신제품 수요 예측을 위한 권장 AWS 아키텍처

AI/ML 파이프라인을 여러 제품 및 리전으로 확장할 때 재현성, 신뢰성 및 확장성에 대한 기계 학습 작업(MLOps) 모범 사례를 따르는 것이 좋습니다. 자세한 내용은 Amazon SageMaker AI 설명서의 구현MLOps을 참조하세요. 다음 이미지는 신제품 출시에 대한 수요를 예측하는 ML 모델을 구현하기 위한 AWS 아키텍처의 예를 보여줍니다.

예제 AWS 아키텍처는 데이터 엔지니어링 DevOps과 데이터 과학의 세 가지 계층으로 구성됩니다.

데이터 엔지니어링 계층은 Amazon Simple Storage Service(Amazon S3)에서를 사용한 AWS Glue 다음 비용 효율적인 방식으로 데이터를 저장하여 기업 데이터 소스에서 데이터를 수집하는 데 중점을 둡니다. AWS Glue는 다양한 데이터 스토어 간에 데이터를 분류, 정리, 변환 및 안정적으로 전송하는 데 도움이 되는 완전 관리형 서버리스 ETL 서비스입니다. Amazon S3는 업계 최고의 확장성, 데이터 가용성, 보안 및 성능을 제공하는 객체 스토리지 서비스입니다. 또한 데이터 엔지니어링 계층은 Amazon SageMaker AI에서 배치 변환을 사용하여 오프라인 배치 추론 배포를 보여줍니다. 배치 변환은 Amazon S3에서 입력 데이터를 가져와 Amazon API Gateway를 통해 하나 이상의 HTTP 요청으로 추론 파이프라인 모델로 보냅니다. Amazon API Gateway는 APIs 모든 규모의 생성, 게시, 유지 관리, 모니터링 및 보안을 지원하는 완전 관리형 서비스입니다. 마지막으로, 데이터 엔지니어링 계층은 시스템 전체의 성능에 대한 가시성을 제공하고 경보를 설정하고, 변경 사항에 자동으로 대응하고, 운영 상태에 대한 통합 보기를 얻는 데 도움이 되는 서비스인 Amazon CloudWatch의 사용을 보여줍니다.는 사용자가 지정한 Amazon S3 버킷에 로그 파일을 CloudWatch 저장합니다.

이 DevOps 계층은 실시간 추론 배포를 위해 API 게이트웨이 CloudWatch및 Amazon SageMaker AI 모델 모니터를 사용합니다. Model Monitor를 사용하면 데이터 드리프트 및 이상과 같은 모델 품질의 편차에 대해 자동 알림 트리거 시스템을 설정할 수 있습니다. Amazon CloudWatch Logs는 모델 모니터에서 로그 파일을 수집하고 모델 품질이 사전 설정한 특정 임계값에 도달하면 알려줍니다. DevOps 또한 계층은 코드 전송 파이프라인을 자동화하기 AWS CodePipeline 위한의 사용도 보여줍니다.

데이터 과학 계층은 Amazon SageMaker AI Pipelines 및 Amazon SageMaker AI 특성 저장소를 사용하여 기계 학습 수명 주기를 관리하는 방법을 보여줍니다. SageMaker AI Pipelines은 데이터 사전 처리에서 모델 모니터링에 이르기까지 모든 ML 단계를 자동화하는 데 도움이 되는 특별히 구축된 워크플로 오케스트레이션 서비스입니다. 직관적인 UI 및 Python을 SDK사용하면 반복 가능한 end-to-end ML 파이프라인을 대규모로 관리할 수 있습니다. 여러 와의 기본 통합을 AWS 서비스 통해 MLOps 요구 사항에 따라 ML 수명 주기를 사용자 지정할 수 있습니다. 특성 저장소는 ML 모델의 기능을 저장, 공유 및 관리하기 위해 특별히 설계된 완전 관리형 리포지토리입니다. 기능은 ML 모델의 입력이며 훈련 및 추론 중에 사용됩니다.