Amazon SageMaker 란? - 아마존 SageMaker

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

Amazon SageMaker 란?

Amazon SageMaker는 완전관리형 기계 학습 서비스입니다. SageMaker를 통해 데이터 사이언티스트와 개발자들은 기계 학습 모델을 빠르고 쉽게 구축하고 훈련시킬 수 있으며, 그리고 나서 이들 모델을 프로덕션 지원 호스팅 환경에 직접 배포할 수 있습니다. 탐색 및 분석에 필요한 데이터 원본에 대한 쉬운 액세스를 위해 내장형 Jupyter 작성 노트북 인스턴스를 제공하기 때문에 서버를 관리할 필요가 없습니다. 또한 분산된 환경 내 대규모 데이터를 효율적으로 실행하는 데 최적화된 일반 기계 학습 알고리즘 또한 제공합니다. BYOM(Bring-Your-Own-Algorithm) 및 프레임워크 기본 지원을 통해 SageMaker는 특정 워크플로에 맞게 조정되는 유연한 분산형 교육 옵션을 제공합니다. SageMaker Studio 또는 SageMaker 콘솔에서 클릭 몇 번으로 모델을 시작하고 안전하고 확장 가능한 환경으로 배포합니다. 훈련 및 호스팅은 사용한 분 단위로 요금이 부과되고, 최소 요금 및 선수금이 없습니다.

이 가이드에는 SageMaker 기능에 대한 정보 및 자습서가 포함되어 있습니다. 자세한 내용은 단원을 참조하십시오.Amazon SageMaker 개발자 리소스.

주제

Amazon SageMaker 기능

Amazon SageMaker 에는 다음 기능이 포함되어 있습니다.

SageMaker Studio

동일한 애플리케이션에서 모델을 모두 빌드, 훈련, 배포 및 분석할 수 있는 통합 기계 학습 환경입니다.

SageMaker 모델 레지스트리

머신 러닝 모델 배포를 위한 버전 관리, 아티팩트 및 계보 추적, 승인 워크플로우 및 교차 계정 지원

SageMaker 프로젝트

SageMaker 프로젝트를 사용하여 CI/CD로 엔드 투 엔드 ML 솔루션을 생성합니다.

SageMaker 모델 구축 파이프라인

SageMaker 작업과 직접 통합된 머신 러닝 파이프라인을 생성하고 관리합니다.

SageMaker ML 리니지 트래킹

머신 러닝 워크플로우의 계보를 추적합니다.

SageMaker 데이터 랭글러

SageMaker Studio에서 데이터를 가져오고, 분석하고, 준비하고, 기능화할 수 있습니다. 기계 학습 워크플로우에 Data Wrangler를 통합하여 코딩이 거의 또는 전혀 없는 데이터 사전 처리 및 기능 엔지니어링을 간소화하고 간소화할 수 있습니다. 자체 Python 스크립트 및 변환을 추가하여 데이터 준비 워크플로를 사용자 지정할 수도 있습니다.

SageMaker 기능 스토어

기능을 쉽게 검색하고 재사용할 수 있도록 기능 및 관련 메타데이터를 위한 중앙 집중식 저장소입니다. 온라인 또는 오프라인 스토어의 두 가지 유형을 생성할 수 있습니다. 온라인 스토어는 짧은 지연 시간, 실시간 추론 사용 사례에 사용할 수 있으며 오프라인 스토어는 교육 및 배치 추론에 사용할 수 있습니다.

SageMaker JumpStart

선별된 원클릭 솔루션, 예제 노트북 및 배포할 수 있는 사전 훈련된 모델을 통해 SageMaker 기능 및 기능에 대해 알아봅니다. 모델을 미세 조정하고 배포할 수도 있습니다.

SageMaker Clarify

잠재적인 편향을 감지하여 머신 러닝 모델을 개선하고 모델의 예측을 설명할 수 있습니다.

SageMaker Edge 관리자

엣지 디바이스용 커스텀 모델을 최적화하고, 플릿을 생성 및 관리하고, 효율적인 런타임으로 모델을 실행합니다.

SageMaker Ground Truth

기계 학습과 함께 작업자를 사용하여 레이블이 지정된 데이터 세트를 생성하는 고품질 훈련 데이터 세트입니다.

Amazon Augmented AI

ML 예측을 사람이 검토하는 데 필요한 워크플로우를 구축합니다. Amazon A2I는 모든 개발자에게 인적 검토를 제공하여 인적 검토 시스템을 빌드하거나 다수의 검토자를 관리하는 것과 관련된 획일적인 관리 작업을 제거합니다.

SageMaker Studio 노트북

다음을 포함하는 차세대 SageMaker 노트북AWS IAM Identity Center (successor to AWS Single Sign-On)(IAM Identity Center) 통합, 빠른 시작 시간 및 단일 클릭 공유

SageMaker Exference

실험 관리 및 추적. 추적된 데이터를 사용하여 실험을 재구성하고, 동료들이 수행한 실험을 기반으로 점진적으로 빌드를 수행하며,, 규정 준수 및 감사 검증을 위해 모델 계통을 추적할 수 있습니다.

SageMaker Debugger

훈련 프로세스 전반에 걸쳐 훈련 파라미터 및 데이터를 검사합니다. 파라미터 값이 너무 크거나 작아지는 등 일반적으로 발생하는 오류를 자동으로 감지하여 사용자에게 알립니다.

SageMaker Autopilot

기계 학습 지식이 없는 사용자도 분류 및 회귀 모델을 신속하게 구축할 수 있습니다.

SageMaker 모델 모니터

프로덕션 단계(엔드포인트)의 모델을 모니터링 및 분석하여 모델 품질의 데이터 드리프트 및 편차를 감지합니다.

SageMaker Neo

기계 학습 모델을 한 번 교육한 다음, 클라우드와 에지 어디에서나 실행합니다.

SageMaker Elastic Inference

처리 속도를 높이고 실시간 추론 결과를 가져오는 대기 시간을 줄입니다.

강화 학습

행동의 결과로 에이전트가 받게 되는 장기 보상을 극대화하는 것입니다.

사전 처리

데이터를 분석 및 사전 처리하고, 기능 엔지니어링 문제를 해결하며, 모델을 평가합니다.

배치 변환

데이터 세트를 사전 처리하고, 영구 엔드포인트가 필요하지 않을 때 추론을 실행하며, 결과 해석을 지원하기 위해 입력 레코드를 추론과 연관시킵니다.

Amazon SageMaker 요금

다른 와 마찬가지로AWSAmazon SageMaker 사용에 대한 계약이나 최소 약정이 없습니다. SageMaker 사용 비용에 대한 자세한 내용은 단원을 참조하십시오.SageMaker 요금.

Amazon SageMaker 를 처음 사용하십니까?

SageMaker 를 처음 사용하는 경우 다음을 수행하는 것이 좋습니다.

  1. ReadAmazon SageMaker 작동 방식— 이 단원에서는 SageMaker 개요를 제공하고, 핵심 개념을 설명하며, SageMaker 를 사용한 AI 솔루션 구축에 포함된 핵심 구성 요소를 설명합니다. 이 주제를 표시된 순서대로 읽는 것이 좋습니다.

  2. Amazon 설정 SageMaker 사전 요구사항— 이 단원에서는 를 설정하는 방법을 설명합니다.AWS계정.

  3. Amazon SageMaker Autopilot 은 기계 학습 태스크를 자동화하여 기계 학습 환경을 단순화합니다. SageMaker 를 처음 사용하는 경우 가장 쉬운 학습 경로가 제공됩니다. 또한 자동화된 ML 태스크 각각에 대해 생성된 노트북을 사용하여 코드에 대한 가시성을 제공하는 훌륭한 ML 학습 도구 역할을 합니다. 해당 기능에 대한 소개는 Amazon과 함께 모델 개발 자동화 SageMaker Autopilot 단원을 참조하십시오. Autopilot 은 기계 학습 모델 구축, 훈련 및 배포를 시작하기 위해 다음을 제공합니다.

  4. Amazon 시작하기 SageMaker— 이 단원에서는 SageMaker Studio 또는 SageMaker 콘솔과 SageMaker API를 사용하여 첫 번째 모델을 훈련시키는 방법을 안내합니다. SageMaker 에서 제공된 훈련 알고리즘을 사용합니다.

  5. 다른 주제 살펴보기— 필요에 따라 다음을 수행하십시오.

    • 딥 러닝 프레임워크로 훈련할 Python 코드 제출— SageMaker 에서는 자체 훈련 스크립트를 사용하여 모델을 훈련시킬 수 있습니다. 자세한 내용은 Amazon SageMaker 에서 Machine Learning 프레임워크, Python 및 R 사용 단원을 참조하세요.

    • 아파치 스파크에서 직접 SageMaker 사용하십시오.— 자세한 내용은 단원을 참조하십시오.Amazon SageMaker 에서 Apache Spark 사용.

    • SageMaker를 사용하여 사용자 지정 알고리즘을 교육하고 배포합니다.— SageMaker 에서 이를 훈련 및/또는 배포할 수 있도록 도커를 사용하여 사용자 지정 알고리즘을 패키징합니다. SageMaker 컨테이너와 상호 작용하는 방법과 도커 이미지에 대한 SageMaker 요구 사항은 단원을 참조하십시오.세이지메이커에서 도커 컨테이너 사용.

  6. 보기API 참조— 이 단원에서는 SageMaker API 작업에 대해 설명합니다.

Amazon SageMaker 작동 방식

SageMaker 는 기계 학습 모델을 애플리케이션에 간편하게 통합할 수 있도록 하는 완전 관리형 서비스입니다. 이 단원에서는 기계 학습의 개요를 제공하고 SageMaker 작동 방법을 설명합니다. SageMaker 를 처음 사용하는 경우, 먼저 다음 단원을 순서대로 읽어보십시오.