용자 지정 시간 가변성 기능을 지원하는 것입니다. 세 번째는 DeepAR에서 다수의 속성을 사용하여 시계열을 그룹화할 수 있다는 것입니다. 이를 다중 그룹화라고 합니다. 이 향상된 기능을 통해 DeepAR은 계절별 패턴 같은 그룹별 동작을 학습하여 예측을 개선할 수 있습니다. 마지막으로 Amazon SageMaker에서 DeepAR을 통해 실제 데이터 세트의 처리 방식을 표시할 수 있는 새로운 노트북이 출시되었습니다. 이 데이터 세트는 “DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks” 같은 학술 자료에 사용된 고객 370명의 시간당 전력 소비량으로 구성됩니다. Amazon SageMaker의 DeepAR에 대한 자세한 내용은 여기의 설명서를 참조하십시오.
BlazingText를 사용하면 GPU 하드웨어를 활용하는 최적화된 Word2Vec 알고리즘을 구현할 수 있습니다. 이 알고리즘은 대규모 문서 모음에 포함된 단어의 고품질 분산 벡터 표현을 학습합니다. 이 알고리즘은 정서 분석 및 엔터티 인식 같은 NLP(Natural Language Processing) 작업에 사용됩니다. SageMaker의 BlazingText에 대한 첫 번째 개선 사항은 훈련 데이터 세트에 나타나지 않은 OOV(어휘 이외의 음성) 단어에 대한 의미 있는 벡터를 생성하는 것입니다. BlazingText에 대한 두 번째 개선 사항은 고속 다중 클래스 및 다중 레이블 텍스트 분류에 대한 지원입니다. 텍스트 분류의 목표는 텍스트 문서를 하나 이상의 정의된 범주로 자동으로 분류하는 것입니다. 이제 BlazingText를 사용하여 수십억 개 이상의 단어에 대한 텍스트 분류 모델 훈련을 몇 분 안에 완료할 수 있습니다. Amazon SageMaker의 BlazingText에 대한 자세한 내용은 여기의 설명서를 참조하십시오.
이제 Amazon SageMaker의 Linear Learner 알고리즘이 이진수 분류 및 선형 회귀에 더해 다중 클래스 분류를 지원합니다. 다중 클래스 분류는 출력이 유한한 레이블 세트인 것으로 알려진 경우 사용되는 작업입니다. 예를 들어 이메일은 받은 편지함, 업무용 편지함 또는 개인 편지함 등으로 분류될 수 있습니다. 이제 Linear Learner를 이러한 데이터 세트에 사용할 수 있습니다. Linear Learner에 대한 자세한 내용은 여기에서 확인할 수 있습니다.
Amazon SageMaker의 미리 구성된 컨테이너가 이제 Chainer 4.1을 지원합니다. 이 버전의 주요 기능은 대규모 배치 크기의 네트워크를 훈련할 수 있는 LARS(Layer-wise Adaptive Rate Scaling)입니다.
이제 Amazon SageMaker의 향상된 모든 기능을 미국 동부(버지니아 북부), 미국 동부(오하이오), 미국 서부(오레곤), 유럽(아일랜드), 유럽(프랑크푸르트), 아시아 태평양(도쿄), 아시아 태평양(서울) 및 아시아 태평양(시드니) AWS 리전에서 사용할 수 있습니다.