Amazon Sage​Maker

기계 학습 모델을 대규모로 구축, 교육 및 배포

Amazon SageMaker는 개발자 및 데이터 과학자가 모든 규모의 기계 학습 모델을 쉽고 빠르게 구축, 교육 및 배포할 수 있게 해주는 완전관리형 서비스입니다. Amazon SageMaker는 기계 학습을 사용하려는 개발자가 일반적으로 빠른 속도를 내지 못하게 하는 모든 장벽을 제거합니다.

기계 학습은 모델을 구축 및 교육한 후 프로덕션에 배포하는 프로세스가 너무 복잡하고 시간이 오래 걸려 개발자 대부분이 실제보다 이를 훨씬 더 어렵게 느낍니다. 먼저, 데이터 세트 중 어떤 요소가 중요한지 알아내기 위해서는 교육 데이터를 수집하고 준비해야 합니다. 그런 다음, 사용할 알고리즘과 프레임워크를 선택해야 합니다. 접근 방식을 결정한 후에는 모델을 교육하여 예측하는 방법을 가르쳐야 하며 이를 위해서는 많은 컴퓨팅 리소스가 필요합니다. 그리고 최상의 예측을 제공하도록 모델을 튜닝해야 하는데, 이는 대개 지루한 수작업입니다. 완전히 교육된 모델을 개발하고 나면, 해당 모델을 애플리케이션에 통합하고 확장 가능한 인프라에 해당 애플리케이션을 배포해야 합니다. 이 모든 작업에는 상당한 전문 지식, 대규모 컴퓨팅 및 스토리지에 대한 액세스, 그리고 각 프로세스를 실험하고 최적화하는 데 드는 많은 시간이 필요합니다. 결국 개발자 대부분이 이를 무리라고 느끼는 것은 놀라운 일이 아닙니다.

Amazon SageMaker는 개발자가 이러한 각 단계를 성공적으로 완료하지 못하게 방해하는 복잡성을 없애줍니다. Amazon SageMaker에는 함께 또는 개별적으로 사용하여 기계 학습 모델을 구축, 교육 및 배포할 수 있는 모듈이 포함되어 있습니다.

Introducing Amazon SageMaker

작동 방식

구축

Amazon SageMaker는 교육 데이터에 빠르게 연결하며 애플리케이션을 위한 최상의 알고리즘 및 프레임워크를 선택 및 최적화하는 데 필요한 모든 것을 제공함으로써 손쉽게 ML 모델을 빌드하고 학습 준비 상태로 만들어 줍니다. Amazon SageMaker에는 Amazon S3에 저장된 학습 데이터를 손쉽게 탐색하고 시각화할 수 있는 호스팅 Jupyter 노트북이 포함되어 있습니다. S3에 있는 데이터로 바로 연결하거나 AWS Glue를 이용해 Amazon RDS, Amazon DynamoDB, Amazon Redshift에서 S3로 데이터를 이동하면 노트북에서 분석할 수 있습니다.

알고리즘을 선택할 수 있도록 돕기 위해 Amazon SageMaker에는 가장 일반적으로 사용하는 기계 학습 알고리즘 10가지가 미리 설치되어 있으며 어디서든 이들 알고리즘의 실행 성능의 최대 10배를 구현하도록 최적화되어 있습니다. 또한 Amazon SageMaker는 가장 유명한 오픈 소스 프레임워크 두 가지, 즉 TensorFlow와 Apache MXNet을 실행하도록 미리 구성되어 있습니다. 그뿐만 아니라 기존 보유 프레임워크를 사용할 수 있는 옵션도 주어집니다.

교육

Amazon SageMaker 콘솔에서 클릭 한 번으로 모델 학습을 시작할 수 있습니다. Amazon SageMaker는 사용자를 위해 기본 인프라를 모두 관리하고 교육 모델을 페타바이트 규모로 손쉽게 확장할 수 있으며, 교육 프로세스를 더 쉽고 빠르게 진행하기 위해 Amazon SageMaker는 가능한 최고의 정확성을 달성하도록 모델을 자동으로 튜닝할 수 있습니다.

배포

모델 학습과 조정이 끝나면, Amazon SageMaker를 통해 프러덕션에 쉽게 배포할 수 있기 때문에 새 데이터에서 예측 생성 실행을 시작할 수 있습니다(추론이라 불리는 프로세스). Amazon SageMaker는 다중 가용 영역 전반에 걸쳐 분포된 Amazon EC2 인스턴스의 Auto Scaling 클러스터에 모델을 배포하여 고성능과 고가용성을 둘 다 구현합니다. 또한 Amazon SageMaker에는 A/B 테스트 기능이 내장되어 있어 사용자가 최선의 결과를 내기 위해 모델을 테스트하고 여러 버전을 실험하는 데 도움이 됩니다.

Amazon SageMaker가 기계 학습의 부담을 덜어주므로 사용자는 기계 학습 모델을 쉽고 빠르게 빌드, 학습 및 배포할 수 있습니다.

이점

기계 학습으로 신속하게 프로덕션에 투입

Amazon SageMaker는 기계 학습 모델을 교육, 튜닝 및 배포하는 데 필요한 시간을 현격히 줄여줍니다. Amazon SageMaker는 모든 정교한 교육 및 튜닝 기법을 관리하고 자동화하므로, 모델을 신속하게 프로덕션에 투입할 수 있습니다.

원하는 프레임워크 또는 알고리즘 선택

Amazon SageMaker는 모든 기계 알고리즘 및 프레임워크를 지원하므로 사용자는 이미 익숙한 기술을 사용할 수 있습니다. Apache MXNet 및 TensorFlow가 사전에 설치되어 제공되며,  Amazon SageMaker는 내장된 다양한 고성능 기계 학습 알고리즘을 제공합니다. 다른 프레임워크 또는 알고리즘을 사용해 교육하고 싶다면, Docker 컨테이너로 이를 가져올 수 있습니다.

클릭 한 번으로 교육 및 배포

Amazon SageMaker를 사용하면 콘솔에서 클릭 한 번 또는 간단한 API 호출을 통해 모델 교육을 시작할 수 있습니다. 교육이 완료되고 모델을 배포할 준비가 되면, Amazon SageMaker 콘솔에서 클릭 한 번으로 이를 시작할 수 있습니다.

기존 워크플로와 손쉽게 통합

Amazon SageMaker는 이미 사용하고 있는 기존 ML 워크플로를 진행하면서 함께 또는 개별적으로 사용할 수 있는 3개의 모듈로 설계되었습니다.

교육된 모델에 간편하게 액세스

Amazon SageMaker는 어느 애플리케이션에서든 호출할 수 있는 HTTPS 엔드포인트를 제공하므로, 기계 학습 모델을 애플리케이션에 손쉽게 통합할 수 있습니다.

사용 사례

광고 타게팅

Amazon SageMaker를 다른 AWS 서비스와 함께 사용하면 광고 투자 수익률을 최적화하는 데 도움이 됩니다. Amazon SageMaker는 온라인 광고를 좀 더 효과적으로 타게팅하도록 기계 학습 모델을 손쉽게 교육하고 배포할 수 있으므로 고객 참여율 및 전환율을 높일 수 있습니다. Amazon SageMaker의 서버리스 분산 환경에서 추천 시스템, 클릭률 예측, 고객 세그멘테이션 및 평생 가치 모델을 모두 교육할 수 있습니다. 모델은 구축이 완료되면, 지연 시간이 짧은 Auto-Scaling 엔드포인트에서 호스팅되거나 다른 실시간 입찰 시스템으로 전달될 수 있습니다.

신용 부도 예측

Amazon SageMaker를 사용하면 일반적인 기계 학습 문제인 신용 부도의 가능성을 좀 더 쉽게 예측할 수 있습니다. Amazon SageMaker는 Amazon Redshift, Amazon EMR 및 AWS Glue와 같은 기존 분석 프레임워크와 긴밀하게 통합되므로, 온라인 예측을 위해 대규모의 다양한 데이터 세트를 Amazon S3 데이터 레이크에 게시하고, 신속하게 변환한 후, 기계 학습 모델을 구축하고, 즉시 호스팅할 수 있습니다.

산업용 IoT 및 기계 학습

산업용 IoT 및 기계 학습은 장비 고장 또는 유지 보수 일정을 미리 준비하도록 실시간 예측을 지원하여 더 높은 수준의 효율성을 실현할 수 있습니다.

블로그 게시물

evangelist-randall-hunt

Amazon SageMaker – Accelerating Machine Learning
Randall Hunt, AWS 선임 기술 에반젤리스트
2017년 11월 29일

Amazon SageMaker 기능에 대해 자세히 알아보기

기능 페이지로 이동하기
시작할 준비가 되셨습니까?
가입