Amazon SageMaker

모든 개발자와 데이터 과학자를 위한 기계 학습.

Amazon SageMaker는 모든 개발자 및 데이터 과학자가 기계 학습(ML) 모델을 빠르게 구축, 학습 및 배포할 수 있도록 하는 완전 관리형 서비스입니다. SageMaker는 기계 학습 프로세스의 각 단계에서 부담스러운 작업을 제거하여 고품질의 모델을 보다 쉽게 개발할 수 있도록 합니다.

기존 ML 개발은 전체 기계 학습 워크플로를 위한 통합 도구가 없었기 때문에 복잡하고 비용이 많이 들며 반복적인 프로세스입니다. 도구와 워크플로를 함께 연결해야 하는 데 이는 시간이 많이 걸리고 오류가 발생하기 쉽습니다. SageMaker는 기계 학습에 사용되는 모든 구성 요소를 단일 도구 세트로 제공하여 이 문제를 해결하므로 훨씬 적은 노력과 저렴한 비용으로 모델을 더욱 빠르게 생산할 수 있습니다.

기계 학습 모델 구축

Amazon SageMaker에서만 가능

기계 학습을 위해 완벽하게 통합된 첫 개발 환경(IDE)인 Amazon SageMaker Studio를 사용하면 생산성이 향상됩니다.

Amazon SageMaker Studio는 모든 ML 개발 단계를 수행할 수 있는 웹 기반의 단일 시각적 인터페이스를 제공합니다. SageMaker Studio는 모델을 빌드, 학습 및 배포하는 데 필요한 액세스 권한, 제어 및 가시성을 각 단계별로 완벽하게 제공합니다. 신속하게 데이터를 업로드하고, 새로운 노트북을 생성하고, 모델을 학습 및 튜닝하고, 단계를 앞뒤로 이동하며 실험을 조정하고, 결과를 비교하고, 모델을 프로덕션에 배포하여 한 곳에서 생산성을 크게 높일 수 있습니다. 노트북, 실험 관리, 자동 모델 생성, 디버깅 및 프로파일링, 모델 드리프트 탐지를 포함한 모든 ML 개발 활동은 통합된 SageMaker Studio 시각적 인터페이스 내에서 수행할 수 있습니다.

SageMaker Studio
Sagemaker Studio

ML 개발에 IDE를 사용합니다. 예를 들어, 노트북 내부에서 모델을 업데이트하고 노트북과 학습 실험을 나란히 보면서 변경 사항이 모델 품질에 미치는 영향을 파악할 수 있습니다.

ML 개발에 IDE를 사용합니다. 예를 들어, 노트북 내부에서 모델을 업데이트하고 노트북과 학습 실험을 나란히 보면서 변경 사항이 모델 품질에 미치는 영향을 파악할 수 있습니다.

 확대하려면 클릭

Amazon SageMaker에서만 가능

Amazon SageMaker 노트북을 사용하여 신속하게 구축 및 협업 수행

노트북을 보고 실행하거나 공유하기 위해 컴퓨팅 인스턴스를 관리하는 것은 지루한 작업입니다. 이제 미리 보기를 사용할 수 있으므로 Amazon SageMaker 노트북이 클릭 한 번으로 제공하는 Jupyter 노트북을 사용하여 몇 초 안에 작업을 시작할 수 있습니다. 기본 컴퓨팅 리소스는 완전히 탄력적이므로 사용 가능한 리소스를 쉽게 확장하거나 축소할 수 있으며 변경 작업이 백그라운드에서 자동으로 진행되므로 작업에 방해가 되지 않습니다. 또한 SageMaker에서 클릭 한 번으로 노트북을 공유할 수 있습니다. 모든 코드 종속성이 자동으로 캡처되므로 다른 사용자와 쉽게 협업을 수행할 수 있습니다. 협업하는 사용자는 같은 장소에서 저장된 정확하게 동일한 노트북을 사용합니다.

다른 사용 사례에 대해서는 SageMaker 내에서 사전에 구축된 다양한 노트북 중에서 선택할 수 있습니다. 또한 AWS Marketplace에서 많은 알고리즘과 사전에 학습된 모델이 제공되므로 쉽고 빠르게 시작할 수 있습니다.

노트북
노트북

노트북 코드를 재생성하기 위해 수동으로 종속성을 추적하지 않고 공유 가능한 링크를 생성합니다.

노트북 코드를 재생성하기 위해 수동으로 종속성을 추적하지 않고 공유 가능한 링크를 생성합니다.

 확대하려면 클릭

Amazon SageMaker에서만 가능

Amazon SageMaker 오토파일럿을 사용하여 가시성과 제어가 전체적으로 확보된 상태에서 모델을 자동으로 구축, 학습 및 튜닝합니다.

Amazon SageMaker 오토파일럿은 업계 최초로 자동화된 기계 학습 기능을 갖추고 있어 ML 모드에 완벽한 제어 및 가시성을 제공합니다. 자동화된 기계 학습에 대한 일반적인 접근 방식은 모델을 생성하는 데 사용되는 데이터나 모델 생성에 포함되는 로직에 통찰력을 제공하지 못합니다. 결과적으로 발전할 여지가 있는 평범한 모델이라도 발전시킬 방법이 없습니다. 또한 자동화된 일반 ML 솔루션은 하나의 모델만 선택할 수 있기 때문에 지연 시간이 짧은 예측을 위해 정확도를 희생하는 등의 절충안을 유연하게 사용할 수 없습니다.

SageMaker 오토파일럿은 원시 데이터를 자동으로 검사하고, 기능 프로세서를 적용하고, 최상의 알고리즘 세트를 선택하고, 여러 가지 모델을 학습 및 튜닝하고, 해당 성능을 추적한 다음 클릭 몇 번 만으로 성능을 기준으로 모델 순위를 지정합니다. 이렇게 나오는 결과는 일반적으로 모델 학습에 필요한 짧은 시간 동안 배포할 수 있는 최상위 모델입니다. 모델이 생성된 방식과 포함된 내용을 완벽하게 파악한 후 SageMaker 오토파일럿은 Amazon SageMaker Studio와 통합됩니다. SageMaker Studio 내에서 SageMaker 오토파일럿이 생성한 서로 다른 모델을 50개까지 탐색할 수 있으므로 사용 사례에 가장 적합한 모델을 쉽게 선택할 수 있습니다. SageMaker 오토파일럿을 사용하면 기계 학습 경험이 없는 사람도 모델을 쉽게 만들 수 있고, 숙련된 개발자라면 팀에서 나중에 반복해서 사용할 수 있는 기준 모델을 개발할 수 있습니다.

자세히 알아보기 »

오토파일럿
오토파일럿

기계 학습 모델을 자동으로 생성하고 사용 사례에 가장 적합한 모델을 선택합니다. 예를 들어, 리더보드를 검토해 각 옵션이 어떻게 수행되는지 확인하고 모델 정확도와 지연 시간 요구 사항을 충족하는 모델을 선택합니다.

기계 학습 모델을 자동으로 생성하고 사용 사례에 가장 적합한 모델을 선택합니다. 예를 들어, 리더보드를 검토해 각 옵션이 어떻게 수행되는지 확인하고 모델 정확도와 지연 시간 요구 사항을 충족하는 모델을 선택합니다.

 확대하려면 클릭

Amazon SageMaker에서만 가능

Amazon SageMaker Ground Truth를 사용하여 데이터 레이블 지정 비용을 70%까지 절감

성공적인 기계 학습 모델은 품질이 뛰어나고 방대한 학습 데이터를 기반으로 구축됩니다. 하지만 이러한 모델을 구축하는 데 필요한 학습 데이터를 만드는 프로세스는 시간 소모적이고 복잡하며 큰 비용을 들어가는 경우가 대부분입니다. Amazon SageMaker Ground True를 통해 학습 데이터 세트를 매우 정확하고도 신속하게 구축하고 관리하십시오. Ground Truth는 Amazon Mechanical Turk을 통해 분류자(labeler)를 쉽게 이용할 수 있도록 지원하며, 일반적인 라벨링 작업을 위해 미리 작성된 워크플로와 인터페이스를 제공합니다. 또한 자체 분류자를 사용하거나 AWS Marketplace를 통해 Amazon이 추천한 공급업체를 사용할 수도 있습니다. 더불어 Ground Truth는 작업자가 지정한 레이블을 지속적으로 학습하여 고품질의 자동 주석을 생성하므로 레이블 제작 비용을 크게 낮출 수 있습니다.

자세히 알아보기 »

70%

데이터 레이블 제작 비용 절감

선도적인 딥 러닝 프레임워크를 지원하는 Amazon SageMaker

TensorFlow, PyTorch, Apache MXNet, Chainer, Keras, Gluon, Horovod, Scikit-learn 및 Deep Graph Library와 같은 프레임워크를 지원합니다. 

Amazon-SageMaker_Framework-Logos_F2f3f3

기계 학습 모델 학습

Amazon SageMaker에서만 가능

Amazon SageMaker 실험을 사용하여 학습 실행 구성, 추적 및 평가

Amazon SageMaker 실험을 사용하면 기계 학습 모델에 대한 반복을 구성하고 추적할 수 있습니다. ML 모델 학습에는 일반적으로 변화하는 데이터 세트, 알고리즘 버전 및 모델 파라미터의 영향을 분리하고 측정하기 위한 반복이 수반됩니다. 이러한 반복 도중 모델, 학습 데이터, 플랫폼 구성, 파라미터 설정 및 학습 지표와 같은 수백 개의 아티팩트가 생성됩니다. 때때로 스프레드시트와 같은 번거로운 메커니즘이 이러한 실험을 추적하는 데 사용됩니다.

SageMaker 실험은 입력 파라미터, 구성 및 결과를 자동으로 캡처하고 이를 ‘실험’으로 저장하여 반복을 관리하도록 돕습니다. SageMaker Studio의 시각적 인터페이스에서 작업하여 활성 실험을 탐색하고 특성별로 이전 실험을 검색하며 결과와 함께 이전 실험을 검토하고 실험 결과를 시각적으로 비교할 수 있습니다.

실험
실험

모델의 정확도를 이해하기 위해 수천 개의 학습 실험을 추적합니다. 예를 들어 다른 시계열 데이터 세트가 모델 정확도에 어떤 영향을 미치는지 차트에서 볼 수 있습니다.

모델의 정확도를 이해하기 위해 수천 개의 학습 실험을 추적합니다. 예를 들어 다른 시계열 데이터 세트가 모델 정확도에 어떤 영향을 미치는지 차트에서 볼 수 있습니다.

 확대하려면 클릭

Amazon SageMaker에서만 가능

Amazon SageMaker 디버거를 사용하여 기계 학습에 대한 문제 분석, 디버그 및 수정

ML 학습 프로세스는 대체로 불투명하고 모델을 학습하는 데 걸리는 시간이 길어 최적화하기 어려울 수 있습니다. 결과적으로 모델을 해석하고 설명하기 어려운 경우가 많습니다. Amazon SageMaker 디버거는 학습 도중 학습 및 검증, 혼동 지표, 학습 변화도와 같은 실시간 지표를 자동으로 캡처하여 학습 프로세스를 더욱 투명하게 만들고 모델 정확도를 개선합니다.

SageMaker 디버거의 지표는 쉽게 이해할 수 있도록 SageMaker Studio에서 시각화할 수 있습니다. SageMaker 디버거는 일반적인 학습 문제가 감지될 때 경고 및 해결 방법을 생성할 수 있습니다. SageMaker 디버거를 사용하면 모델 설명 방법의 초기 단계를 나타내는 모델 작동 방식을 해석할 수 있습니다.

디버거
디버거

이상 현상을 분석하고 디버깅합니다. 예를 들어 변화도가 사라지는 것으로 파악되면 신경망 학습이 중단됩니다. SageMaker 디버거는 사라지는 변화도를 식별하므로 학습에 영향을 미치기 전에 해결할 수 있습니다.

이상 현상을 분석하고 디버깅합니다. 예를 들어 변화도가 사라지는 것으로 파악되면 신경망 학습이 중단됩니다. SageMaker 디버거는 사라지는 변화도를 식별하므로 학습에 영향을 미치기 전에 해결할 수 있습니다.

 확대하려면 클릭

TensorFlow를 실행하기에 최적인 AWS

AWS의 TensorFlow 최적화는 수백 개의 GPU에서 거의 선형에 가까운 조정 효율을 제공하여 처리 과부하 없이 클라우드 규모로 실행함으로써 훨씬 짧은 시간에 보다 정확하고 정교한 모델 학습을 지원합니다.

90%

256개 GPU를 통한 확장 조정 효율

학습 비용을 90% 절감

Amazon SageMaker는 관리형 스팟 학습을 제공하므로 학습 비용을 최대 90% 줄일 수 있습니다. 이 기능은 예비 AWS 컴퓨팅 용량인 Amazon EC2 스팟 인스턴스를 사용합니다. 컴퓨팅 용량을 사용할 수 있으면 학습 작업이 자동으로 실행되고 용량 변경으로 인한 중단에 탄력적으로 대응하므로 학습 작업 실행 시 유연성을 갖추고 있다면 비용을 절감할 수 있습니다.

90%

관리형 스팟 학습으로 비용 절감

기계 학습 모델 배포

클릭 한 번으로 배포

Amazon SageMaker를 사용하면 한 번의 클릭으로 프로덕션 환경에 학습된 모델을 배포하여, 실시간 또는 배치(batch) 데이터에 대한 예측 생성을 시작할 수 있습니다. 높은 중복성을 위해 모델을 여러 가용 영역에 걸쳐 Auto Scaling Amazon ML 인스턴스에 클릭 한 번으로 배포할 수 있습니다. 인스턴스 유형과 원하는 최대 수 및 최소 수만 지정하면 나머지는 SageMaker가 처리합니다. SageMaker가 인스턴스를 시작하고 모델을 배포하며 애플리케이션에 대한 안전한 HTTPS 엔드포인트를 설정합니다. 짧은 지연 시간, 높은 처리량 추론을 달성하기 위해서는 애플리케이션에 이 엔드포인트에 대한 API 호출만 포함하면 됩니다. 모델을 변경하기 위해 코드를 변경할 필요가 없기 때문에 이 아키텍처를 사용하면 몇 분 만에 새 모델을 애플리케이션에 통합할 수 있습니다.

Amazon SageMaker에서만 가능

Amazon SageMaker 모델 모니터를 사용하여 시간이 지나도 정확한 모델 유지

Amazon SageMaker 모델 모니터를 사용하여 개발자는 개념 드리프트를 탐지하고 해결할 수 있습니다. 현재 배포된 모델의 정확도에 영향을 줄 수 있는 가장 큰 요소 중 하나는 예측 생성에 사용되는 데이터가 모델 학습에 사용되는 데이터와 다른 경우입니다. 예를 들어 경제 상황이 달라져 주택 구매 예측에 영향을 주는 새로운 금리가 형성될 수 있습니다. 이를 개념 드리프트라고 하며 예측하기 위해 모델이 사용하는 패턴을 더 이상 적용하지 못하게 할 수 있습니다. SageMaker 모델 모니터는 배포된 모델에서 개념 드리프트를 자동으로 감지하고 문제 원인을 파악하는 데 도움이 되는 자세한 알림을 제공합니다. SageMaker에서 학습된 모든 모델은 SageMaker Studio에서 수집하고 볼 수 있는 주요 지표를 자동으로 생성합니다. SageMaker Studio 내부에서 수집할 데이터, 확인하는 방법, 알림 수신 시기를 구성할 수 있습니다.

모델 모니터
모델 모니터

프로덕션 환경에서 모델을 모니터링합니다. 예를 들어 중요한 모델 기능 및 요약 통계가 있는 차트를 보고 시간이 지남에 따라 계속 확인하면서 학습에 사용되는 기능을 비교할 수 있습니다. 일부 기능은 모델이 프로덕션 환경에서 실행될 때 제대로 작동하지 않으므로 모델을 다시 학습해야 할 수 있습니다.

프로덕션 환경에서 모델을 모니터링합니다. 예를 들어 중요한 모델 기능 및 요약 통계가 있는 차트를 보고 시간이 지남에 따라 계속 확인하면서 학습에 사용되는 기능을 비교할 수 있습니다. 일부 기능은 모델이 프로덕션 환경에서 실행될 때 제대로 작동하지 않으므로 모델을 다시 학습해야 할 수 있습니다.

 확대하려면 클릭

Amazon SageMaker에서만 가능

인적 검토를 통한 예측 검증

많은 기계 학습 애플리케이션에서 정확한 결과를 위해 신뢰도가 낮은 예측은 사람이 검토해야 합니다. 하지만 워크플로에 인적 검토를 추가하면 프로세스가 복잡해져 시간과 비용이 많이 소요될 수 있습니다. Amazon Augmented AI는 ML 예측의 인적 검토에 필요한 워크플로를 쉽게 구축할 수 있는 서비스입니다. 증강 AI는 일반적인 기계 학습 사용 사례를 위한 기본 인적 검토 워크플로를 제공합니다. 또한 Amazon SageMaker에서 구축한 모델을 위해 자체 워크플로를 생성할 수도 있습니다. 모델이 신뢰도가 높은 예측을 수행할 수 없는 경우 증강 AI를 사용하여 인적 검토를 거치는 단계를 허용할 수 있습니다.

자세히 알아보기 »

Amazon Elastic Inference를 사용하여 기계 학습 추론 비용을 최대 75% 절감

대부분의 딥 러닝 애플리케이션에서 학습된 모델(추론이라는 프로세스)을 사용하여 예측하는 것은 애플리케이션의 컴퓨팅 비용에 중요한 요소가 될 수 있습니다. 모델 추론을 위해 전체 GPU 인스턴스 크기가 매우 커질 수 있습니다. 또한 딥러닝 애플리케이션의 GPU, CPU 및 메모리 요구를 최적화하는 것은 어려울 수 있습니다. Amazon Elastic Inference는 코드 변경 없이 매우 적절한 양의 GPU 지원 추론 가속을 Amazon EC2 또는 Amazon SageMaker 인스턴스 유형 또는 Amazon ECS 작업에 연결하여 이러한 문제를 해결합니다. Elastic Inference를 사용하면 애플리케이션의 전체 CPU 및 메모리 요구 사항에 가장 적합한 인스턴스 유형을 선택한 후 리소스를 효율적으로 사용하고 추론 실행 비용을 절감하는 데 필요한 양의 추론 가속을 별도로 구성할 수 있습니다.

75%

추론 비용 절감

오케이스트레이션 및 관리를 위해 Kubernetes와 통합

Kubernetes는 컨테이너식 애플리케이션의 배포, 확장 및 관리를 자동화하기 위한 오픈 소스 시스템입니다. 많은 고객이 기계 학습을 위해 Amazon SageMaker의 완벽한 관리 기능을 사용하려고 하지만 플랫폼 및 인프라 팀은 오케스트레이션과 파이프라인 관리를 위해 Kubernetes를 계속 사용하려고 합니다. SageMaker를 통해 사용자는 Kubernetes 운영자 및 파이프라인을 사용하여 SageMaker에서 모델을 학습하고 배포할 수 있습니다. Kubernetes 사용자는 기본적으로 Kubeflow에서 모든 SageMaker 기능에 액세스할 수 있습니다.

Amazon SageMaker 시작하기

AWS Management Console에서 Amazon Sagemaker를 사용하여 구축을 시작하십시오.