Amazon Web Services 한국 블로그

Category: Amazon SageMaker

Amazon SageMaker Studio – 웹 기반 인터페이스, 코드 편집기, 유연한 작업 공간 추가

이제 개선된 Amazon SageMaker Studio 환경을 발표합니다! 새 SageMaker Studio 웹 기반 인터페이스는 더 빠르게 로드되며, IDE 선택에 관계없이 기본 통합 개발 환경(IDE)과 SageMaker 리소스 및 도구에 대한 일관된 액세스를 제공합니다. JupyterLab 및 RStudio 외에도 SageMaker Studio에는 이제 Code-OSS(Visual Studio Code 오픈 소스) 기반의 완전 관리형 코드 편집기가 포함되어 있습니다. 코드 편집기와 JupyterLab은 모두 유연한 […]

Amazon SageMaker HyperPod – 대규모 분산 학습을 위한 인프라 기능

오늘은 Amazon SageMaker HyperPod를 소개합니다. 이 기능은 대규모 분산 교육을 위해 특별히 구축된 인프라를 제공하여 파운데이션 모델(FM) 교육 시간을 감축하도록 지원합니다. 이제 SageMaker HyperPod를 사용하여 몇 주 또는 몇 달 동안 FM을 학습할 수 있고, SageMaker는 클러스터 상태를 능동적으로 모니터링하여 결함이 있는 노드를 교체하고 체크포인트에서 모델 학습을 재개하여 자동화된 노드 및 작업 복원력을 제공합니다. 클러스터는 […]

Amazon SageMaker Clarify – 파운데이션 모델 평가 기능 출시 (미리 보기)

Amazon SageMaker Clarify에서 이제 파운데이션 모델(FM) 평가(미리 보기)가 지원됩니다. 이제 데이터 과학자 또는 기계 학습(ML) 엔지니어는 SageMaker Clarify를 사용하여 정확성, 견고성, 창의성, 사실적 지식, 편향, 유해성 등의 지표를 기반으로 몇 분 만에 FM을 평가, 비교 및 선택할 수 있습니다. 이 새로운 기능은 SageMaker Clarify의 기존 기능에 추가되어 ML 데이터 및 모델의 편향을 감지하고 모델 예측을 […]

Amazon SageMaker Inference –  파운데이션 모델 배포 비용과 지연 시간 감소

오늘, 배포 비용을 최적화하고 지연 시간을 줄이는 데 도움이 되는 새로운 Amazon SageMaker 추론 기능을 발표합니다. 이 새로운 추론 기능을 사용하면 동일한 SageMaker 엔드포인트에 하나 이상의 파운데이션 모델(FM)을 배포하고 각 FM에 예약되는 액셀러레이터 수와 메모리 양을 제어할 수 있습니다. 이렇게 하면 리소스 활용도를 높이고 모델 배포 비용을 평균 50% 절감하며 사용 사례에 따라 엔드포인트 규모를 […]

Amazon SageMaker – 안내식 워크플로를 통한 모델 패키징 및 배포 가속화

이제 Amazon SageMaker에서 개선된 모델 배포 경험을 통해 기존 기계 학습(ML) 모델과 파운데이션 모델(FM)을 더 빠르게 배포할 수 있습니다. 데이터 사이언티스트 또는 ML 실무자는 이제 SageMaker Python SDK의 새로운 ModelBuilder 클래스를 사용하여 모델을 패키징하고 로컬 추론을 수행하여 런타임 오류를 검증하며 로컬 IDE 또는 SageMaker Studio 노트북에서 SageMaker를 배포할 수 있습니다. SageMaker Studio의 새로운 대화형 모델 […]

Amazon SageMaker Canvas – 자연어를 기반 데이터 탐색 기능 출시

오늘은 Amazon SageMaker Canvas에서 자연어 명령을 사용하여 기계 학습(ML)용 데이터를 탐색, 시각화 및 변환하는 기능을 소개합니다. 이제 SageMaker Canvas에서 파운데이션 모델(FM) 기반 자연어 명령을 지원하여 데이터 탐색, 분석, 시각화 및 변환을 위한 포괄적인 데이터 준비 기능을 보완합니다. 이제 자연어 명령을 사용하여 데이터를 탐색하고 변환하여 매우 정확한 ML 모델을 구축할 수 있습니다. 이 새로운 기능은 Amazon […]

Amazon SageMaker Canvas – 대규모 비즈니스 분석을 위한 파운데이션 모델 활용

오늘은 Amazon Bedrock과 Amazon SageMaker Jumpstart의 파운데이션 모델(FM)을 코드 없이 사용할 수 있는 Amazon SageMaker Canvas의 새로운 기능을 소개합니다. 이 새로운 기능을 사용하면 특정 사용 사례에 대한 FM의 응답을 매우 정확하게 평가하고 생성할 수 있습니다. 모든 기업에는 고유한 도메인별 단어집이 있는데, 일반 모델은 이러한 단어집을 이해하거나 이에 응답하도록 훈련되지 않았습니다. Amazon SageMaker Canvas의 새로운 기능은 […]

Amazon SageMaker Profiler 미리 보기 – 모델 훈련 시 하드웨어 성능 데이터 추적 및 시각화 제공

새롭게 미리보기로 출시되는 Amazon SageMaker Profiler 기능은 SageMaker에서 딥 러닝(Deepl Learning) 모델을 훈련하는 동안 프로비저닝된 AWS 컴퓨팅 리소스에 대한 자세한 성능 데이터와 시각화를 제공합니다. SageMaker Profiler를 사용하면 CPU 및 GPU 사용률, GPU에서 커널 실행, CPU에서 커널 실행, 동기화 작업, GPU 전반의 메모리 작업, 커널 시작과 해당 실행 간의 지연 시간, 데이터 전송 등 CPU 및 GPU의 […]

Amazon SageMaker JumpStart를 통해 다양한 생성 AI 모델 활용하기

생성형 AI (Generative AI) 모델은 최근 몇 년 동안 상당한 발전을 이루었으며 현재 인공 지능 분야에서 활발히 연구되고 있는 분야입니다. 이러한 모델은 이미지, 음악, 텍스트 및 프로그래밍 코드와 같이 원래 훈련 데이터에서 발견된 것과 유사한 새로운 데이터 샘플을 생성할 수 있습니다. Amazon SageMaker JumpStart는 기계학습(ML) 모델 구축 및 배포를 가속화하기 위해 수백 개의 기본 제공 […]

Amazon SageMaker JumpStart, Meta의 Llama 2 파운데이션 모델 지원

Amazon SageMaker JumpStart를 통해 AWS 고객이 Meta에서 개발한 Llama 2  파운데이션 모델(Foundation Model)을 사용할 수 있게 되었습니다. 대규모 언어 모델(LLM)의 Llama 2 제품군은 70억에서 700억 매개변수를 가진 사전 훈련 및 미세 조정된 생성 텍스트 모델 모음입니다. Llama-2-chat이라고 하는 미세 조정된 LLM은 대화형 활용 사례에 최적화되어 있습니다. 이러한 모델을 쉽게 시험해보고 기계 학습(ML)을 빠르게 시작할 수 […]