기계 학습 및 인공 지능의 진화
[ 고지 사항 (Disclaimer) ]
본 컨텐츠는 고객의 편의를 위하여 AWS 서비스 설명을 위해 제작, 제공된 것입니다. 만약 AWS 사이트와 컨텐츠 상에서 차이나 불일치가 있을 경우 AWS 사이트 (AWS.amazon.com)가 우선합니다. 또한 AWS 사이트 상에서 한글 번역문과 영어 원문에 차이나 불일치가 있을 경우(번역의 지체로 인한 경우 등 포함), 영어 원문이 우선합니다.
본 문서는 Machine Learning Foundations 내용에 기반하여 작성 되었습니다.
이 문서는 정보 제공의 목적으로만 제공됩니다. 본 문서의 발행일 당시 AWS의 현재 제품 오퍼링 및 실행방법 등을 설명하며, 예고 없이 변경될 수 있습니다. 고객은 본 문서에 포함된 정보나 AWS 제품 또는 서비스의 사용을 독립적으로 평가할 책임이 있으며, 각 정보 및 제품은 명시적이든 묵시적이든 어떠한 종류의 보증 없이 “있는 그대로” 제공됩니다. 본 문서는 AWS, 그 자회사, 공급업체 또는 라이선스 제공자로부터 어떠한 보증, 표현, 계약 약속, 조건 또는 보장을 구성하지 않습니다. 고객에 대한 AWS의 책임 및 의무는 AWS 계약에 의해 관리되며 본 문서는 AWS와 고객 사이의 어떠한 계약에도 속하지 않으며 계약을 변경하지도 않습니다.
© 2020, Amazon Web Services, Inc. or its affiliates. All rights reserved.
[ AWS 백서 번역 시리즈 ]
개요
AI (인공 지능) 및 ML (머신 학습)은 전 세계 비즈니스맨, 기술자 및 연구원이 관심을 갖는 용어입니다. 용어에 대한 대부분의 설명은 실제 관계를 지나치게 단순화합니다. 이 백서에서는 인공 지능 이해를 위한 기초를 제공하고, AI가 기계 학습 기반을 기반으로 하는 방법을 설명하고, AWS 기계 학습 서비스에 대한 개요를 제공합니다.
소개
인공 지능 (AI)과 기계 학습 (ML)의 관계를 논의하는 대부분의 기사는 ML이 AI 내에서 연구 분야 또는 영역이라는 사실에 중점을 둡니다. 역사적으로 사실이지만 더 강력한 관계가 존재합니다. 성공적인 인공 지능 응용 프로그램은 ML 기술의 기초를 사용하여 거의 모두 구현됩니다. 기계 학습은 구성 요소 대신 현대 AI의 기초가 되었습니다.
이 이론을 뒷받침하기 위해 AI 시스템과 응용 프로그램이 처음 30 년 동안 작동 한 방식과 오늘날의 작동 방식을 검토합니다. AI의 원래 구조와 접근 방식에 대한 개요부터 시작하여 머신 러닝의 발전을 자체 분야로 설명하고 ML이 현대 AI의 기반을 제공하는 방법을 보여주고 AWS가 머신 러닝을 사용하여 고객을 지원하는 방법을 검토합니다. AI와 ML이 처음 나타나는 것처럼 쉽게 구별되지 않는 이유에 대한 관찰로 결론을 내립니다.
인공 지능의 진화
Symbolic 인공 지능
컴퓨터 과학의 한 분야 인 인공 지능은 1950 년대에 시작되었습니다. 두 가지 주요 목표는 1) 컴퓨터에서 모델링하고 시뮬레이션하여 인간 지능을 연구하고 2) 인간처럼 복잡한 문제를 해결하여 컴퓨터를 더 유용하게 만드는 것입니다.
처음부터 1980 년대까지 대부분의 AI 시스템은 일반적으로 기능적, 선언적 또는 기타 고급 언어 (예 : LISP 또는 Prolog)로 직접 프로그래밍 되었습니다. 특정 영역 (예 : 계획의 STRIPS)에 대해 여러 가지 사용자 지정 언어가 만들어졌습니다. 언어 내의 기호는 실제 또는 추상적 아이디어의 개념을 나타내고 대부분의 지식 표현의 기초를 형성했습니다.
AI 실무자들은 검색 알고리즘, 그래프 데이터 구조 및 문법과 같은 표준 컴퓨터 과학 기술을 사용했지만 문제의 복잡성 때문에 알고리즘 보다는 경험적 규칙을 사용하는 휴리스틱이 상당히 많았습니다. AI 솔루션을 제작하는 데 어려움이 있는 부분은 시스템을 성공적으로 만들려면 모든 조건부, 규칙, 시나리오 및 예외를 프로그래밍 방식으로 코드에 추가해야한다는 것이었습니다.
인공 지능 영역
연구자들은 일반적인 인공 지능에 관심이 있거나 인간과 구별 할 수없는 방식으로 시스템으로 작동 할 수있는 기계를 만드는 데 관심이 있었지만 복잡성으로 인해 지각, 추론, 기억, 언어와 같은 특정 영역의 문제를 해결하는 데 중점을 두었습니다. , 모션 등이 있습니다. 현재 주요 AI 도메인이 다음 표에 나열되어 있습니다.
인공 지능 일러스트
다음 다이어그램에서 하위 레벨은 각 도메인에서 솔루션을 빌드하는 데 사용되는 도구 및 기초를 제공하는 계층을 나타냅니다. 예를 들어 기본 도메인 아래에는 당시에 일반적으로 사용 된 많은 추론 메커니즘 및 지식 표현이 샘플링되어 있습니다.
샘플 지식 표현은 시스템에 의해 추론 될 지식 및 정보를 저장했습니다. 일반적인 지식 표현 범주에는 구조화 (예 : 지식 그래프와 같은 객체 및 의미 네트워크와 비교할 수있는 프레임)와 논리 기반 (예 : 명제 및 술어 논리, 모달 논리 및 문법)이 포함됩니다. 다른 유형의 모델에 비해 이러한 상징적 지식 표현의 장점은 투명하고 설명 가능하며 구성 가능하며 수정 가능하다는 것입니다. 이들은 여러 유형의 추론 또는 추론 메커니즘을 지원하며, 지식 표현을 조작하여 문제를 해결하고 문장을 이해하며 각 영역에 솔루션을 제공합니다.
AI 언어 스타일 및 인프라 계층에는 현재 AI 시스템을 개발하는 데 사용되는 일부 언어 및 인프라가 표시됩니다. 둘 다 전문화 되어 외부 데이터 또는 엔터프라이즈 시스템과 쉽게 통합되지 않습니다.
체스와 전화의 질문
당시의 질문은“해결하기 어려운 문제 : 전화에 응답하거나 마스터 수준에서 체스를 하는 것”이었습니다. 그 대답은 대부분의 사람들에게 반 직관적입니다. 어린이조차도 전화를 제대로 받을 수 있지만 마스터 레벨에서 체스를 하는 사람은 거의 없습니다. 그러나 전통적인 AI의 경우 체스가 완벽한 문제입니다. 경계가 넓고 이해하기 어려운 움직임이 있으며 게임의 상태 공간에 대한 휴리스틱 검색을 사용하여 해결할 수 있습니다. 반면에 전화를 받는 것은 매우 어렵습니다. 이를 위해서는 음성 인식 및 합성, 자연어 처리, 문제 해결, 지능적인 정보 검색, 복잡한 행동 계획 및 잠재적 수행 등 상징적 인공 지능에 어려운 복합 기술이 필요합니다.
Symbolic AI의 성공
일반적으로 기대치가 높아진 기대에 비추어 실망스러운 결과를 낳는 것으로 간주되는 Symbolic AI는 여러 가지 성공을 거두었습니다. 유용한 것으로 여겨지는 대부분의 소프트웨어는 오늘날 소프트웨어 개발에 사용되는 알고리즘과 데이터 구조로 바뀌었습니다. 일반적으로 사용되는 비즈니스 규칙 엔진은 AI의 전문가 시스템 추론 엔진 및 셸에서 파생되었습니다. AI 실험실에서 인정하거나 개발 한 다른 일반적인 컴퓨팅 개념에는 시간 공유, 빠른 반복 개발, 마우스 및 GUI (그래픽 사용자 인터페이스)가 포함됩니다. 아래 목록은 인공 지능에 대한이 접근 방식의 장점과 한계를 설명합니다.
Symbolic AI와 관련된 연구 자금이 사라짐에 따라 많은 연구원과 실무자들은 다양하고 실용적인 정보 검색 및 검색, 데이터 마이닝 및 다양한 형태의 기계 학습에 관심을 돌 렸습니다.
기계 학습의 부상
1980 년대 후반에서 2000 년대까지 신경망, 생물학적 및 진화 기법, 수학적 모델링을 포함한 여러 가지 머신 러닝 접근법이 연구되었습니다. 이 기간 초에 가장 성공적인 결과는 머신 러닝에 대한 통계적 접근 방식에 의해 달성되었습니다. 선형 및 로지스틱 회귀, 분류, 의사 결정 트리 및 커널 기반 방법 (예 : Support Vector Machine)과 같은 알고리즘이 인기를 얻었습니다.
나중에 딥 러닝은 복잡한 문제를 해결하기 위해 신경망을 구조화하고 훈련시키는 강력한 방법으로 입증되었습니다. 학습에 대한 기본 접근 방식은 비슷하지만 딥 러닝의 성공을 이끄는 몇 가지 개선 사항이 있습니다.
- 더 많은 레이어를 가진 훨씬 더 큰 네트워크
- 수천에서 수백만 건의 학습 예제가 포함 된 거대한 데이터 세트
- 신경망 성능, 일반화 기능 및 여러 서버에 학습을 분산시키는 기능에 대한 알고리즘 개선
- 대규모 데이터 세트를 사용하여 복잡한 네트워크 구조를 학습하는 데 필요한 더 많은 계산을 처리 할 수있는 더 빠른 하드웨어 (예 : GPU 및 Tensor Core)
딥 러닝 은 Symbolic AI가 할 수 없었던 복잡한 문제를 해결하는 데 중요합니다. 딥 러닝 성공의 한 가지 요소는 자체적으로 발견 된 기능을 공식화, 식별 및 사용하는 능력입니다. 딥 러닝 알고리즘은 검색 대상을 결정하려는 사람들 대신 가장 두드러진 기능을 자동으로 식별했습니다.
시각, 자연어 이해, 음성 인식, 복잡한 동작 및 조작과 같은 상징적 인공 지능에 다루기 어려운 문제가 종종 해결되고 있으며, 종종 인간의 능력에 근접하거나 능가하는 정확도로 해결됩니다. 오늘날 전화에 응답하거나 마스터 수준에서 체스를 재생하는 기계에 대한 질문에 대한 답변이 점점 어려워지고 있습니다. 아직 수행해야 할 중요한 작업이 있지만 머신 러닝은 인간과의 직접적인 대화를 포함하여 여러 영역에서 머신이 더 많은 사람처럼 작동 할 수 있도록 상당한 발전을 이루었습니다.
기계 학습은 그 자체로 컴퓨터 과학의 한 분야가 되었습니다. 구체적이고 실용적인 인공 지능 문제를 해결하는 것이 중요합니다.
AI는 새로운 기초를 가지고 있습니다.
오늘날 인공 지능은 더 이상 기본적으로 상징적 지식 표현과 프로그래밍 된 추론 메커니즘에 의존하지 않습니다. 대신, 현대 AI는 새로운 기초 인 머신 러닝을 기반으로 합니다. 기존의 수학 기반 머신 러닝의 모델 또는 의사 결정 트리이든, 딥 러닝의 신경망 아키텍처이든, 오늘날 AI 도메인 전체의 대부분의 인공 지능 응용 프로그램은 머신 러닝 기술을 기반으로 합니다.
이 인공 지능의 새로운 구조는 다음 다이어그램에 나와 있습니다. 이 다이어그램의 구조는 인공 지능 시스템의 기초와 본질이 어떻게 변했는지를 보여주기 위해 상징적 AI의 다이어그램과 유사합니다. 다이어그램의 최상위 계층에 있는 일부 도메인 (자연 언어, 음성 인식 및 비전)은 동일하게 유지되지만 다른 도메인은 변경되었습니다. Symbolic AI에 대해 그림 1에서 볼 수 있는 광범위한 문제 해결 범주 대신, 예측 및 추천 시스템에 대한 두 가지 더 집중된 범주가 있으며, 오늘날 개발 되고 있는 주요 문제 해결 시스템입니다. 또한 기존 로봇 기술 외에도 자율 주행 차가 포함되어있어 자율 주행 차 및 드론의 최근 프로젝트를 강조하고 있습니다. 마지막으로 AI 도메인의 기반이 되었으므로 머신 러닝은 더 이상 최상위 도메인에 포함되지 않습니다.
머신 러닝에는 여전히 많은 질문과 과제가 있습니다. 다음 목록은 머신 러닝 기반을 기반으로 한 인공 지능의 장점과 한계를 제공합니다.
표 2와 표 3에서 중요한 것은 그것들이 다소 보완적이라는 것입니다. ML 기반 AI는 상징적 AI의 장점을 활용할 수 있습니다. 의사 결정 트리 자동 학습을 포함한 일부 ML 접근 방식은 이미 두 가지 접근 방식을 효과적으로 병합합니다. 활발한 연구는 두 가지 접근법의 강점과 많은 공개 된 질문을 결합하는 다른 수단에 대한 연구를 계속하고 있습니다.
오늘날의 AI는 오랫동안 연구원과 데이터 과학자의 영역인 기계 학습의 새로운 토대 위에 구축되었다고 가정 할 때 다양한 조직의 다양한 배경을 가진 사람들이 이를 활용할 수 있는 가장 좋은 방법은 무엇입니까?
AWS와 머신 러닝
AWS는 머신 러닝을 민주화하기 위해 노력하고 있습니다. AWS의 목표는 다양한 수준의 학습 및 경험을 보유한 고객과 전체 조직에 걸쳐 머신 러닝을 널리 액세스 할 수 있도록 하는 것입니다. AWS는 빠르게 혁신하여 고객의 요구에 따라 우선 순위를 정한 고객을 위한 서비스와 기능을 만듭니다. 머신 러닝 서비스도 예외는 아닙니다. 아래 다이어그램에서 현재 AWS Machine Learning 서비스가 다른 AI 다이어그램에 어떻게 매핑되는지 확인할 수 있습니다.
빌더를 위한 AWS 머신 러닝 서비스
첫 번째 계층은 예측, 추천, 자연어, 연설, 비전 또는 기타 기능이 필요한 특정 솔루션을 작성하는 빌더를 위한 AI 서비스를 보여줍니다. 이러한 지능형 서비스는 기계 학습, 특히 딥 러닝 모델을 사용하여 만들어지지만 개발자가 기계 학습에 대한 지식이 없어도 사용할 수 있습니다. 대신 이러한 기능은 사전 학습을 받고 API 호출을 통해 액세스 할 수 있으며 고객에게 애플리케이션에 인텔리전스를 추가 할 수 있는 기능을 제공합니다.
Amazon Forecast
Amazon Forecast는 매우 정확한 예측을 제공하고 Amazon.com에서 사용 된 것과 동일한 기술을 기반으로 하는 완전 관리형 서비스입니다. 기록 데이터와 예측에 영향을 준다고 생각되는 추가 데이터를 제공합니다. Amazon Forecast는 데이터를 검사하고 의미가 있는 것을 식별하고 예측 모델을 생성합니다.
Amazon Personalize
Amazon Personalize를 통해 개발자는 애플리케이션을 사용하는 고객을 위해 개별화 된 제품 및 컨텐츠 권장 사항을 쉽게 만들 수 있습니다. 애플리케이션에서 활동 스트림, 권장하려는 항목의 인벤토리 및 사용자의 잠재적 인 인구 통계 정보를 제공합니다. Amazon Personalize는 데이터를 처리하고 검사하고 의미 있는 것을 식별하고 올바른 알고리즘을 선택하며 개인화 모델을 학습 및 최적화합니다.
Amazon Lex
Amazon Lex는 음성 및 텍스트를 사용하여 모든 애플리케이션에 대화형 인터페이스를 구축하기위한 서비스입니다. Amazon Lex는 ASR (자동 음성 인식)의 고급 딥 러닝 기능을 제공하여 음성을 텍스트로 변환하고 자연 언어 이해 (NLU)를 사용하여 텍스트의 의도를 인식하고 매우 매력적인 사용자 경험과 실감 있는 대화식으로 애플리케이션을 구축 할 수 있습니다. 상호 작용. Amazon Lex를 사용하면 모든 개발자가 Amazon Alexa를 지원하는 동일한 딥 러닝 기술을 사용할 수 있으므로 정교하고 자연스러운 대화 형 봇 ( “챗봇”)을 쉽고 빠르게 구축 할 수 있습니다.
Amazon Comprehend
Amazon Comprehend는 머신 러닝을 사용하여 텍스트에서 통찰력과 관계를 찾는 자연어 처리 (NLP) 서비스입니다. Amazon Comprehend는 텍스트 언어를 식별합니다. 주요 문구, 장소, 사람, 브랜드 또는 이벤트를 추출합니다. 텍스트가 얼마나 긍정적인지 부정적인지 이해하고 주제별로 텍스트 파일 모음을 자동으로 구성합니다.
Amazon Comprehend Medical
Amazon Comprehend Medical은 고급 기계 학습 모델을 사용하여 구조화 되지 않은 텍스트에서 관련 의료 정보를 추출하는 자연어 처리 서비스입니다. 추출 된 의료 정보 및 해당 관계를 사용하여 응용 프로그램을 빌드하거나 향상시킬 수 있습니다.
Amazon Translate
Amazon Translate는 빠르고 고품질의 저렴한 언어 번역을 제공하는 신경 기계 번역 서비스입니다. 신경 기계 번역은 딥 러닝 모델을 사용하여 기존 통계 및 규칙 기반 번역 알고리즘보다 더 정확하고 자연스러운 발음 번역을 제공하는 언어 번역 자동화 형식입니다. Amazon Translate를 사용하면 해외 사용자를 위해 웹 사이트 및 애플리케이션과 같은 콘텐츠를 현지화하고 대량의 텍스트를 효율적으로 쉽게 번역 할 수 있습니다.
Amazon Polly
Amazon Polly는 텍스트를 실제와 같은 음성으로 변환하는 서비스로, 대화하는 애플리케이션을 만들고 완전히 새로운 카테고리의 음성 지원 제품을 구축 할 수 있습니다. Amazon Polly는 고급 딥 러닝 기술을 사용하여 사람의 목소리처럼 들리는 음성을 합성하는 TTS (Text-to-Speech) 서비스입니다.
Amazon Transcribe
Amazon Transcribe는 자동 음성 인식 (ASR) 서비스로 개발자가 애플리케이션에 음성 텍스트 기능을 쉽게 추가 할 수 있습니다. Amazon Transcribe API를 사용하면 Amazon S3에 저장된 오디오 파일을 분석하고 서비스가 전사 된 음성의 텍스트 파일을 반환하도록 할 수 있습니다.
Amazon Rekognition
Amazon Rekognition을 사용하면 애플리케이션에 이미지 및 비디오 분석을 쉽게 추가 할 수 있습니다. 이미지나 비디오를 Rekognition API에 제공하기 만하면 서비스가 객체, 사람, 텍스트, 장면 및 활동을 식별하고 부적절한 컨텐츠를 감지 할 수 있습니다. Amazon Rekognition은 또한 매우 정확한 얼굴 분석 및 얼굴 인식을 제공합니다. 다양한 사용자 확인, 목록 작성, 인원 수 계산 및 공공 안전 사용 사례에 대해 얼굴을 감지, 분석 및 비교할 수 있습니다.
Amazon Textract
Amazon Textract는 스캔 된 문서 및 양식에서 텍스트와 데이터를 자동으로 추출하여 단순한 광학 문자 인식을 넘어서서 양식의 필드 내용과 테이블에 저장된 정보를 식별합니다.
맞춤형 ML 모델을위한 AWS Machine Learning Services
그림 3의 ML 서비스 계층은 개발자, 데이터 과학자, 연구원 및 기타 고객이 고유한 사용자 정의 ML 모델을 작성하는 데 사용하는 관리 서비스 및 리소스에 대한 액세스 권한을 제공합니다. 맞춤형 ML 모델은 추론 및 예측, 추천 시스템 및 자율 주행 차량 안내와 같은 작업을 처리합니다.
Amazon SageMaker
Amazon SageMaker는 개발자와 데이터 과학자가 모든 규모의 기계 학습 모델을 빠르고 쉽게 구축, 학습 및 배포 할 수 있도록 하는 완전히 관리되는 기계 학습 (ML) 서비스입니다. Amazon SageMaker Ground Truth는 능동 학습 모델을 사용하여 데이터에 레이블을 지정하고 기계 학습과 인간의 상호 작용을 결합하여 모델을 점진적으로 향상시키기 위해 훈련 데이터 세트를 빠르고 정확하게 구축하는 데 도움이 됩니다.
SageMaker는 일반적인 사용 사례를 해결하기 위해 완전히 관리되고 사전 구축 된 Jupyter 노트북을 제공합니다. 이 서비스에는 여러 개의 내장 된 고성능 알고리즘이 포함되어 있으며 100 개 이상의 사전 훈련 된 ML 모델 및 알고리즘을 포함하는 머신 러닝을 위한 AWS Marketplace가 있습니다. Docker 컨테이너에 내장 된 자체 알고리즘 및 프레임 워크를 가져올 수도 있습니다.
Amazon Sagemaker에는 완벽하게 관리되는 내장형 RL (Reinforcement Learning) 알고리즘이 포함되어 있습니다. RL은 사전 레이블이 지정된 과거 데이터가 없지만 최적의 결과가 있는 상황에 이상적입니다. RL은 보상과 패널티를 사용하여 훈련하며, 이는 모델을 원하는 행동으로 향하게 합니다. SageMaker는 TensorFlow 및 MXNet을 포함한 여러 프레임 워크 및 사용자 정의 개발 프레임 워크에서 RL을 지원합니다.
SageMaker는 학습 환경을 설정 및 관리하고 모델을 최대한 정확하게 만들기 위해 자동 모델 튜닝을 통해 하이퍼 파라미터 최적화를 제공합니다. Sagemaker Neo를 사용하면 동일한 훈련 된 모델을 여러 플랫폼에 배포 할 수 있습니다. 기계 학습을 사용하여 Neo는 모델의 성능과 크기를 최적화하고 Neo 런타임이 포함 된 에지 장치에 배포합니다. AWS는 Apache Software License에 따라 GitHub에서 오픈 소스 Neo-AI 프로젝트로 코드를 출시했습니다. SageMaker 배포는 모델을 여러 가용 영역에 분산하여 실행하여 고성능과 고 가용성을 제공합니다.
Amazon EMR/EC2 with Spark/Spark ML
Amazon EMR은 동적으로 확장 가능한 Amazon EC2 인스턴스에서 방대한 양의 데이터를 쉽고 빠르고 비용 효율적으로 처리 할 수 있는 관리형 Hadoop 프레임 워크를 제공합니다. Amazon EMR의 Spark ML 머신 러닝 라이브러리, HBase, Presto 및 Flink를 포함하여 Apache Spark와 같은 널리 사용되는 다른 분산 프레임 워크를 실행하고 Amazon S3 및 Amazon DynamoDB와 같은 다른 AWS 데이터 스토어의 데이터와 상호 작용할 수도 있습니다. Spark 및 Spark ML은 Amazon EC2 인스턴스에서 실행되어 데이터를 사전 처리하거나 기능을 엔지니어링하거나 기계 학습 모델을 실행할 수 있습니다.
주목받는 개발자 프레임 워크
ML Services와 함께 Aspiring Developers Framework 계층이 있습니다. ML 기술 및 기술을 사용자에게 가르치는 데 중점을 둔이 계층은 대규모 프로덕션 용도로 사용되지 않습니다. 현재 주목받는 개발자 프레임 워크는 두 가지 서비스 오퍼링으로 구성됩니다.
AWS DeepLens
AWS DeepLens는 완전 프로그래밍 가능한 비디오 카메라, 자습서, 코드 및 딥 러닝 기술을 확장하도록 설계된 사전 훈련 된 모델을 통해 개발자가 딥 러닝을 할 수 있도록 도와줍니다. DeepLens는 신경망을 사용하여 컴퓨터 비전 프로젝트, 자습서 및 실제 장치를 통한 실제 실습을 통해 예측하고 배우는 기회를 제공합니다.
AWS DeepRacer
AWS DeepRacer는 1/18 스케일 경주용 자동차로 강화 학습 (RL)을 시작하는 방법을 제공합니다. AWS DeepRacer는 Amazon SageMaker에서 모델을 구축하고 시뮬레이터를 테스트하고 RL 모델을 차량에 배포하여 RL을 실험하고 학습 할 수 있는 수단을 제공합니다.
ML 엔진 및 프레임 워크
ML 플랫폼 계층 아래에는 ML 엔진 및 프레임 워크 계층이 있습니다. 이 계층은 가장 많이 사용되는 머신 러닝 도구에 대한 직접적인 실습 액세스를 제공합니다. 이 계층에는 클라우드에서 딥 러닝을 가속화하기 위한 인프라와 도구를 갖춘 AWS 딥 러닝 AMI가 있습니다. AMI는 몇 가지 중요한 도구와 프레임 워크를 함께 패키지하고 Apache MXNet, TensorFlow, PyTorch, Microsoft Cognitive Toolkit (CNTK), Caffe, Caffe2, Theano, Torch, Gluon, Chainer 및 Keras와 함께 사전 설치되어 정교하고 맞춤형 AI를 교육합니다. 모델. 딥 러닝 AMI를 사용하면 대규모 교육을 위한 관리형 자동 스케일링 GPU 클러스터를 생성하거나 컴퓨팅 최적화 또는 범용 CPU 인스턴스가 있는 훈련 된 모델에서 추론을 실행할 수 있습니다.
ML 모델 교육 및 배포 지원
Infrastructure & Serverless Environments 계층은 기계 학습 모델의 교육 및 배포를 지원하는 도구를 제공합니다. 기계 학습에는 컴퓨팅 집약적 딥 러닝을위한 GPU, 특수 하드웨어 가속을위한 FPGA, 추론 실행을위한 고용량 메모리 인스턴스에 이르는 광범위한 강력한 컴퓨팅 옵션이 필요합니다.
Amazon Elastic Compute Cloud (Amazon EC2)
Amazon EC2는 머신 러닝 사용 사례에 맞게 최적화 된 다양한 인스턴스 유형을 제공합니다. 인스턴스 유형은 CPU, 메모리, 스토리지 및 네트워킹 용량의 다양한 조합으로 구성되며, 훈련 모델이든 훈련 된 모델에 대한 추론 실행에 관계없이 적절한 리소스 조합을 선택할 수 있는 유연성을 제공합니다.
Amazon Elastic Inference
Amazon Elastic Inference를 사용하면 모델을 예측하기 위해 저렴한 GPU 기반 가속을 Amazon EC2 및 Amazon SageMaker 인스턴스에 연결할 수 있습니다. Elastic Inference는 대부분의 모델에 필요한 것보다 전체 GPU를 연결하는 대신 특정 모델에 적합한 가속도를 별도로 구성하여 최대 75 %까지 절약 할 수 있습니다.
Amazon Elastic Container Service (Amazon ECS)
Amazon ECS는 Amazon SageMaker의 훈련 된 기계 학습 모델 및 컨테이너화 된 Spark ML을 포함하여 컨테이너화 된 애플리케이션 실행 및 확장을 지원합니다.
Serverless Options
서버리스 옵션은 특정 인프라 관리 부담을 없애고 고객이 시스템을 실행하는 데 필요한 ML 모델 및 기타 논리를 배포하는 데 집중할 수 있도록 합니다. AWS에서 제공하는 일부 서버리스 ML 배포 옵션에는 Amazon SageMaker 모델 배포, 컨테이너용 AWS Fargate 및 서버리스 코드 배포용 AWS Lambda가 포함됩니다.
ML at the Edge
AWS는 또한 Amazon SageMaker Neo 및 AWS IoT Greengrass ML 추론을 사용하여 연결된 디바이스에서 로컬로 실행하기 위해 ML 모델을 엣지로 푸시하는 옵션을 제공합니다. 이를 통해 고객은 클라우드에서 구축 및 교육 된 ML 모델을 사용하고 연결된 장치에서 로컬로 ML 유추를 배포 및 실행할 수 있습니다.
결론
많은 사람들이 AI와 ML이라는 용어를 서로 바꿔서 사용합니다. 표면적으로 이것은 역사적으로 기계 학습이 AI 내부의 도메인 일 뿐이며 AI가 훨씬 광범위한 시스템 세트를 다루기 때문에 올바르지 않습니다.
오늘날 머신 러닝의 알고리즘과 모델은 전통적인 상징적 추론, 지식 표현 및 언어를 대체합니다. 대규모 데이터 세트에 대한 교육은 수작업으로 코딩 된 알고리즘과 휴리스틱 방식을 대체했습니다. Symbolic AI 방법을 사용하여 다루기 어려운 것처럼 보이는 문제는 이 방법을 사용하여 놀라운 결과를 일관되게 모델링합니다. 실제로 머신 러닝은 대부분의 최신 AI 시스템의 기초가 되었습니다. 따라서 AI와 ML이라는 용어를 서로 바꿔서 사용하는 것이 오늘날 그 어느 때 보다 더 의미가 있습니다.
AWS는 사전 훈련 된 즉시 사용 가능한 서비스부터 사용자 지정 ML 모델을 생성하기 위한 가장 널리 사용되는 도구 및 프레임 워크에 이르기까지 다양한 머신 러닝 제품을 제공합니다. 산업 전반에 걸쳐 다양한 수준의 경험을 보유한 고객은 ML 기능을 추가하여 기존 시스템을 개선하고 이전에는 액세스 할 수 없었던 영역에서 최첨단 응용 프로그램을 만들 수 있습니다.
AWS는 IT 인프라 비용을 절감하고 기업의 핵심가치에 더욱 집중할 수 있도록 합니다.
AWS에 대한 자세한 문의사항은 여기를 눌러 주세요.
빌드업웍스는 AWS 컨설팅 파트너로 고객 비즈니스를 최우선으로 하며 고객의 클라우드의 성공적인 시작과 운영을 지원합니다.
