aws

Amazon Location Service 미리보기 – 사용자 애플리케이션에 지도 및 위치 인식 기능 추가 맵, 위치 인식 및 기타 위치 기반 기능을 사용자의 웹 및 모바일 애플리케이션에 보다 쉽고 비용 효율적으로 추가하고자 합니다. 지금까지 이 작업은 다소 복잡하고 비용이 많이 들었을 뿐 아니라, 단일 공급자의 비즈니스 및 프로그래밍 모델에 연결되었습니다. Amazon Location Service 소개 오늘 Amazon Location을 미리 보기 형식으로 사용할 수 있으며 지금 바로 사용 가능합니다. 일반적인 대안책에 비해 상당히 저렴한 Amazon Location Service를 사용하면 경제적인 종량 과금제 방식으로 여러 공급자의 맵 및 위치 기반 서비스에 액세스할 수 있습니다. Amazon Location Service를 사용하면 사용자의 위치를 파악하는 애플리케이션을 구축하고 그에 따라 대응할 수 있습니다. 맵 표시, 주소 검증, 지오코딩(주소를 특정 위치로 전환) 수행, 패키지 및 디바이스 이동 추적 등의 작업을 수행할 수 있습니다. 추적된 항목이 지오펜싱된 영역에 들어가거나 나갈 때 지오펜스를 쉽게 설정하고 알림을 받을 수 있습니다. 전체 제어를 유지하면서 맵에 [ more… ]

새로운 기능 – Amazon SageMaker Debugger 기반 기계 학습 훈련 작업 프로파일링 오늘 Amazon SageMaker Debugger가 기계 학습 모델을 프로파일링하여 하드웨어 리소스 사용으로 인한 훈련 문제를 훨씬 쉽게 식별하고 수정할 수 있음을 발표하게 되어 매우 기쁩니다. 다양한 비즈니스 문제에 대해 인상적인 성능을 발휘하고 있지만 기계 학습(ML)은 여전히 신비한 주제입니다. 이를 바로 잡는 것은 과학, 장인 정신(일부는 마법사라고 말할 것입니다), 때로는 행운의 연금술입니다. 특히 모델 훈련은 데이터 세트의 품질, 알고리즘, 파라미터 및 훈련 중인 인프라에 따라 결과가 달라지는 복잡한 프로세스입니다. 딥 러닝처럼 ML 모델이 점점 더 커지고 복잡해짐에 따라, 점점 대두되고 있는 문제는 모델을 훈련시키는 데 필요한 인프라의 양입니다. 예를 들어, 공개적으로 사용 가능한 COCO 데이터 세트에 대한 BERT 훈련은 8개의 NVIDIA V100 GPU가 있는 단일 p3dn.24xlarge 인스턴스에서 6시간 이상 걸립니다. 자율 주행 차량 회사와 같은 일부 고객은 훨씬 더 큰 데이터 세트를 처리하고 며칠 동안 물체 감지 모델을 훈련합니다. 복잡한 [ more… ]

Amazon Managed Service for Grafana 미리보기 출시 오늘 Grafana Labs와의 제휴를 통해 Amazon Managed Service for Grafana(AMG)가 평가판으로 출시됩니다. AMG는 여러 소스의 데이터 시각화 및 분석을 위해 확장 가능하고 안전한 온디맨드 Grafana WorkSpace를 쉽게 생성할 수 있는 완전관리형 서비스입니다. Grafana는 애플리케이션에 대한 관찰 대시보드를 만드는 데 사용되는 가장 인기 있는 오픈 소스 기술 중 하나입니다. 플러그형 데이터 원본 모델을 갖추고 있으며 다양한 종류의 시계열 데이터베이스 및 클라우드 모니터링 공급업체를 지원합니다. Grafana는 여러 오픈 소스, 클라우드 및 서드 파티 데이터 원본의 애플리케이션 데이터를 중앙 집중화합니다. 많은 고객이 Grafana를 좋아하지만 이를 자체 호스팅하고 관리하는 데 따른 부담은 원하지 않습니다. AMG는 Grafana의 프로비저닝, 설정, 확장, 버전 업그레이드 및 보안 패치를 관리하므로 고객이 이러한 작업을 직접 수행할 필요가 없습니다. AMG는 자동으로 확장되어 뛰어난 가용성으로 수천 명의 사용자를 지원합니다. AMG를 사용하면 AWS, Google, Microsoft 등의 클라우드 서비스를 비롯한 여러 데이터 원본의 운영 지표, 로그 및 [ more… ]

Amazon Managed Service for Prometheus(AMP) 미리보기 출시 관찰은 대규모로 클라우드 인프라를 실행하는 데 필수적인 요소입니다. 리소스가 정상이고 예상대로 작동하며 시스템이 고객에게 원하는 수준의 성능을 제공하고 있는지 알아야 합니다. 컨테이너 기반 애플리케이션을 모니터링할 때 많은 문제가 발생합니다. 첫째로 컨테이너 리소스가 일시적이고 감시할 지표가 많기 때문에 모니터링 데이터의 카디널리티가 매우 높습니다. 쉽게 말해 고유한 값이 많아서 공간 효율적인 스토리지 모델을 정의하고 의미 있는 결과를 반환하는 쿼리를 생성하는 것이 더 어려울 수 있습니다. 둘째로 Well-Architected 컨테이너 기반 시스템은 많은 수의 구동 부분을 사용하여 구성되기 때문에 모니터링 데이터 수집, 처리 및 저장하는 것 자체가 인프라적인 문제가 될 수 있습니다. Prometheus는 활발한 개발자 및 사용자 커뮤니티를 보유한 선도적인 오픈 소스 모니터링 솔루션입니다. 컨테이너에서 수집된 시계열 데이터에 매우 적합한 다차원 데이터 모델을 가지고 있습니다. Amazon Managed Service for Prometheus(AMP) 소개 오늘 Amazon Managed Service for Prometheus(AMP)의 평가판이 출시됩니다. 이 완전관리형 서비스는 프로메테우스와 100% 호환됩니다. 동일한 지표와 [ more… ]

새로운 기능 – Amazon SageMaker 관리형 데이터 병렬 처리를 통해 대규모 데이터 세트 훈련 간소화 오늘 Amazon SageMaker가 수백 또는 수천 기가바이트의 데이터 세트에 대한 모델을 더 쉽게 훈련할 수 있는 새로운 데이터 병렬 처리 라이브러리를 지원한다는 것을 발표하게 되어 기쁩니다. 데이터 세트와 모델이 점점 커지고 정교해짐에 따라 대규모 분산 훈련 작업을 수행하는 기계 학습(ML) 실무자는 Amazon Elastic Compute Cloud (EC2) p3 및 p4 인스턴스와 같은 강력한 인스턴스를 사용하는 경우에도 점점 더 긴 훈련 시간에 직면해야 합니다. 예를 들어 8개의 NVIDIA V100 GPU가 장착된 ml.p3dn.24xlarge 인스턴스를 사용하면 공개적으로 사용 가능한 COCO 데이터 세트에 대한 마스크 RCNN 및 빠른 RCNN과 같은 고급 물체 감지 모델을 훈련하는 데 6시간이 걸립니다. 마찬가지로, 최첨단 자연어 처리 모델인 BERT 훈련은 동일한 인스턴스에서 100시간 이상 걸립니다. 자율 주행 차량 회사와 같은 일부 고객은 대규모 GPU 클러스터에서 며칠 동안 실행되는 대량의 훈련 작업을 일상적으로 처리합니다. 상상할 수 [ more… ]