aws

Amazon SageMaker Ground Truth Plus 신규 기능 출시 – 데이터 레이블 전문가를 통한 턴키 솔루션 오늘, Amazon SageMaker 제품군의 최신 서비스를 발표하게 되어 기쁩니다. 이를 통해 이전보다 훨씬 쉽게 데이터 집합에 레이블을 지정할 수 있습니다. Ground Truth Plus는 전문 인력을 사용하여 고품질 훈련 데이터 집합을 빠르게 제공하고 비용을 최대 40% 절감하는 턴키 서비스입니다. 기계 학습 모델 생성의 과제 기계 학습(ML) 모델을 구축하고 훈련하는 데 있어 가장 큰 과제 중 하나는 정확한 예측을 할 수 있도록 해당 모델에 공급하고 이러한 모델을 훈련할 수 있는 충분한 고품질의 레이블이 지정된 데이터를 소싱하는 것입니다. 이 경우 데이터에 레이블을 지정하는 것이 매우 간단한 태스크처럼 보일 수 있습니다… 1단계: 데이터 가져오기 2단계: 레이블 지정 … 하지만 이것은 실제와는 다릅니다. 레이블 지정 작업자가 주석을 달기 전에도 고품질 데이터 집합을 얻으려면 프로젝트에 맞는 사용자 지정의 레이블 지정 워크플로와 사용자 인터페이스가 필요합니다. 이는 강력한 도구와 숙련된 작업자의 조합에 의존하며 [ more… ]

Amazon SageMaker Training Complier 신규 기능 출시 – 딥러닝 모델 훈련 속도 가속화 오늘, 딥 러닝(DL) 모델 훈련을 최대 50% 가속화할 수 있는 새로운Amazon SageMaker 기능인 Amazon SageMaker Training Complier 를 발표하게 되어 기쁩니다. DL 모델의 복잡성이 커짐에 따라 최적화 및 훈련에 소요되는 시간도 늘어납니다. 예를 들어 널리 사용되는 자연어 처리(NLP) 모델 “RoBERTa“를 훈련하는 데 25,000시간의 GPU가 소요될 수 있습니다. 고객이 모델 훈련에 소요되는 시간을 줄이기 위해 적용할 수 있는 기술과 최적화가 있지만, 구현하기에는 시간이 걸리며 드문 기술이 필요합니다. 이는 인공 지능(AI) 의 광범위한 채택에서 혁신과 진보를 방해할 수 있습니다. 지금까지 어떻게 이루어 졌습니까? 일반적으로 훈련 속도를 높이는 세 가지 방법이 있습니다. 보다 강력한 개별 기계를 사용하여 계산 처리 GPU 인스턴스 클러스터 전체에 컴퓨팅을 분산하여 모델을 병렬로 훈련 적은 메모리와 컴퓨팅을 활용하여 GPU에서 더욱 효율적으로 실행되도록 모델 코드 최적화 실제로 기계 학습(ML) 코드를 최적화하는 것은 어렵고 시간이 오래 걸리며 습득하기에는 [ more… ]

Amazon SageMaker Studio Lab 미리보기 – 무료 기계 학습 학습 및 실습용 공개 서비스 AWS의 사명은 기계 학습(ML)을 보다 쉽게 이용할 수 있도록 하는 것입니다. 지난 몇 년간 많은 대화를 통해 많은 기계 학습 초보자가 직면하는 장벽에 대해 배웠습니다. 기존 기계 학습 환경은 초보자에게는 너무 복잡하거나 최신 기계 학습 실험을 지원하기에는 너무 제한적인 경우가 많습니다. 초보자는 빠르게 학습을 시작하기를 원하며, 인프라 가동, 서비스 구성 또는 예산 초과를 피하기 위한 결제 경보 구현 등에 대해 걱정하지 않으려 합니다. 또한 가입 시 결제 및 신용카드 정보를 제공해야 한다는 큰 장벽이 여러 사람들에게 제기됩니다. Jupyter 노트북을 호스팅하기 위해 예측 가능한 통제된 환경을 구축해서 실수로 큰 비용이 청구될 위험이 없도록 하면 어떨까요? 가입할 때 결제 및 신용카드 정보가 필요하지 않다면 어떨까요? 오늘 저는 Amazon SageMaker Studio Lab의 퍼블릭 평가판을 발표하게 되어 매우 기쁩니다. Amazon SageMaker Studio Lab은 AWS 계정, 신용카드 또는 클라우드 구성 관련 [ more… ]

Amazon SageMaker Canvas 발표 – 비즈니스 분석가를 위한 손쉬운 노코드 기계 학습 기능 비즈니스 문제에 직면하고 매일 데이터를 처리하는 조직으로서, 비즈니스 결과를 예측할 수 있는 시스템을 구축하는 능력이 매우 중요합니다. 이 기능을 사용하면 느린 프로세스를 자동화하고 IT 시스템에 인텔리전스를 포함시켜 문제를 해결하고 더 빠르게 나아갈 수 있습니다. 하지만 조직의 모든 팀과 개별 의사 결정권자가 다른 데이터 과학 및 데이터 엔지니어링 팀에 의존하지 않고 이러한 기계 학습(ML) 시스템을 대규모로 생성하려면 어떻게 해야 할까요? 비즈니스 사용자 또는 데이터 분석가는 수백 가지의 알고리즘, 훈련 파라미터, 평가 지표 및 배포 모범 사례에 대해 배울 필요 없이 매일 분석 및 처리하는 데이터를 기반으로 예측 시스템을 구축하고 사용하려 합니다. 오늘 저는Amazon SageMaker Canvas 일반 출시를 발표하게 되어 기쁩니다. 이 제품은 비즈니스 분석가가 코드를 작성하거나 기계 학습 전문가를 필요로 하지 않으면서 기계 학습 모델을 구축하며 정확한 예측을 생성할 수 있는 새로운 시각적 기능입니다. 직관적인 사용자 인터페이스를 통해 [ more… ]