aws

AWS App Mesh, 마이크로서비스를 위한 서비스 메시 AWS App Mesh는 AWS의 마이크로 서비스 응용 프로그램 간 통신을 쉽게 모니터링하고 제어 할 수있게 해주는 서비스 메시입니다. Amazon Elastic Container Service (Amazon ECS), Amazon Elastic Container Service for Kubernetes (Amazon EKS) 및 Amazon EC2에서 실행되는 Kubernetes 에서 실행되는 마이크로 서비스와 함께 App Mesh를 사용할 수 있습니다. App Mesh는 현재 미리보기로 제공됩니다. 앞으로 몇 달 안에 새로운 기능과 통합을 추가 할 계획입니다. AWS App Mesh 소개 많은 고객이 마이크로 서비스 아키텍처를 사용하여 애플리케이션을 개발하여, 독립적으로 배포 및 운영되는 여러 개의 작은 소프트웨어로 분리합니다. 마이크로 서비스는 각 구성 요소가 필요에 따라 독립적으로 확장되도록하여 응용 프로그램의 가용성과 확장성을 높여줍니다. 각 마이크로 서비스는 API를 통해 다른 마이크로 서비스와 상호 작용합니다. 애플리케이션 내에서 다수의 마이크로 서비스를 구축하기 시작하면, 개별 문제를 식별하고 따로 추적하기가 어려워집니다. 서비스 지연이나 API 오류 또는 오류 코드가 포함될 수 있습니다. 장애가 있거나 새로운 [ more… ]

Amazon SageMaker Neo – 다양한 하드웨어를 위한 기계학습 모델 컴파일러 기계 학습(Machine Learning)은 훈련(Training)과 추론(Inference)의 두 가지 단계로 나뉩니다. 훈련은 모델 구축과 관련됩니다. 즉, 데이터 세트에서 ML 알고리즘을 실행하여 유의미한 패턴을 식별합니다. 이 프로세스에는 다량의 스토리지와 컴퓨팅 파워가 필요하기 때문에 클라우드에서 Amazon SageMaker 및 AWS Deep Learning AMI 같은 서비스를 사용하여 ML 작업을 훈련하는 것이 적절합니다. 추론은 모델 사용과 관련됩니다. 즉, 모델이 한 번도 보지 못한 데이터 샘플의 결과를 예측합니다. 추론의 요구 사항은 훈련과 다릅니다. 일반적으로 개발자는 지연 시간(단일 예측에 소요되는 시간) 및 처리량(동시에 실행할 수 있는 예측의 수)을 최적화하는 데 중점을 둡니다. 물론 이러한 지표에는 예측 환경의 하드웨어 아키텍처가 지대한 영향을 미칩니다. 리소스가 제한된 디바이스를 다룰 때는 특히 더 그렇습니다. 저는 Raspberry Pi를 많이 사용하지만, 추론 코드를 빠르게 실행하기에는 성능이 약간 아쉬울 때가 종종 있습니다. 특정 하드웨어 아키텍처에 적합하게 모델을 튜닝할 수는 있지만 도구가 없으면 튜닝 프로세스에서 오류가 많이 [ more… ]

AWS Well-Architected Tool – 모범 사례 기반의 워크로드 검토를 위한 셀프 서비스 도구 AWS가 2015년에 AWS Well-Architected Framework를 발표했을 때, Are You Well-Architected?라는 글을 게시했습니다. AWS의 Well-Architected 프레임워크에는 클라우드의 시스템 설계를 위한 핵심 전략과 모범 사례를 캡슐화하는, 다음과 같은 5가지 요소가 포함되어 있습니다. 운영 효율성 – 비즈니스 가치를 제공하도록 시스템을 운영하고 관리합니다. 보안 – 정보와 시스템을 보호합니다. 안정성 – 장애를 예방하고 신속하게 복구합니다. 성능 효율성 – IT 및 컴퓨팅 리소스를 효율적으로 사용합니다. 비용 최적화 – 불필요한 비용이 발생하지 않도록 합니다. 이 프레임워크는 클라우드를 제대로 활용하도록 하고 적절하게 이용하고 있는지를 확인하는 수단이라고 할 수 있습니다. AWS 솔루션스 아키텍트(SA)는 고객과 협력하여 매년 수천 건의 Well-Architected 검토를 수행합니다. 이 같은 작업 속도에도 불구하고 검토 수요는 항상 SA가 감당할 수 있는 양보다 더 많은 것 같습니다. 고객들은 검토 결과가 매우 가치가 있으며, 그 덕분에 시간이 지남에 따라 AWS를 더 효율적으로 사용할 수 있게 된다는 [ more… ]

Amazon Comprehend Medical – 의료 서비스 특성이 반영된 자연어 처리 서비스 대개 병원에서 의사들이 하는 인체 해부학, 외과 시술, 약물의 명칭이나 그 약어 등 복잡한 의학 용어가 나오면 이해하기가 쉽지 않습니다.  따라서, Amazon Comprehend의 의료 서비스 고객용 확장판인 Amazon Comprehend Medical는 이러한 의학 용어를 이해하는데 큰 도움을 줄 것으로 생각합니다. 우선 Amazon Comprehend는 지난 해 AWS re:Invent에서 출시되었습니다. 이 자연어 처리 서비스는 언어 감지, 엔터티 분류, 감정 분석 및 핵심 구 추출에 사용되는 실시간 API를 제공합니다. 또한 “주제 모델링“이라고 하는 자율 학습 기술을 사용하여 텍스트 문서를 자동으로 구성할 수도 있습니다. Amazon Comprehend는 FINRA, LexisNexis 및 Isentia에서 사용하고 있으며 범용 텍스트를 이해할 수 있습니다. 그러나 임상 문서의 특성을 고려하여 의료계에 종사하는 고객들은 의료 서비스의 고유한 요구 사항에 맞춰진 Amazon Comprehend의 버전을 구축해 줄 것을 요청했습니다. Amazon Comprehend Medical 소개 Amazon Comprehend Medical은 Amazon Comprehend를 기반으로 구축되며 다음과 같은 기능을 추가로 제공합니다. [ more… ]

AWS DeepRacer 자율 주행 모형차 – 직접 체험하는 강화 학습 강화 학습은 “에이전트”가 상호작용이 가능한 환경에서 행동에 대한 피드백을 통하여 미리 정의된 목표에 도달하거나 일종의 점수 또는 보상을 최대화하여 학습하는 과정을 거치며 시행착오에 따라 행동하는 기계 학습의 한 영역입니다.  이는 추론을 위한 일련의 요소들(실제 데이터)을 사용해 훈련하는 지도 학습과 같은 다른 형태의 기계 학습과 대조를 이룹니다. 오늘은 AWS re:Invent에서 제공되는 강화 학습을 직접 체험할 수 있는 기회의 모든 것에 대해 알려드리겠습니다. 하드웨어와 소프트웨어의 조합을 통해 실제 사물이 움직일 수 있도록 할 것입니다. AWS DeepRacer 먼저 하드웨어와 소프트웨어에 대해 이야기해 보겠습니다. AWS DeepRacer는 1/18 비율의 무선 조종 4륜 구동 자동차입니다. 인텔 아톰® 프로세서가 내재되어 있고, 1080p 해상도의 4메가픽셀 카메라, 고속(802.11ac) WiFi, 다수의 USB 포트 및 약 2시간 동안 지속가능한 배터리 전원을 갖추고 있습니다. 아톰 프로세서를 통해 Ubuntu 16.04 LTS, ROS(Robot Operating System) 및 인텔 오픈비노 컴퓨터 비전 도구 키트를 실행합니다. AWS DeepRacer에는 강화 학습 [ more… ]