Category: Amazon SageMaker

농심은 1965년 창립 이후 50여 년 동안 한국의 식문화를 이끌어온 식품 전문 제조기업입니다. 농심은 글로벌 식문화 창조기업으로의 도약을 위해 비전 2025를 수립하고 이에 맞는 중장기 목표와 사업별 성장전략, 역량 확보전략을 새롭게 정립하고 있습니다. 농심은 식품 제조에 필요한 원자재를 ‘비축구매 방식’으로 구매하고 있습니다. 비축구매는 미래 원자재 가격의 오름/내림을 예측하여 n개월 뒤에 받을 원자재를 현재 시점에서 선 […]

이 글은 AWS ML Blog의 New performance improvements in Amazon SageMaker model parallel library by Arjun Balasubramanian, Can Karakus, Fei Wu, Rahul Huilgol, Suhit Kodgule, and Zhaoqi Zhu의 한국어 번역 및 편집본입니다. 파운데이션(Foundation ) 모델은 대량의 데이터로 학습된 대규모 딥 러닝 모델을 말합니다. 이 모델들은 파인 튜닝(fine-tuned)을 추가로 진행하여, 다양한 다운스트림 (downstream) 작업을 수행하고 여러 […]

기업 내 Machine Learning (ML) 모델들이 점차 늘어나면서 Machine Learning Operations (MLOps)에 대한 관심을 넘어, 많은 기업에서 실제 업무에 MLOps를 활용하고 있습니다. MLOps는 양질의 데이터를 확보하는 활동부터, 데이터 과학자를 위한 학습 환경을 제공하는 활동, 여러 모델들을 신뢰성 있게 학습하는 활동, 학습된 ML 모델을 실제 업무에 배포하는 활동 등에서 생산성 높이기 위해 자동화하고, 이를 통해 전체적인 […]

이 글은 AWS Machine Learning Blog에 게시된 Choose the best data source for your Amazon SageMaker training job by Gili Nachum and Alexander Arzhanov을 한국어로 번역 및 편집하였습니다. Amazon SageMaker는 머신러닝 모델의 빌드, 훈련, 배포를 쉽게 만들어주는 관리형 서비스입니다. 데이터과학자들은 SageMaker 훈련작업을 통해 컴퓨팅 리소스 관리에 대한 고민을 할 필요 없이 사용한 시간 만큼만 비용을 […]

이글은 AWS ML Blog의 Introducing Amazon SageMaker Data Wrangler’s new embedded visualizations by Isha Dua, Parth Patel의 한국어 번역 및 편집본입니다. 수동으로 데이터 품질을 검사하고 데이터를 정리하는 것은 데이터 과학자가 프로젝트에 많은 시간을 할애 할수록 고통스럽고 시간 소모적인 프로세스입니다. 2020년 Anaconda에서 실시한 데이터 과학자 설문 조사에 따르면, 데이터 과학자는 데이터 로드(19%), 데이터 정리(26%), 데이터 시각화(21%)를 […]

이 글은 AWS Machine Learning Blog에 게시된 Host code-server on Amazon SageMaker by Sofian Hamiti, Eric Peña, and Giuseppe Angelo Porcelli의 한국어 번역 및 편집본입니다. 머신 러닝 팀들은 프로젝트를 진행할 때 유연성은 통합개발환경(IDE)을 선택하는 중요한 요소입니다. IDE를 활용하면 생산성 있는 개발자 경험을 확보하고, 빠르게 혁신할 수 있게 해 줍니다. 때로는 하나의 프로젝트에서 여러 개의 IDE를 […]

Amazon SageMaker Studio는 모든 머신러닝 개발 단계를 수행할 수 있는 웹 기반의 단일 시각적 인터페이스를 제공하여, 데이터 사이언스 팀의 생산성을 높일 수 있는 AWS의 대표적 서비스입니다. SageMaker Studio에서는 다양한 유저 프로필을 등록함으로써 개별 사용자가 독립적 개발 환경을 제공할 수 있습니다. 하지만, 권한 관리를 별도로 해주지 않으면 다른 사용자의 환경에 접근하여 개발 환경 및 코드를 임의로 […]