Amazon Web Services 한국 블로그

Apache Spark과 Amazon Redshift 통합 기능 정식 출시

Apache Spark는 빅 데이터 워크로드에 일반적으로 사용되는 오픈 소스 분산 처리 시스템입니다. Amazon EMR, Amazon SageMaker 및 AWS Glue에서 작업하는 Spark 애플리케이션 개발자는 Amazon Redshift로 데이터를 읽고 쓸 수 있는 타사 Apache Spark 커넥터를 사용하는 경우가 많습니다. 이러한 타사 커넥터는 다양한 버전의 Spark에서 정기적으로 유지 관리, 지원 또는 테스트되지 않습니다. 오늘 Apache Spark용 Amazon Redshift […]

Amazon CloudWatch 계정간 관찰 가능성 기능 출시

여러 AWS 계정을 사용하여 애플리케이션을 배포하는 것은 팀 간의 보안 및 청구 경계를 설정하고 운영 이벤트의 영향을 줄이는 좋은 방법입니다. 다중 계정 전략을 채택할 때는 여러 계정에 분산되어 있는 원격 분석 데이터를 분석해야 합니다. 애플리케이션의 모든 구성 요소를 중앙 집중식 보기에서 모니터링할 수 있는 유연성을 제공하기 위해 오늘 Amazon CloudWatch 계정간 관찰 가능성을 도입했습니다. Amazon […]

AWS Glue Data Quality 미리보기 – 규칙 기반 자동 데이터 품질 기능 출시

1980년에 저는 두 번째 전문 프로그래밍 일을 하면서 미국 여러 주의 운전면허증 데이터를 분석하는 프로젝트를 진행하고 있었습니다. 당시 해당 유형의 데이터는 일반적으로 고정 길이 레코드에 저장되었으며 값은 각 필드에 신중하게(또는 인코딩되지 않은) 인코딩되었습니다. 데이터에 대한 스키마가 주어졌음에도 불구하고, 항상 개발자들이 미리 예상하지 못한 값을 나타내기 위해 트릭에 의존해야 한다는 것을 알게 되었습니다. 예를 들어, 서로 […]

Amazon Athena – Apache Spark 지원 기능 정식 출시

2016년 Jeff Barr가 Amazon Athena를 처음 발표했을 때, 데이터와의 상호 작용에 대한 제 관점이 바뀌었습니다. Amazon Athena를 사용하면 Athena에서 테이블 생성, 커넥터를 사용하는 데이터 로드, ANSI SQL 표준을 사용하는 쿼리부터 시작하여 몇 단계만 거치면 데이터와 상호 작용할 수 있습니다. 시간이 지남에 따라 금융 서비스, 의료 및 소매업과 같은 다양한 산업에서는 다양한 형식과 크기의 데이터에 대해 […]

Amazon SageMaker Data Wrangler – 실시간 및 일괄 추론 지원 기능 출시

기계 학습 모델을 구축하려면 기계 학습 엔지니어가 데이터를 준비하기 위한 데이터 변환 파이프라인을 개발해야 합니다. 이 파이프라인을 설계하는 프로세스는 시간이 많이 걸리며 데이터 준비 파이프라인을 프로덕션 환경에 구현하려면 기계 학습 엔지니어, 데이터 엔지니어 및 데이터 과학자 간의 팀 간 협업이 필요합니다. Amazon SageMaker Data Wrangler의 주요 목적은 데이터 준비 및 데이터 처리 워크로드를 쉽게 수행할 […]

AWS Application Composer 미리보기 – 서버리스 워크로드 시각화 생성 도구

오늘 여러 AWS 서비스에서 서버리스 애플리케이션을 구축하는 데 사용할 수 있는 비주얼 디자이너인 AWS Application Composer 미리보기를 출시합니다. 일반적인 분산 시스템에서 각 팀별 권한 부여는 개발자가 비즈니스 기능을 코드로 변환하는 데 도움이 되도록 하는 데 필요한 문화적 변화입니다. 이것은 모든 팀이 독립적으로 작업한다는 의미는 아닙니다. 서로 다른 팀 또는 신규 참여자도 프로젝트에 기여하기 위해 무엇을 […]

Amazon SageMaker JumpStart – 기업 내에서 ML 모델 및 노트북 공유 기능 출시

Amazon SageMaker JumpStart는 ML 여정을 가속화하는 데 도움이 되는 기계 학습(ML) 허브입니다. SageMaker JumpStart를 사용하면 인기 모델 허브의 사전 학습된 모델, 기사 요약 및 이미지 생성과 같은 작업을 수행하는 데 도움이 되는 사전 학습된 기초 모델, 일반적인 사용 사례를 해결하는 엔드 투 엔드 솔루션을 포함한 내장 알고리즘에 액세스할 수 있습니다. 이제 SageMaker JumpStart를 사용하여 AWS […]

AWS Machine Learning University 신규 교육자 지원 프로그램 소개

AWS 기계 학습 대학교는 현재 무료 교육자 지원 프로그램을 제공하고 있습니다. 이 프로그램은 커뮤니티 컬리지, 소수 민족 지원 기관(MSI) 및 흑인 대학(HBCU)의 교수진에게 데이터 분석, 인공 지능(AI) 및 기계 학습(ML) 개념을 가르쳐 현재와 미래의 수요가 많은 일자리를 위한 다양한 파이프라인을 구축할 수 있는 기술과 리소스를 제공합니다. 미국 국립 과학 재단에 따르면 흑인 및 히스패닉 또는 […]

Amazon SageMaker Studio 신규 콘솔 디자인 변경

오늘 Amazon SageMaker Studio를 위해 새롭게 재디자인된 사용자 인터페이스(UI)를 발표하게 되어 매우 기쁩니다. SageMaker Studio는 포괄적인 ML 도구 세트를 사용하여 모든 기계 학습(ML) 개발 단계를 수행할 수 있는 단일 웹 기반 시각적 인터페이스를 제공합니다. 예를 들어 SageMaker Data Wrangler를 사용하여 데이터를 준비하고, 완전 관리형 Jupyter Notebook으로 ML 모델을 구축하고, SageMaker의 다중 모델 엔드포인트를 사용하여 모델을 […]

Amazon SageMaker 섀도우 테스트 기능 – ML 모델 변형 간 추론 성능 비교

기계 학습(ML) 워크로드를 제작 환경으로 옮길 때에는 배포 모델을 지속적으로 모니터링하고, 모델 성능의 편차가 발견되면 이를 처음부터 다시 수행해야 합니다. 신규 모델을 구축할 때는 일반적으로 기간별 추론 요청 데이터를 사용하여 오프라인에서 모델 검증을 시작합니다. 그러나 이 데이터는 때때로 현재의 실제 상황을 설명하지 못합니다. 예를 들어 제품 추천 모델에서 아직 보지 못한 신제품이 트렌드가 될 수 […]