Amazon Web Services 한국 블로그

Category: SageMaker

Amazon SageMaker 자동 모델 튜닝을 활용한 ResNet 모델 훈련하기

Amazon SageMaker에서 우리가 사용하는 기계 학습 모델의 하이퍼파라미터(Hyper-Parameter) 값을 자동으로 튜닝하여 보다 정확한 예측을 생성하는 기능이 최근에 출시되었습니다. 하이퍼파라미터는 모델 훈련 중에 알고리즘의 동작을 설명하는 사용자 정의 설정입니다. 예를 들어, 의사 결정 트리의 규모, 세그먼트에서 원하는 클러스터의 수 또는 데이터를 반복할 때 인공신경망 가중치의 증분 업데이트 단위 등이 포함됩니다. 하이퍼파라미터 값은 최종 정확도 및 성능에 […]

Read More

Amazon SageMaker를 위한 서버리스 엔드포인트 만들기

Amazon SageMaker는 AWS에서 기계 학습 모델을 구축 및 교육하고 프로덕션 환경에 배포할 수 있는 강력한 플랫폼을 제공합니다. 이 강력한 플랫폼과 Amazon Simple Storage Service(S3), Amazon API Gateway 및 AWS Lambda의 서버리스 기능을 결합하면, Amazon SageMaker 엔드포인트를 잠재적으로 다양한 소스로부터 새로운 입력 데이터를 수락하고 최종 사용자에게 결과로 나온 추론을 제시하는 웹 애플리케이션으로 변환할 수 있습니다. 이 […]

Read More

Amazon SageMaker, 배치 변환 기능 및 TensorFlow 컨테이너를 위한 파이프 입력 모드 추가

지난 주 AWS Summit NY에서 두 가지 새로운 Amazon SageMaker 기능을 출시했습니다. 그 중 하나는 고객이 페타바이트 규모의 데이터에 대한 비-실시간 시나리오에서 예측을 수행할 수 있게 해 주는 배치 변환이라는 새로운 배치 추론 기능이며 다른 하나는 TensorFlow 컨테이너를 위한 파이프 입력 모드 지원입니다. SageMaker는 한국 블로그와 Machine Learning 블로그에서 상세하게 다루고 있지만, 출시 중인 기술 […]

Read More

Amazon SageMaker, 서울 리전 출시

Amazon SageMaker는 개발자 및 데이터 과학자가 다양한 규모의 기계 학습 모델을 쉽고 빠르게 구축, 교육 및 배포할 수 있도록 지원하는 완전관리형 플랫폼입니다. 오늘 서울 리전에 출시합니다. Amazon SageMaker는 교육 데이터에 빠르게 연결하고 애플리케이션을 위한 최상의 알고리즘과 프레임워크를 선택 및 최적화하는 데 필요한 모든 것을 제공함으로써 손쉽게 ML 모델을 구축하고 교육할 수 있는 상태로 만들어 줍니다.또한, […]

Read More

Amazon SageMaker 기반 컨테이너를 활용한 Scikit-Learn 모델 훈련 및 호스팅 방법

지난 re:Invent 2017에서 처음 소개된 Amazon SageMaker는 원하는 규모의 머신 러닝 모델의 빌드, 훈련, 배포를 할 수 있는 서버리스(serverless) 데이터 사이언스용 환경을 제공하고 있습니다. 이를 통해 scikit-learn 처럼 폭넓게 사용되고 있는 프레임워크를 이용한 작업도 가능해졌습니다. 이 블로그에서는 2가지를 주제로 소개하려고 합니다: 첫번째는, 모델을 훈련(Training)시키고 호스팅하기 위해 Amazon SageMaker에서 컨테이너를 어떻게 사용하는지에 대해 알아봅니다. 그리고 두 […]

Read More

Amazon SageMaker 자동 모델 튜닝 기능 출시 – 기계 학습을 위한 인공 지능

오늘 Amazon SageMaker 자동 모델 튜닝 기능을 출시합니다. 자동 모델 튜닝은 모델의 정확성을 높이기 위한 하이퍼파라미터(Hyperparameter)을 조정하는 힘든 작업을 단순화합니다. 이 기능을 사용하면 개발자 및 데이터 과학자가 기계 학습 모델을 훈련하고 튜닝할 때 상당한 시간과 노력을 절약할 수 있습니다. 하이퍼파라미터 튜닝 작업은 완료된 훈련 작업의 결과를 기준으로 서로 다른 하이퍼파라미터 조합을 사용하는 다수의 훈련 작업을 […]

Read More

Amazon SageMaker 노트북 인스턴스에서 로컬 모드 사용하기

최근 Amazon SageMaker에서는 빌드 형태로 제공되는 TensorFlow와 MXNet 컨테이너를 이용하여 로컬 환경에서 모델 학습이 가능하도록 새로운 기능을 지원하기 시작했습니다. 또한, 데이터 훈련과 호스팅을 위한 완전 관리 서비스 뿐 아니라, 정식 운영 환경에서 사전에 빌드된 컨테이너를 배포하는 기능까지 지원할 수 있게 되었습니다. 이전에는 이러한 컨테이너는 Amazon SageMaker에 특화된 환경에서만 사용할 수 있었습니다. 이러한 컨테이너들이 오픈 소스로 […]

Read More

Amazon SageMaker 업데이트 – CloudFormation, Chainer 및 GreenGrass ML 지원 등

지난주 도쿄에서 열린 AWS 서밋에서 Amazon SageMaker대한 다양한 신규 기능을 발표하였습니다. SageMaker를 아시아 태평양(도쿄) 리전에서 사용할 수 있고 이제 CloudFormation을 지원합니다. MXNet 및 Tensorflow에 더해 새로운 Machine Learning 프레임워크인 Chainer가 SageMaker Python SDK로 제공됩니다. 마지막으로, AWS Greengrass Machine Learning에서는 Chainer 모델을 다수의 디바이스에서 실행할 수 있습니다. 좀 더 자세하게 알아보겠습니다. SageMaker Chainer 지원 Chainer는 유명하고 […]

Read More

Amazon SageMaker Notebook에서 (Amazon EMR기반) Apache Spark와의 연동 환경 구축 방법

지난 AWS re:Invent 2017에서 처음 소개된 Amazon SageMaker는 데이터 과학과 머신 러닝 워크플로우를 위한 완전 관리형 서비스를 제공하고 있습니다. 특히 모델을 만드는데 사용되는 Jupyter notebook 인터페이스는 SageMaker에서 대단히 중요한 구성 요소 중 하나입니다. 한편Amazon Elastic MapReduce (Amazon EMR) 상에서 동작하는 Apache Spark 클러스터에 notebook 인스턴스를 연결시켜서 SageMaker의 성능을 훨씬 더 향상시킬 수 있습니다. 참고로 EMR은 […]

Read More

이상 탐지를 위한 Amazon SageMaker 의 Random Cut Forest 빌트인 알고리즘

Amazon SageMaker에서 새로운 빌트인 알고리즘으로 Random Cut Forest(RCF)를 사용하실 수 있습니다. RCF는 데이터셋에서 이상치(outlier)를 탐지하는 비지도 학습 알고리즘입니다. 이번 블로그에서는 이상 탐지(anomaly detection) 문제에 대해 설명하고, Amazon SageMaker의 RCF 알고리즘에 대해서도 함께 알아보겠습니다. 아울러, 실제 데이터셋을 대상으로 Amazon SageMaker의 RCF 알고리즘을 어떻게 사용하는지도 소개합니다. 이상 탐지 기술의 중요성 우리가 어느 한 도시에서 여러 개의 블럭(block)을 […]

Read More