[AWS] SageMaker Studio 알아보기
Amazon SageMaker를 통해 내부 기계 학습 환경을 AWS Cloud 환경으로 옮기고, MLOps를 지원할 수 있도록 구성하는 작업을 진행 중에 있습니다. Amazon SageMaker의 Studio를 통해 웹 기반 시각적 인터페이스로 학습 데이터 준비부터 기계 학습 모델 구축, 훈련, 배포에 이르기까지 모든 기계 학습(ML) 개발 단계를 손쉽게 수행할 수 있는데요. Amazon SageMaker의 Studio가 무엇인지 좀 더 알아보는 시간을 가져보겠습니다.
주요 기능
Amazon SageMaker Studio의 주요 기능 다섯 가지는 아래와 같습니다.
- Jupyter 노트북에서 코드 작성 및 실행
- 기계 학습을 위한 데이터 준비
- 기계 학습 모델 빌드 및 훈련
- 모델 배포 및 예측 성능 모니터링
- 기계 학습 실험의 추적 및 디버그
그 외의 세부적인 기능으로는 데이터로부터 모델을 자동으로 생성하는 기능인 Autopilot, 데이터 전처리 및 시각화를 위한 인터페이스를 제공하는 Data Wrangler, 모델의 관리와 버전 관리를 위한 중앙 저장소 기능인 Model Registry 등 여러가지 기능을 제공하고 있습니다.
작동 방식
작동 방식을 확인해보면 실제 학습 데이터를 준비하고 학습 시 사용할 수 있도록 저장 및 가공하는 작업을 거치게 됩니다. 그 이후에는 모델을 학습하고, 학습이 완료된 모델은 저장하여 관리하거나 실제 운영 환경에 자동으로 배포할 수 있습니다. 또한 생성된 모델을 자동으로 테스트하고, 테스트 결과를 모니터링 등을 통해 확인할 수도 있습니다.
화면
Amazon SageMaker 메인 화면에서 Studio 메뉴를 통해 접근할 수 있으며 Open Studio 버튼을 클릭하여 웹 기반 인터페이스르를 접근할 수 있습니다.
웹 기반 인터페이스에서는 Data, AutoML, Notebook jobs, Pipelines 등의 여러가지 기능을 관리할 수 있습니다.
Running Terminals and Kernels 메뉴에서는 현재 실행되고 있는 Studio Notebook과 Notebook Instance, Teminal 등을 확인하고 관리할 수 있습니다.
이 외에도 SageMaker에서 사용할 수 있는 다양한 기능들을 Studio를 통해 사용하실 수 있습니다.
지금까지 Amazon SageMaker의 Studio가 무엇인지 알아보는 시간이었습니다....! 끝...!
[Reference]
'AWS > SageMaker' 카테고리의 다른 글
| [AWS] SageMaker S3 버킷에 저장된 학습 데이터 사용하기 (0) | 2023.07.05 |
|---|---|
| [AWS] SageMaker에서 PyTorch를 활용한 기계 학습 환경 구축하기 (0) | 2023.07.04 |
| [AWS] SageMaker Notebook 알아보기 (0) | 2023.05.18 |
| [AWS] Amazon SageMaker 알아보기 (0) | 2023.04.27 |