사용자 지정 모델 사용

Amazon SageMaker Canvas를 사용하면 데이터를 사용하여 학습된 사용자 지정 모델을 구축할 수 있습니다. 데이터를 기반으로 사용자 지정 모델을 훈함으로써 데이터를 가장 잘 대표하는 구체적이고 대표적인 특성과 추세를 포착할 수 있습니다. 예를 들어 물류 작업을 관리하기 위해 웨어하우스의 재고 데이터를 기반으로 학습하는 사용자 지정 시계열 예측 모델을 생성할 수 있습니다.

다음 유형의 데이터 세트를 기반으로 Canvas 사용자 지정 모델을 훈련할 수 있습니다.

• 표 형식 (숫자, 범주형, 시계열 및 텍스트 데이터 포함)

• 이미지

다음 표에는 Canvas에서 빌드할 수 있는 사용자 지정 모델 유형과 지원되는 데이터 유형 및 데이터 소스가 나와 있습니다.

모델 유형	사용 사례	지원되는 데이터 유형	지원되는 데이터 원본
수치 예측	평방 피트와 같은 특징을 기반으로 주택 가격 예측	숫자	로컬 업로드, Amazon S3, SaaS 커넥터
2개 범주 예측	고객 이탈 가능성 여부 예측	바이너리형 또는 범주형	로컬 업로드, Amazon S3, SaaS 커넥터
3개 이상의 카테고리 예측	퇴원 후 환자 치료 결과 예측	범주형	로컬 업로드, Amazon S3, SaaS 커넥터
시계열 예측	다음 분기의 인벤토리 예측	시계열	로컬 업로드, Amazon S3, SaaS 커넥터
단일 레이블 이미지 예측	이미지 내 제조 결함 유형 예측	이미지(JPG, PNG)	로컬 업로드, Amazon S3
다중 범주 텍스트 예측	제품 설명을 기반으로 의류, 전자제품 또는 가정용품과 같은 제품 카테고리 예측	출처 칼럼: 텍스트 대상 열: 2진수 또는 범주형	로컬 업로드, Amazon S3

시작하기

사용자 지정 모델에서 예측을 구축하고 생성하는 작업을 시작하려면 다음을 수행하세요.

• 구축하려는 모델의 사용 사례와 유형을 결정합니다. 사용자 정의 모델 유형에 대한 자세한 내용은 사용자 지정 모델 구축을 참조하세요. 사용자 정의 모델에 지원되는 데이터 유형 및 소스에 대한 자세한 내용은 Canvas로 데이터 가져오기을 참조하세요.

• Canvas로 데이터를 가져옵니다. 입력 요구 사항을 충족하는 테이블 형식 또는 이미지 데이터 세트로 사용자 지정 모델을 만들 수 있습니다. 입력 요구 사항에 대한 자세한 내용은 데이터세트 생성을 참조하세요.

  실험에 사용할 수 SageMaker 있는 샘플 데이터세트에 대해 자세히 알아보려면 샘플 데이터세트 사용을 참조하세요.

• 사용자 지정 모델을 빌드합니다. 빠른 빌드를 사용하여 모델을 얻고 보다 빠르게 예측을 시작하거나 표준 빌드를 사용하여 정확도를 높일 수 있습니다.

  수치형, 범주형, 시계열 예측 모델 유형의 경우 데이터 랭글러 기능을 사용하여 데이터를 정리하고 준비할 수 있습니다. 데이터 랭글러에서는 데이터 흐름을 만들고 고급 변환 적용 또는 데이터셋 조인과 같은 다양한 데이터 준비 기법을 사용할 수 있습니다. 이미지 예측 모델의 경우 이미지 데이터 세트 편집하여 레이블을 업데이트하거나 이미지를 추가 및 삭제할 수 있습니다. 단, 다중 범주 텍스트 예측 모델에는 이러한 기능을 사용할 수 없습니다.

• 모델의 성능을 평가하고 실제 데이터에서 모델의 성능이 어느 정도인지 판단하세요.

• (선택 사항) 특정 모델 유형의 경우 모델을 검토하고 개선하는 데 도움을 줄 수 있는 Amazon SageMaker Studio Classic의 데이터 과학자와 협업할 수 있습니다.

• 모델을 사용하여 단일 또는 배치 예측을 수행할 수 있습니다.

참고

Amazon SageMaker Studio Classic에서 이미 학습된 모델을 Canvas와 공유하고 싶다면 자체 모델을 SageMaker Canvas로 가져올 수 있습니다. BYOM 사전 요구 사항을 검토하여 모델이 공유에 적합한지 여부를 결정하세요.