aws

AWS AI/ML 장학금 프로그램 – 소수 및 취약 계층 학생의 인공 지능 관력 경력 개발을 위한 지원 프로젝트 수년 동안 정보 기술(IT) 분야에서 일하는 여성으로서 오랜 성별 고정 관념에 도전하고 더 많은 젊은 학습자들이 기술 분야 취업을 고려하도록 격려하는 것이 중요하다고 저는 생각해 왔습니다. 기술의 미래를 정의하는 인공 지능(AI)과 기계 학습(ML)으로 인해 이러한 미래는 다양한 표현의 영향을 받게 됩니다. 세계경제포럼은 2025년까지 인공 지능 및 기계 학습 분야를 포함하여 기술 발전과 자동화가 9천 7백만 개의 새로운 기술 일자리를 창출할 것으로 추정합니다. 그러나 해당 연구에 따르면 전 세계적으로 AI 직업에서 여성의 점유율은 32%에 불과합니다. Pew Research Center는 미국의 흑인 및 히스패닉 근로자가 각각 과학, 기술, 공학 및 수학(STEM) 분야의 근로자 중 9%와 8%에 불과하다는 사실을 발견했습니다. Amazon은 기술이 포용적이고 다양하며 공평한 방식으로 구축되어야 한다고 생각합니다. 당사는 이미 STEM 프로그램을 제공하여 소수 집단이 기술을 쌓거나 발전시키고 새로운 취업 가능성을 열 수 있도록 지원합니다. [ more… ]

Amazon Elastic Container Registry를 위한 풀 스루 캐시 리포지토리 발표 컨테이너를 사용하여 애플리케이션을 호스팅하기로 선택한 조직, 개발 팀 및 개인 개발자는 고가용성과 보안을 활용하기 위해 Amazon Elastic Container Registry로부터 모든 이미지를 소싱하는 것이 필수적이거나 선호 사항일 수 있습니다. 이러한 요구 사항을 충족하기 위해 고객은 퍼블릭 레지스트리에서 프라이빗 Amazon Elastic Container Registry 리포지토리로 이미지를 수동으로 가져온 다음 동기화를 유지해야 하는 부담을 감수해야 했습니다. 이로 인해 운영 복잡성과 유지 관리 비용이 증가하여 개발자 생산성에 영향을 미칩니다. 또한 일부 레지스트리는 이미지를 다운로드할 수 있는 빈도에 대한 한도 또는 제한이 있을 수 있습니다. 이러한 제한에 도달하면 이미지 풀이 제한되거나 거부될 때 빌드 오류로 인해 개발자와 비즈니스의 출시 속도에 영향을 미치기 시작합니다. 오늘, 인증 없이 공개적으로 액세스 가능한 레지스트리에 대해 Amazon Elastic Container Registry에서 풀 스루 캐시(pull through cache) 리포지토리 지원을 발표했습니다. 풀 스루 캐시 리포지토리는 개발자가 퍼블릭 레지스트리로부터 소싱한 컨테이너 이미지에 대해 Amazon Elastic [ more… ]

Karpenter 소개 – 오픈 소스 고성능 Kubernetes 클러스터 오토스케일러 이제 Karpenter를 프로덕션에 적용할 준비를 마쳤습니다. Karpenter는 AWS로 구축된 유연한 오픈 소스의 고성능 Kubernetes 클러스터 오토스케일러입니다. 애플리케이션 로드의 변화에 대응하여 적절한 크기의 컴퓨팅 리소스를 신속하게 실행함으로써 애플리케이션 가용성과 클러스터 효율성을 개선할 수 있습니다. 또한 Karpenter는 애플리케이션의 요구 사항을 충족하는 컴퓨팅 리소스를 적시에 제공하며, 앞으로 클러스터의 컴퓨팅 리소스 공간을 자동으로 최적화하여 비용을 절감하고 성능을 개하게 됩니다. Karpenter 이전에는 Kubernetes 사용자가 Amazon EC2 Auto Scaling 그룹과 Kubernetes Cluster Autoscaler를 사용하는 애플리케이션을 지원하기 위해 클러스터의 컴퓨팅 파워를 동적으로 조정해야 했습니다. AWS를 사용하는 Kubernetes 고객 중 거의 절반이 Kubernetes Cluster Autoscaler를 사용하여 클러스터 Auto Scaling을 구성하기가 어렵고 구성할 수 있는 범위가 제한적이라고 토로합니다. Karpenter가 클러스터에 설치되면 Karpenter는 예약되지 않은 포드의 전체 리소스 요청을 관찰하고 새 노드를 시작하고 종료하는 결정을 내림으로써 예약 대기 시간과 인프라 비용을 줄입니다. 이를 위해 Karpenter는 Kubernetes 클러스터 내의 이벤트를 관찰한 다음 [ more… ]

AWS Lake Formation – 자동 압축, 행 및 셀 단위 권한 제어 가능한 테이블 관리 기능 출시 데이터 레이크는 데이터 사일로를 분해하고, 다양한 유형의 분석을 중앙집중식 리포지토리로 결합하는 데 도움이 될 수 있습니다. 모든 정형 및 비정형 데이터를 이 리포지토리에 저장할 수 있습니다. 그러나 데이터 레이크를 설정 및 관리하려면, 수동의, 복잡하고 시간이 많이 걸리는 수동 작업이 많이 필요합니다. AWS Lake Formation을 사용하면 몇 주 또는 몇 개월이 아닌 며칠 만에 안전한 데이터 레이크를 쉽게 설정할 수 있습니다. 오늘 저는 데이터 로딩, 스토리지 최적화 및 데이터 레이크에 대한 액세스 관리를 간소화하는 몇 가지 새로운 기능의 일반적인 가용성을 공유하게 되어 기쁩니다. 관리형 테이블 – 규모에 관계없이 데이터를 간편하고 안정적으로 수집 및 관리할 수 있는 새로운 유형의 Amazon Simple Storage Service(Amazon S3) 테이블입니다. 관리형 테이블은 ACID 트랜잭션을 지원하므로, 여러 사용자가 여러 개의 관리형 테이블에서 동시에, 안정적으로 데이터를 삽입 및 삭제할 수 있습니다. 또한 [ more… ]

Amazon Redshift Serverless 미리보기 – 데이터 웨어하우스 인프라 관리할 필요 없이 대규모 분석 실행 기존 데이터 웨어하우스를 관리할 전문성 또는 시간이 부족한 개발자 또는 LOB 분석가 등의 사용자처럼 조직 내 새로운 고객들로 데이터 분석 사용이 확대되고 있습니다. 또한 일부 고객은 워크로드가 예측할 수 없는 급격한 증가로 가변적이어서 지속적인 용량 관리가 매우 어려울 수 있습니다. Amazon Redshift를 사용하면 SQL을 사용하여 데이터 웨어하우스, 운영 데이터베이스 및 데이터 레이크에 걸쳐 구조화된 데이터와 반정형 데이터를 분석할 수 있습니다. 오늘은 규모에 상관 없이 고성능으로 클라우드에서 분석을 매우 쉽게 실행할 수 있는 새로운 기능인 미리 보기(Amazon Redshift 서버리스)를 소개하게 되어 기쁩니다. 데이터를 로드하고 쿼리를 시작하기만 하면 됩니다. 클러스터를 설정하고 관리할 필요가 없습니다. 예를 들어 데이터를 쿼리 또는 로드하는 동안과 같이 데이터 웨어하우스가 사용 중인 기간(초)에 대해 비용을 지불합니다. 데이터 웨어하우스가 유휴 상태일 때는 요금이 부과되지 않습니다. Amazon Redshift 서버리스는 시작하기 위해 필요한 적합한 컴퓨팅 리소스를 자동으로 [ more… ]