게시된 날짜: Nov 28, 2018
Amazon SageMaker는 이제 기계 학습(ML) 워크플로에 대해 더 나은 오케스트레이션, 실험 및 협업이 가능한 새로운 기능을 지원합니다. 이제 AWS Step Functions가 Amazon SageMaker 및 AWS Glue와 통합되어, ML 워크플로를 손쉽게 구축, 배포, 모니터링 및 반복할 수 있습니다. AWS Step Functions를 사용하면 코드를 적게 사용하고도 다수의 Amazon SageMaker 작업을 몇 분 안에 연결하여 ML 워크플로를 자동화할 수 있습니다. 이제 새로운 기능을 통해 오늘부터 베타 서비스가 가능한 Amazon SageMaker Search를 이용하여 ML 학습 실험을 구성, 추적 및 평가할 수 있습니다. 마지막으로, 이제 GitHUb, AWS CodeCommit 및 모든 자체 호스팅된 Git 리포지토리를 Amazon SageMaker 노트북 인스턴스에 연결하여 쉽고 안전하게 협업하고 Jupyter 노트북으로 버전 제어가 가능합니다. 자세한 내용은 AWS Step Functions 설명서를 참조하십시오.
일반적으로, ML 워크플로를 자동화하려면 워크플로 로직을 정의하고, 각 작업의 완료를 모니터링하고, 모든 오류를 해결할 수 있는 코드를 작성 및 유지해야 합니다. ML 모델을 프로덕션 환경에 배포하기 전에 대용량 데이터 세트용으로 관리해야 합니다. 모델이 변경될 때마다 재배포해야 하고, 여러 팀에서 이 모델이 예상대로 실행되는지 확인해야 합니다. 이러한 전체 프로세스는 복잡하므로 애플리케이션 제공 속도가 느려질 수 있습니다. AWS Step Functions 및 Amazon SageMaker의 통합을 통해 대용량의 다양한 데이터 세트를 Amazon S3 데이터 레이크로 게시하는 작업을 자동화하고, ML 모델을 학습시키고, 이러한 모델을 프로덕션 환경으로 배포할 수 있습니다. AWS Step Functions를 통해 작업 시퀀스를 정하고 작업을 병렬로 실행하며, 실패한 모든 작업을 자동으로 다시 시도할 수 있습니다. 이 통합에는 내장된 오류 처리 기능, 파라미터 전달 및 상태 관리 기능이 포함됩니다. 따라서 안전하고 탄력적인 ML 애플리케이션의 제공 속도는 높이면서도, 작성 및 유지해야 하는 코드의 양은 줄일 수 있습니다.
성공적인 ML 모델을 개발하려면 지속적으로 실험하면서 새로운 알고리즘 및 하이퍼파라미터를 시도하고, 그 과정 내내 성능과 정확성에 미치는 영향을 관찰해야 합니다. 이로 인해 데이터 세트, 알고리즘 및 파라미터의 고유한 조합을 추적하여 성공적인 모델을 달성하기가 어렵습니다. 이제 Amazon SageMaker Search로 기계 학습 모델의 학습 실험을 구성, 추적 및 평가할 수 있습니다. Amazon SageMaker Search를 사용하면 잠재적으로 수천 개의 모델 학습 실행으로부터, 또는 AWS Management Console에서 직접, 또는 AWS SDK for Amazon SageMaker를 통해 가장 관련성이 높은 모델 학습 실행을 빠르게 찾고 평가할 수 있습니다. Amazon SageMaker Search는 현재 Amazon SageMaker를 사용할 수 있는 13개의 AWS 리전에서 베타로 사용할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.
기계 학습을 진행하려면 아이디어, 작업을 공유하고 협업해야 하는 경우가 많습니다. 기존 소프트웨어 개발에서 협업의 사실상 표준은 버전 제어였으며, 이는 기계 학습에도 중요한 역할을 합니다. 이제 GitHUb, AWS Code Commit 및 모든 자체 호스팅된 Git 리포지토리를 Amazon SageMaker 노트북 인스턴스에 연결하여 쉽고 안전하게 협업하고 Jupyter 노트북으로 버전 제어가 가능합니다. Git 리포지토리를 Jupyter 노트북에서 사용하면 프로덕션용 코드 관리를 위해 프로젝트를 함께 작성하고, 코드 변경 사항을 추적하고, 소프트웨어 엔지니어링 및 데이터 과학 사례를 결합하기 쉽습니다. Jupyter 노트북에서 제공되고 GitHub에서 호스팅되는 기계 학습 및 딥 러닝 기술을 쉽게 검색, 실행 및 공유할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.
일반적으로, ML 워크플로를 자동화하려면 워크플로 로직을 정의하고, 각 작업의 완료를 모니터링하고, 모든 오류를 해결할 수 있는 코드를 작성 및 유지해야 합니다. ML 모델을 프로덕션 환경에 배포하기 전에 대용량 데이터 세트용으로 관리해야 합니다. 모델이 변경될 때마다 재배포해야 하고, 여러 팀에서 이 모델이 예상대로 실행되는지 확인해야 합니다. 이러한 전체 프로세스는 복잡하므로 애플리케이션 제공 속도가 느려질 수 있습니다. AWS Step Functions 및 Amazon SageMaker의 통합을 통해 대용량의 다양한 데이터 세트를 Amazon S3 데이터 레이크로 게시하는 작업을 자동화하고, ML 모델을 학습시키고, 이러한 모델을 프로덕션 환경으로 배포할 수 있습니다. AWS Step Functions를 통해 작업 시퀀스를 정하고 작업을 병렬로 실행하며, 실패한 모든 작업을 자동으로 다시 시도할 수 있습니다. 이 통합에는 내장된 오류 처리 기능, 파라미터 전달 및 상태 관리 기능이 포함됩니다. 따라서 안전하고 탄력적인 ML 애플리케이션의 제공 속도는 높이면서도, 작성 및 유지해야 하는 코드의 양은 줄일 수 있습니다.
성공적인 ML 모델을 개발하려면 지속적으로 실험하면서 새로운 알고리즘 및 하이퍼파라미터를 시도하고, 그 과정 내내 성능과 정확성에 미치는 영향을 관찰해야 합니다. 이로 인해 데이터 세트, 알고리즘 및 파라미터의 고유한 조합을 추적하여 성공적인 모델을 달성하기가 어렵습니다. 이제 Amazon SageMaker Search로 기계 학습 모델의 학습 실험을 구성, 추적 및 평가할 수 있습니다. Amazon SageMaker Search를 사용하면 잠재적으로 수천 개의 모델 학습 실행으로부터, 또는 AWS Management Console에서 직접, 또는 AWS SDK for Amazon SageMaker를 통해 가장 관련성이 높은 모델 학습 실행을 빠르게 찾고 평가할 수 있습니다. Amazon SageMaker Search는 현재 Amazon SageMaker를 사용할 수 있는 13개의 AWS 리전에서 베타로 사용할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.
기계 학습을 진행하려면 아이디어, 작업을 공유하고 협업해야 하는 경우가 많습니다. 기존 소프트웨어 개발에서 협업의 사실상 표준은 버전 제어였으며, 이는 기계 학습에도 중요한 역할을 합니다. 이제 GitHUb, AWS Code Commit 및 모든 자체 호스팅된 Git 리포지토리를 Amazon SageMaker 노트북 인스턴스에 연결하여 쉽고 안전하게 협업하고 Jupyter 노트북으로 버전 제어가 가능합니다. Git 리포지토리를 Jupyter 노트북에서 사용하면 프로덕션용 코드 관리를 위해 프로젝트를 함께 작성하고, 코드 변경 사항을 추적하고, 소프트웨어 엔지니어링 및 데이터 과학 사례를 결합하기 쉽습니다. Jupyter 노트북에서 제공되고 GitHub에서 호스팅되는 기계 학습 및 딥 러닝 기술을 쉽게 검색, 실행 및 공유할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.
일반적으로, ML 워크플로를 자동화하려면 워크플로 로직을 정의하고, 각 작업의 완료를 모니터링하고, 모든 오류를 해결할 수 있는 코드를 작성 및 유지해야 합니다. ML 모델을 프로덕션 환경에 배포하기 전에 대용량 데이터 세트용으로 관리해야 합니다. 모델이 변경될 때마다 재배포해야 하고, 여러 팀에서 이 모델이 예상대로 실행되는지 확인해야 합니다. 이러한 전체 프로세스는 복잡하므로 애플리케이션 제공 속도가 느려질 수 있습니다. AWS Step Functions 및 Amazon SageMaker의 통합을 통해 대용량의 다양한 데이터 세트를 Amazon S3 데이터 레이크로 게시하는 작업을 자동화하고, ML 모델을 학습시키고, 이러한 모델을 프로덕션 환경으로 배포할 수 있습니다. AWS Step Functions를 통해 작업 시퀀스를 정하고 작업을 병렬로 실행하며, 실패한 모든 작업을 자동으로 다시 시도할 수 있습니다. 이 통합에는 내장된 오류 처리 기능, 파라미터 전달 및 상태 관리 기능이 포함됩니다. 따라서 안전하고 탄력적인 ML 애플리케이션의 제공 속도는 높이면서도, 작성 및 유지해야 하는 코드의 양은 줄일 수 있습니다.
성공적인 ML 모델을 개발하려면 지속적으로 실험하면서 새로운 알고리즘 및 하이퍼파라미터를 시도하고, 그 과정 내내 성능과 정확성에 미치는 영향을 관찰해야 합니다. 이로 인해 데이터 세트, 알고리즘 및 파라미터의 고유한 조합을 추적하여 성공적인 모델을 달성하기가 어렵습니다. 이제 Amazon SageMaker Search로 기계 학습 모델의 학습 실험을 구성, 추적 및 평가할 수 있습니다. Amazon SageMaker Search를 사용하면 잠재적으로 수천 개의 모델 학습 실행으로부터, 또는 AWS Management Console에서 직접, 또는 AWS SDK for Amazon SageMaker를 통해 가장 관련성이 높은 모델 학습 실행을 빠르게 찾고 평가할 수 있습니다. Amazon SageMaker Search는 현재 Amazon SageMaker를 사용할 수 있는 13개의 AWS 리전에서 베타로 사용할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.
기계 학습을 진행하려면 아이디어, 작업을 공유하고 협업해야 하는 경우가 많습니다. 기존 소프트웨어 개발에서 협업의 사실상 표준은 버전 제어였으며, 이는 기계 학습에도 중요한 역할을 합니다. 이제 GitHUb, AWS Code Commit 및 모든 자체 호스팅된 Git 리포지토리를 Amazon SageMaker 노트북 인스턴스에 연결하여 쉽고 안전하게 협업하고 Jupyter 노트북으로 버전 제어가 가능합니다. Git 리포지토리를 Jupyter 노트북에서 사용하면 프로덕션용 코드 관리를 위해 프로젝트를 함께 작성하고, 코드 변경 사항을 추적하고, 소프트웨어 엔지니어링 및 데이터 과학 사례를 결합하기 쉽습니다. Jupyter 노트북에서 제공되고 GitHub에서 호스팅되는 기계 학습 및 딥 러닝 기술을 쉽게 검색, 실행 및 공유할 수 있습니다. 자세한 내용은 여기의 블로그를 참조하십시오.