Amazon Web Services 한국 블로그

Category: Amazon SageMaker

Amazon SageMaker Debugger – 기계 학습 모델 학습 과정 디버깅 기능 출시 (서울 리전 포함)

Amazon SageMaker Debugger는 기계 학습(ML) 훈련 작업 중 발생하는 복잡한 문제를 자동으로 식별해주는 기능입니다. ML 모델을 구축하고 학습하려면 과학과 기술(요술이라고 말하는 사람도 있음)이 모두 필요합니다. 데이터 세트를 수집하고 준비하는 것부터 다양한 알고리즘을 실험하여 최적의 학습 파라미터(공포의 하이퍼파라미터)를 찾는 것까지, ML 실무자가 고성능 모델을 제공하기까지 넘어야 할 허들은 꽤 많습니다. 그래서 AWS는 모듈식의 완전관리형 서비스인 Amazon […]

Read More

Amazon SageMaker Autopilot – 완벽한 제어 및 가시성을 바탕으로 고품질 기계 학습 모델 자동 생성 기능 (서울 리전 포함)

Amazon SageMaker Autopilot은 높은 품질의 분류 및 회귀 기계 학습 모델을 자동으로 생성하면서도, 완벽한 제어 및 가시성을 제공하는 AutoML 서비스입니다. 1959년에 Arthur Samuel은 기계 학습을 명시적 프로그래밍 없이 학습할 수 있는 컴퓨터의 기능이라고 정의했습니다. 그러나, 현실적으로 기존 데이터 세트에서 패턴을 추출하고 이러한 패턴을 사용하여 새 데이터에 일반화되는 예측 모델을 구축할 수 있는 알고리즘을 찾는 것을 […]

Read More

Amazon SageMaker Model Monitor – 기계 학습 모델을 위한 완전 관리형 자동 모니터링 기능 출시 (서울 리전 포함)

Amazon SageMaker Model Monitor는 정식 서비스 환경에서 기계 학습(ML) 모델을 모니터링하고, 데이터 품질 문제가 발생했을 때 이를 알려주는 새로운 서비스입니다. 데이터 작업을 시작하면서 때 처음 깨달은 것은 데이터 품질에 아무리 주의를 기울여도 부족하다는 것입니다. 데이터베이스 중 하나에서 예기치 않은 NULL 값이나 복잡한 문자 인코딩 때문에 발생한 문제를 해결하기 위해 수많은 시간을 보낸 경험을 여러분 모두 […]

Read More

Amazon SageMaker Experiments – 반복적인 기계 학습 모델 훈련 구성, 추적 및 평가 기능 출시 (서울 리전 포함)

Amazon SageMaker Experiments는 반복적인 기계 학습(Machine Learning, ML) 모델 버전을 구성, 추적, 비교 및 평가하는 데 사용되는 새로운 기능입니다. 기계 학습 워크로드는 매우 반복적인 과정입니다. 프로젝트 한 건을 진행하는 동안 데이터 과학자와 ML 엔지니어가 최대한의 정확성을 찾기 위해 학습하는 모델의 수는 수천 개에 달합니다. 실제로, 알고리즘, 데이터 세트 및 학습 파라미터(일명 하이퍼파라미터)의 조합은 무한대이며 이 […]

Read More

Amazon SageMaker Processing – 완전 관리형 데이터 처리 및 모델 평가

Amazon SageMaker의 새로운 기능인  SageMaker Processing은 사전 처리, 사후 처리 및 모델 평가 워크로드를 쉽게 실행할 수 있습니다. 정확한 ML(기계 학습) 모델 학습을 위해서는 여러 가지 단계가 필요하지만 다음과 같은 데이터 세트 사전 처리보다 더 중요한 단계는 없습니다. 사용 중인 ML 알고리즘에 사용되는 입력 형식으로 데이터 세트 변환 기존 기능을 더욱 강력한 표현 방식으로 변환(예: […]

Read More

Amazon SageMaker Studio – 기계 학습을 위한 최초의 완전 통합형 개발 환경 출시

지난 2017년 Amazon SageMaker를 출시한 이후, 기계 학습(ML) 워크로드에 사용하는 AWS 고객이 점점 늘어나고 있습니다. 많은 고객들이 ML 개발 워크플로는 여전히 매우 반복적이며 상대적으로 고도화되지 못한 ML 도구로 인해 관리가 어렵다는 피드백을 전해 주었습니다. 예를 들어, 기존 소프트웨어(디버거, 프로젝트 관리, 협업, 모니터링 등)를 구축할 때, 개발자가 당연하게 여기는 수많은 도구들이 아직 ML용으로는 개발되지 않았습니다. 만약 […]

Read More

Amazon Aurora, DB 질의를 통한 기계 학습 결과 통합 기능 출시

인공 지능 및 기계 학습을 통해 우리는 데이터에서 더 나은 통찰력을 얻을 수 있습니다. 하지만, 구조화된 데이터의 대부분이 저장되는 위치는 어디일까요? 바로 데이터베이스입니다. 오늘날 관계형 데이터베이스의 데이터에 기계 학습을 사용하려면 데이터베이스에서 데이터를 읽은 후 기계 학습 모델을 적용하는 사용자 지정 애플리케이션을 개발해야 합니다. 이러한 애플리케이션을 개발하기 위해서는 데이터베이스와의 상호 작용 및 기계 학습 사용을 위해 […]

Read More

Amazon SageMaker – 관리형 스팟 모델 학습 기능으로 비용 절감하기

Amazon SageMaker는 완전 관리형 기계 학습(ML) 서비스로서, 개발자와 데이터 과학자는 이를 통해 모든 규모의 모델을 쉽게 빌드하고 학습하며 배포할 수 있습니다. 내장 알고리즘 혹은 자체 알고리즘을 사용하거나, AWS Marketplace에서 사용 가능한 알고리즘 중에서 선택할 수 있어 ML 모델을 실험 단계부터 스케일아웃 프로덕션에 이르기까지 훨씬 쉽고 빠르게 진행할 수 있습니다. 주요 이점 중 하나는 작업 규모에 […]

Read More

Amazon SageMaker Factorization Machines 알고리즘을 확장하여 추천 시스템 구현하기

Amazon SageMaker는 기계 학습 워크로드와 관련한 복잡한 비즈니스 문제를 해결하는 데 필요한 유연성을 제공합니다. 내장된 알고리즘은 빠르게 시작하는 데 도움이 됩니다.  이 블로그 게시물에서는 내장된 Factorization Machines 알고리즘을 확장하여 상위 x개의 권장 사항을 예측하는 방법을 설명합니다.이 접근 방식은 정해진 수의 사용자 권장 사항을 배치 형식으로 생성하려고 할 때 이상적입니다. 예를 들어, 이 접근 방식을 사용하여 […]

Read More

Amazon SageMaker Ground Truth의 최근 신규 기능 모음

AWS re:Invent 2018에서 출시된 Amazon SageMaker Ground Truth는 Amazon SageMaker의 기능으로, 이 기능을 통해 고객은 기계 학습 시스템을 학습시키는 데 필요한 데이터 세트에 효율적이고 정확하게 레이블을 지정할 수 있습니다. Ground Truth에 대한 간단한 소개 Amazon SageMaker Ground Truth를 사용하면 기계 학습을 위해 매우 정확한 학습 데이터 세트를 빠르게 구축할 수 있습니다. SageMaker Ground Truth를 사용하면 […]

Read More