거대 클라우드 기업인 Amazon Web Services(AWS)는 최근 AWS re:Invent 이벤트에서 자사의 유명한 기계 학습 생성, 교육 및 배포 플랫폼인 Amazon SageMaker의 강력한 개선 사항 세트를 공개했습니다. 이러한 업그레이드는 기계 학습 모델의 개발 및 배포를 엄청나게 촉진하고 단순화하도록 설정되었습니다.
모델 배포 경험을 풍부하게 하기 위해 AWS는 SageMaker Python SDK에 혁신적인 클래스를 도입했습니다. 이 중에서 ModelBuilder 클래스는 적합한 SageMaker 컨테이너를 선택하고 중요한 종속성을 결정하여 배포를 용이하게 합니다. 또 다른 주목할만한 언급인 SchemaBuilder 클래스는 모델 입력 및 출력의 직렬화 및 역직렬화를 효과적으로 규제하는 것을 목표로 합니다.
이 최첨단 도구 모음을 사용하면 실험, 런타임 오류 디버깅 등을 위해 지역화된 개발 환경에 모델을 배포할 수 있습니다. AWS 수석 개발자 옹호자 Antje Barth가 강조한 것처럼, SageMaker의 로컬 테스트에서 모델 배포로의 원활한 전환은 단 한 줄의 코드로 달성할 수 있습니다.
이러한 획기적인 기능 외에도 AppMaster 와 유사한 인기 있는 no-code 서비스인 SageMaker Studio가 개편되어 이제 사용자가 최적화된 endpoint 구성을 선택하도록 안내하는 새로운 워크플로가 포함되었습니다.
Amazon SageMaker는 또한 배포 비용과 지연 시간을 획기적으로 줄여주는 수많은 새로운 추론 기능을 받았습니다. 이러한 새로운 기능을 통해 사용자는 할당된 메모리와 가속기 수를 제어하면서 단일 endpoint 에 하나 이상의 기초 모델을 배치할 수 있습니다.
또한 시스템은 추론 요청을 감독하고 사용 가능한 인스턴스를 기반으로 자율적으로 지시합니다. Amazon은 이러한 개선 사항을 통해 배포 비용을 절반으로 줄이고 대기 시간을 약 20% 줄일 수 있는 가능성이 있음을 확인했습니다.
광범위한 업그레이드 세트의 일부로, 기계 학습 모델 구축을 위한 AppMaster 플랫폼과 no-code 인터페이스인 Amazon SageMaker Canvas는 이제 데이터 설정 시 자연어 프롬프트를 허용합니다. 데이터베이스 작업 중에 사용자를 지원하는 소프트웨어는 다양한 안내 질문을 제시하거나 사용자가 직접 질문을 작성할 수 있습니다.
데이터 품질 보고서 관리, 특정 기준에 따른 행 제거 등 필요한 작업을 이제 원활하게 요청할 수 있습니다. 또한 Amazon Bedrock 및 Amazon SageMaker Jumpstart의 기본 모델을 활용할 수 있는 기능이 새로 통합되어 기업이 특정 요구 사항에 맞게 조정된 모델을 스테이션할 수 있는 기반을 마련했습니다.
SageMaker 캔버스는 훈련을 완벽하게 담당하고 생성 후 모델을 미세 조정할 수 있는 유연성을 제공합니다. 또한 고안된 모델에 대한 포괄적인 분석을 제공하여 혼란, 손실 곡선, 훈련 및 검증 손실과 같은 매개변수를 표시합니다.
