데이터 과학이란 무엇인가요?

데이터 과학은 비즈니스에 대한 의미 있는 인사이트를 추출하기 위한 데이터 연구로서, 수학, 통계, 인공 지능 및 컴퓨터 공학 분야의 원칙과 사례를 결합하여 대량의 데이터를 분석하는 종합적인 접근 방식입니다. 이 분석은 데이터 사이언티스트가 무슨 일이 일어났는지, 왜 그런 일이 일어났는지, 무슨 일이 일어날지, 결과로 무엇을 할 수 있는지와 같은 질문을 하고 답하는 데 도움이 됩니다.

데이터 과학이 중요한 이유는 무엇인가요?

데이터 과학은 도구, 방법 및 기술을 결합하여 데이터에서 의미를 생성하기 때문에 중요합니다. 현대 조직에는 데이터가 쇄도하며, 정보를 자동으로 수집하고 저장할 수 있는 디바이스가 급증하고 있습니다. 온라인 시스템과 지불 포털은 전자 상거래, 의료 및 금융 분야와 기타 인간 생활의 모든 측면에서 더 많은 데이터를 캡처합니다. 우리는 방대한 양의 텍스트, 오디오, 비디오 및 이미지 데이터를 사용할 수 있습니다.  

불행히도 원시 데이터는 작업할 수 있어야 가치가 있습니다. 데이터 사이언티스트는 원시 데이터를 의미 있는 권장 사항으로 바꿀 수 있습니다. 기업에서는 존재하는지도 몰랐던 문제를 발견하고 해결할 수 있습니다. 조직은 이러한 권장 사항을 사용하여 고객을 더 행복하게 만들거나, 공급망을 최적화하거나, 신제품을 출시할 수 있습니다.

데이터 과학의 역사

데이터 과학이라는 용어가 새로운 것은 아니지만 그 의미는 시간이 지남에 따라 바뀌었습니다. 이 단어는 60년대에 통계의 대체 이름으로 처음 등장했습니다. 90년대 후반에 컴퓨터 과학 전문가가 이 용어를 공식화했습니다. 데이터 과학에 대해 제안된 정의에서는 이를 데이터 디자인, 수집 및 분석의 세 가지 측면을 가진 별도의 분야로 보았습니다. 이 용어가 학계 밖에서 사용되기까지 10년이 더 걸렸습니다. 

데이터 과학의 미래

인공 지능과 기계 학습 혁신은 데이터 처리를 더 빠르고 효율적으로 만들었습니다. 산업 수요는 데이터 과학 분야에서 과정, 학위 및 직위의 생태계를 만들었습니다. 필요한 다기능 기술과 전문 지식으로 인해 데이터 과학은 향후 수십 년 동안 큰 성장이 예상됩니다.

데이터 과학은 어떤 용도로 사용되나요?

데이터 과학은 다음과 같은 4가지 주요 방법으로 데이터를 연구하는 데 사용됩니다.

1. 기술 분석

기술 분석은 데이터를 검사하여 데이터 환경에서 무슨 일이 일어났는지 또는 일어나고 있는지에 대한 인사이트를 얻습니다. 파이 차트, 막대 차트, 선 그래프, 테이블 또는 생성된 내러티브와 같은 데이터 시각화를 특징으로 합니다. 예를 들어, 항공편 예약 서비스는 매일 예약된 티켓 수와 같은 데이터를 기록할 수 있습니다. 기술 분석을 통해 이 서비스의 예약 급증, 예약 급감 및 실적이 우수한 달을 확인할 수 있습니다.

2. 진단 분석

진단 분석은 문제가 발생한 이유를 이해하기 위한 심층 분석 또는 상세한 데이터 검사입니다. 드릴다운, 데이터 검색, 데이터 마이닝, 상관 관계 등의 기술을 특징으로 합니다. 지정된 데이터 집합에 대해 여러 데이터 작업 및 변환을 수행하여 이러한 각 기술의 고유한 패턴을 발견할 수 있습니다. 예를 들어, 항공편 서비스는 예약 급증을 더 잘 이해하기 위해 특히 실적이 우수한 달을 더 자세히 살펴볼 수 있습니다. 이로 인해 많은 고객이 매월 스포츠 행사에 참석하기 위해 특정 도시를 방문한다는 사실을 알게 될 수 있습니다.

3. 예측 분석

예측 분석은 과거 데이터를 사용하여 미래에 발생할 수 있는 데이터 패턴에 대한 정확한 예측을 수행합니다. 기계 학습, 예측, 패턴 일치 및 예측 모델링과 같은 기술을 특징으로 합니다. 이러한 각 기술에서 컴퓨터는 데이터의 인과 관계 연결을 리버스 엔지니어링하도록 훈련됩니다. 예를 들어, 항공편 서비스 팀은 데이터 과학을 사용하여 매년 초에 다음 연도의 항공편 예약 패턴을 예측할 수 있습니다. 컴퓨터 프로그램 또는 알고리즘은 과거 데이터를 보고 5월의 특정 목적지에 대한 예약 급증을 예측할 수 있습니다. 회사는 고객의 미래 여행 요구 사항을 예상하여 2월부터 해당 도시에 대한 맞춤형 광고를 시작할 수 있었습니다.

4. 처방적 분석

처방적 분석은 예측 데이터를 한 단계 발전시킵니다. 일어날 가능성이 있는 일을 예측할 뿐만 아니라 그 결과에 대한 최적의 응답을 제안합니다. 다양한 선택 사항의 잠재적 영향을 분석하고 최상의 조치를 제안할 수 있습니다. 그래프 분석, 시뮬레이션, 복잡한 이벤트 처리, 신경망 및 기계 학습의 권장 사항 엔진이 사용됩니다.         
항공편 예약 사례로 돌아가서 처방적 분석은 향후 예약 급증의 이점을 극대화하기 위해 과거 마케팅 캠페인을 살펴볼 수 있습니다. 데이터 사이언티스트는 다양한 마케팅 채널에서 다양한 수준의 마케팅 지출에 대한 예약 결과를 예측할 수 있습니다. 항공편 예약 회사는 이러한 데이터 예측을 통해 마케팅 결정에 더 큰 확신을 가질 수 있습니다.

비즈니스를 위한 데이터 과학의 이점은 무엇인가요?

데이터 과학은 기업의 운영 방식을 혁신하고 있습니다. 규모에 관계없이 많은 기업이 성장을 주도하고 경쟁 우위를 유지하기 위해 강력한 데이터 과학 전략을 필요로 합니다. 다음은 몇 가지 주요 이점입니다.

알려지지 않은 변형 패턴 발견

데이터 과학을 통해 기업은 조직을 변화시킬 가능성이 있는 새로운 패턴과 관계를 발견할 수 있습니다. 순이익률에 최대한 영향을 주기 위해 리소스 관리에 대한 저비용 변경 사항을 밝힐 수 있습니다. 예를 들어, 한 전자 상거래 회사에서 데이터 과학을 사용하여 업무 시간 이후에 너무 많은 고객 쿼리가 생성되고 있음을 발견했습니다. 조사에 따르면 고객은 다음 영업일에 답변을 받는 대신 즉각 답변을 받을 경우 구매 가능성이 더 높은 것으로 나타났습니다. 연중무휴 24시간 고객 서비스를 실현함으로써 기업의 수익이 30% 증가합니다.

새로운 제품 및 솔루션 혁신

데이터 과학은 눈에 띄지 않을 수 있는 격차와 문제를 드러낼 수 있습니다. 구매 결정, 고객 피드백, 비즈니스 프로세스에 대한 더 나은 인사이트는 내부 운영 및 외부 솔루션의 혁신을 주도할 수 있습니다. 예를 들어 온라인 결제 솔루션은 데이터 과학을 사용하여 소셜 미디어에서 회사에 대한 고객 의견을 수집하고 분석합니다. 분석에 따르면 고객은 구매 성수기에 암호를 잊어버리고 현재 암호 검색 시스템에 만족하지 못하는 것으로 나타났습니다. 회사는 더 나은 솔루션을 혁신하고 고객 만족도를 크게 높일 수 있습니다.

실시간 최적화

기업, 특히 대기업이 변화하는 상황에 실시간으로 대응하는 것은 매우 어려운 일입니다. 이로 인해 기업 활동에 심각한 손실이나 중단이 발생할 수 있습니다. 데이터 과학은 기업이 변화를 예측하고 다양한 상황에 최적으로 대응하는 데 도움이 될 수 있습니다. 예를 들어, 트럭 운송 회사는 데이터 과학을 사용하여 트럭이 고장 났을 때 가동 중지 시간을 줄입니다. 회사에서는 더 빠른 고장으로 이어지는 경로와 교대 패턴을 식별하고 트럭 일정을 조정합니다. 또한 트럭을 더 빨리 수리할 수 있도록 자주 교체해야 하는 일반적인 예비 부품의 재고 목록을 작성합니다.  

데이터 과학 프로세스란 무엇인가요?

비즈니스 문제는 일반적으로 데이터 과학 프로세스를 시작합니다. 데이터 사이언티스트는 비즈니스 이해 관계자와 협력하여 비즈니스에 필요한 것이 무엇인지 파악합니다. 문제가 정의되면 데이터 사이언티스트는 OSEMN 데이터 과학 프로세스를 사용하여 문제를 해결할 수 있습니다.

O – 데이터 획득(Obtain data)

데이터는 기존 데이터, 새로 획득한 데이터 또는 인터넷에서 다운로드할 수 있는 데이터 리포지토리일 수 있습니다. 데이터 사이언티스트는 내부 또는 외부 데이터베이스, 회사 CRM 소프트웨어, 웹 서버 로그, 소셜 미디어에서 데이터를 추출하거나 신뢰할 수 있는 서드 파티 소스에서 데이터를 구매할 수 있습니다.

S – 데이터 스크럽(Scrub data)

데이터 스크럽 또는 데이터 정리는 미리 결정된 형식에 따라 데이터를 표준화하는 프로세스입니다. 여기에는 누락된 데이터 처리, 데이터 오류 수정, 데이터 이상값 제거가 포함됩니다. 다음은 데이터 스크럽의 몇 가지 예입니다. 

  • 공통 표준 형식으로 모든 날짜 값 변경  
  • 철자 오류 또는 추가 공백 수정  
  • 수학적 부정확성 수정 또는 큰 숫자에서 쉼표 제거

E – 데이터 탐색(Explore data)

데이터 탐색은 추가 데이터 모델링 전략을 계획하는 데 사용되는 예비 데이터 분석입니다. 데이터 사이언티스트는 기술 통계 및 데이터 시각화 도구를 사용하여 데이터에 대한 초기 이해를 얻습니다. 그런 다음 데이터를 탐색하여 연구하거나 작업할 수 있는 흥미로운 패턴을 식별합니다.      

M – 데이터 모델링(Model data)

소프트웨어 및 기계 학습 알고리즘은 더 깊은 인사이트를 얻고 결과를 예측하고 최상의 조치를 제안하는 데 사용됩니다. 연관, 분류 및 클러스터링과 같은 기계 학습 기술이 훈련 데이터 집합에 적용됩니다. 결과 정확도를 평가하기 위해 미리 결정된 테스트 데이터에 대해 모델을 테스트할 수 있습니다. 결과를 개선하기 위해 데이터 모델을 여러 번 세부 조정할 수 있습니다. 

N – 결과 해석(Interpret results)

데이터 사이언티스트는 분석가 및 기업과 협력하여 데이터 인사이트를 조치로 바꿉니다. 그리고 추세와 예측을 나타내는 다이어그램, 그래프 및 차트를 만듭니다. 데이터 요약은 이해 관계자가 결과를 효과적으로 이해하고 이행하는 데 도움이 됩니다.

데이터 과학 기술이란 무엇인가요?

데이터 과학 전문가는 컴퓨팅 시스템을 사용하여 데이터 과학 프로세스를 따릅니다. 다음은 데이터 사이언티스트가 가장 많이 사용하는 기술입니다.

분류

분류는 데이터를 특정 그룹이나 범주로 정렬하는 것입니다. 컴퓨터는 데이터를 식별하고 정렬하도록 훈련되었습니다. 알려진 데이터 집합은 데이터를 빠르게 처리하고 분류하는 컴퓨터에서 결정 알고리즘을 구축하는 데 사용됩니다. 예를 들면 다음과 같습니다.  

  • 인기 또는 비인기 상품 분류  
  • 고위험 또는 저위험 보험 신청 분류  
  • 긍정적, 부정적 또는 중립적 소셜 미디어 댓글 분류

데이터 과학 전문가는 컴퓨팅 시스템을 사용하여 데이터 과학 프로세스를 따릅니다. 

회귀

회귀는 겉보기에 관련이 없어 보이는 두 데이터 요소 간의 관계를 찾는 방법입니다. 연결은 일반적으로 수학 공식을 중심으로 모델링되며 그래프 또는 곡선으로 표시됩니다. 한 데이터 요소의 값이 알려지면 회귀를 사용하여 다른 데이터 요소를 예측합니다. 예를 들면 다음과 같습니다.  

  • 공기 매개 질병의 확산 속도 
  •  고객 만족도와 직원 수의 관계  
  • 소방서 수와 특정 위치의 화재로 인한 부상자 수의 관계 

클러스터링

클러스터링은 밀접하게 관련된 데이터를 함께 그룹화하여 패턴과 이상을 찾는 방법입니다. 클러스터링은 데이터를 고정된 범주로 정확하게 분류할 수 없기 때문에 정렬과 다릅니다. 따라서 데이터는 가장 가능성이 높은 관계로 그룹화됩니다. 클러스터링을 통해 새로운 패턴과 관계를 발견할 수 있습니다. 예를 들면 다음과 같습니다.  
  • 향상된 고객 서비스를 위해 유사한 구매 행동을 가진 고객을 그룹화합니다.  
  • 네트워크 트래픽을 그룹화하여 일일 사용 패턴을 식별하고 네트워크 공격을 더 빠르게 식별합니다.  
  • 기사를 여러 뉴스 범주로 묶고 이 정보를 사용하여 가짜 뉴스 콘텐츠를 찾습니다.

데이터 과학 기술의 기본 원리

세부 사항은 다양하지만 이러한 기술의 기본 원칙은 다음과 같습니다.
  • 알려진 데이터 집합을 기반으로 데이터를 정렬하는 방법을 기계에 가르칩니다. 예를 들어, 샘플 키워드가 정렬 값과 함께 컴퓨터에 제공됩니다. "행복"은 긍정적이고 "미움"은 부정적입니다.
  • 알 수 없는 데이터를 시스템에 제공하고 디바이스가 데이터 집합을 독립적으로 정렬하도록 허용합니다.
  •  결과 부정확성을 허용하고 결과의 확률 요소를 처리합니다.  

다른 데이터 과학 기술로 무엇이 있나요?

데이터 과학 실무자는 다음과 같은 복잡한 기술을 사용합니다.

  1. 인공 지능: 기계 학습 모델 및 관련 소프트웨어는 예측 및 처방적 분석에 사용됩니다.
  2. 클라우드 컴퓨팅: 클라우드 기술은 데이터 사이언티스트에게 고급 데이터 분석에 필요한 유연성과 처리 능력을 제공했습니다.
  3. 사물 인터넷(IoT): IoT는 인터넷에 자동으로 연결할 수 있는 다양한 디바이스를 의미합니다. 이러한 디바이스는 데이터 과학 이니셔티브를 위해 데이터를 수집합니다. 또한 데이터 마이닝 및 데이터 추출에 사용할 수 있는 방대한 데이터를 생성합니다.
  4. 양자 컴퓨팅: 양자 컴퓨터는 복잡한 계산을 고속으로 수행할 수 있습니다. 숙련된 데이터 사이언티스트는 복잡한 양적 알고리즘을 구축하는 데 이를 사용합니다.

데이터 과학은 다른 데이터 관련 역할 및 분야를 포괄하는 용어입니다. 여기에서 그 중 일부를 살펴보겠습니다.

데이터 과학과 데이터 분석의 차이점은 무엇인가요?

이 두 용어를 같은 의미로 사용할 수 있지만 데이터 분석은 데이터 과학의 하위 집합입니다. 데이터 과학은 수집에서 모델링, 인사이트에 이르기까지 데이터 처리의 모든 측면을 포괄하는 용어입니다. 반면 데이터 분석은 주로 통계, 수학 및 통계 분석과 관련이 있습니다. 조직 데이터에 대한 더 큰 그림과 관련이 있는 데이터 과학과 달리 데이터 분석에만 초점을 맞춥니다. 대부분의 회사에서 데이터 사이언티스트와 데이터 분석가는 공통의 비즈니스 목표를 위해 협력합니다. 데이터 분석가는 정기적인 보고서를 제공하여 일상적인 분석에 더 많은 시간을 할애할 수 있습니다. 데이터 사이언티스트는 데이터가 저장, 조작 및 분석되는 방식을 설계할 수 있습니다. 간단히 말해 데이터 분석가는 기존 데이터를 이해하는 반면, 데이터 사이언티스트는 분석가가 사용할 데이터를 처리하는 새로운 방법과 도구를 만듭니다.

데이터 과학과 비즈니스 분석의 차이점은 무엇인가요?

데이터 과학과 비즈니스 분석 간에 중복되는 부분이 있지만 주요 차이점은 각 분야에서 기술 사용입니다. 데이터 사이언티스트는 비즈니스 분석가보다 데이터 기술에 더 밀접하게 관련된 일을 합니다. 비즈니스 분석가는 비즈니스와 IT 간의 격차를 해소합니다. 그들은 비즈니스 사례를 정의하거나 이해 관계자로부터 정보를 수집하거나 솔루션을 검증합니다. 반면 데이터 사이언티스트는 기술을 사용하여 비즈니스 데이터를 처리합니다. 그들은 프로그램을 작성하고, 기계 학습 기술을 적용하여 모델을 생성하고, 새로운 알고리즘을 개발할 수 있습니다. 데이터 사이언티스트는 문제를 이해할 뿐만 아니라 문제에 대한 솔루션을 제공하는 도구를 빌드할 수도 있습니다. 비즈니스 분석가와 데이터 사이언티스트가 같은 팀에서 일하는 것은 드문 일이 아닙니다. 비즈니스 분석가는 데이터 사이언티스트의 결과를 가져와 더 광범위한 비즈니스에서 이해할 수 있는 이야기를 전하는 데 사용합니다.

데이터 과학과 데이터 엔지니어링의 차이점은 무엇인가요?

데이터 엔지니어는 데이터 사이언티스트가 데이터에 액세스하고 데이터를 해석할 수 있는 시스템을 구축하고 유지 관리합니다. 그들은 데이터 사이언티스트보다 기본 기술에 더 밀접하게 관련된 일을 합니다. 데이터 엔지니어의 역할에는 일반적으로 데이터 모델 생성, 데이터 파이프라인 구축, 추출, 변환, 로드 감독이 포함됩니다. 조직 설정 및 규모에 따라 데이터 엔지니어는 빅 데이터 스토리지, 스트리밍, Simple Storage Service(Amazon S3) 등의 처리 플랫폼과 같은 관련 인프라도 관리할 수 있습니다. 데이터 사이언티스트는 데이터 엔지니어가 처리한 데이터를 사용하여 예측 모델을 구축하고 훈련합니다. 그런 다음 데이터 사이언티스트는 추가 의사 결정을 위해 결과를 분석가에게 전달할 수 있습니다.

데이터 과학과 데이터 기계 학습의 차이점은 무엇인가요?

기계 학습은 인간이 하는 방식으로 데이터를 분석하고 학습하도록 기계를 훈련시키는 과학이며, 데이터로부터 자동화된 인사이트를 얻기 위해 데이터 과학 프로젝트에서 사용되는 방법 중 하나입니다. 기계 학습 엔지니어는 기계 학습 방법과 관련된 컴퓨팅, 알고리즘 및 코딩 기술을 전문으로 합니다. 데이터 사이언티스트는 기계 학습 방법을 도구로 사용하거나 다른 기계 학습 엔지니어와 긴밀하게 협력하여 데이터를 처리할 수 있습니다.

데이터 과학과 통계의 차이점은 무엇인가요? 

통계는 정량적 데이터를 수집하고 해석하는 수학 기반 분야입니다. 이와 달리 데이터 과학은 다양한 형태의 데이터에서 지식을 추출하기 위해 과학적 방법, 프로세스 및 시스템을 사용하는 다각적인 분야입니다. 데이터 사이언티스트는 통계를 비롯한 여러 분야의 방법을 사용합니다. 그러나 분야의 과정과 분야에서 연구하는 문제는 모두 다릅니다.  

다른 데이터 과학 도구로 무엇이 있나요?

AWS에는 전 세계의 데이터 사이언티스트를 지원하는 다양한 도구가 있습니다.

데이터 스토리지

데이터 웨어하우징의 경우 Amazon Redshift는 정형 또는 비정형 데이터에 대해 복잡한 쿼리를 실행할 수 있습니다. 분석가와 데이터 사이언티스트는 AWS Glue를 사용하여 데이터를 관리하고 검색할 수 있습니다. AWS Glue는 데이터 레이크의 모든 데이터에 대한 통합 카탈로그를 자동으로 생성하고 메타데이터를 연결하여 검색 가능하게 만듭니다.

기계 학습

Amazon SageMaker는 Amazon Elastic Compute Cloud(EC2)에서 실행되는 완전관리형 기계 학습 서비스입니다. 이를 통해 사용자는 데이터를 구성하고 기계 학습 모델을 구축, 교육 및 배포하고 작업을 확장할 수 있습니다.

분석

  •  Amazon AthenaSimple Storage Service(Amazon S3) 또는 Glacier에 있는 데이터를 쉽게 분석할 수 있게 하는 대화형 쿼리 서비스입니다. 빠르고 서버리스이며 스탠더드 SQL 쿼리를 사용하여 작동합니다.
  • Amazon Elastic MapReduce(EMR)는 Spark 및 Hadoop과 같은 서버를 사용하여 빅 데이터를 처리합니다.
  •  Amazon Kinesis를 사용하면 스트리밍 데이터를 실시간으로 집계하고 처리할 수 있습니다. IoT 디바이스의 웹 사이트 클릭스트림, 애플리케이션 로그 및 원격 측정 데이터를 사용합니다. 
  • Amazon OpenSearch를 사용하면 수 페타바이트의 데이터를 검색, 분석 및 시각화할 수 있습니다.

데이터 사이언티스트는 무슨 일을 하나요?

데이터 사이언티스트는 데이터 과학 프로세스의 일부로 다양한 기술, 도구 및 기술을 사용할 수 있습니다. 문제를 기반으로 더 빠르고 정확한 결과를 위해 최상의 조합을 선택합니다.

데이터 사이언티스트의 역할과 일상 업무는 조직의 규모와 요구 사항에 따라 다릅니다. 일반적으로 데이터 과학 프로세스를 따르지만 세부 사항은 다를 수 있습니다. 대규모 데이터 과학 팀에서 데이터 사이언티스트는 다른 분석가, 엔지니어, 기계 학습 전문가 및 통계 전문가와 협력하여 데이터 과학 프로세스를 처음부터 끝까지 따르고 비즈니스 목표를 달성하는지 확인할 수 있습니다. 

그러나 소규모 팀에서는 데이터 사이언티스트가 할 일이 많습니다. 경험, 기술 및 학력에 따라 여러 역할이나 겹치는 역할을 할 수 있습니다. 이 경우 그들의 일상적인 책임에는 핵심 데이터 과학 방법론과 함께 엔지니어링, 분석 및 기계 학습이 포함될 수 있습니다. 

데이터 사이언티스트가 직면하는 과제는 무엇인가요?

여러 데이터 원본

다양한 유형의 앱과 도구가 다양한 형식의 데이터를 생성합니다. 데이터 사이언티스트는 일관성을 위해 데이터를 정리하고 준비해야 합니다. 이 작업은 지루하고 시간이 많이 소요될 수 있습니다.

비즈니스 문제 이해

데이터 사이언티스트는 해결해야 할 문제를 정의하기 위해 여러 이해 관계자 및 비즈니스 관리자와 협력해야 합니다. 이는 특히 요구 사항이 다양한 여러 팀이 있는 대기업에서 어려울 수 있습니다.

편견 없애기

기계 학습 도구는 완전히 정확하지 않으며 결과적으로 약간의 불확실성이나 편견이 존재할 수 있습니다. 바이어스는 연령 또는 소득 계층과 같은 다양한 그룹 전반에서 훈련 데이터 또는 모델의 예측 동작에 불균형이 존재함을 의미합니다. 예를 들어, 도구가 주로 중년의 데이터에 대해 훈련된 경우 청년 및 고령층과 관련된 예측을 할 때 정확도가 떨어질 수 있습니다. 기계 학습 분야는 데이터와 모델에서 편향을 감지하고 측정하여 해결할 수 있는 기회를 제공합니다.

데이터 과학 다음 단계

Sign up for a free account
무료 계정 가입

AWS 프리 티어에 즉시 액세스할 수 있습니다. 

가입 
Standard Product Icons (Start Building) Squid Ink
콘솔에서 구축 시작

AWS 관리 콘솔에서 AWS로 구축을 시작하세요.

로그인