[AWS SAA] Machine Learning

junghan·2023년 3월 22일

AWS SAA

목록 보기

43/51

Amazon Rekognition

ML을 사용하여 이미지 및 동영상에서 개체, 사람, 텍스트, 장면 찾기
사용자 확인을 위한 안면 분석 및 안면 검색, 사람 수 계산 • "익숙한 얼굴" 데이터베이스 생성 또는 유명인과 비교
- 사용 사례:
  - 라벨링
  - 콘텐츠 조정
  - 텍스트 감지
  - 얼굴 감지 및 분석(성별, 연령대, 감정...)
  - 얼굴 검색 및 인증
  - 유명인사 인정
  - 경로 지정(예: 스포츠 게임 분석용)

Amazon Rekognition – 콘텐츠 조정

부적절하거나 원치 않거나 불쾌감을 주는 콘텐츠 감지(이미지 및 비디오)
보다 안전한 사용자 경험을 만들기 위해 소셜 미디어, 방송 매체, 광고 및 전자 상거래 상황에서 사용
플래그가 지정될 항목에 대한 최소 신뢰 임계값 설정
Amazon Augmented AI(A2I)에서 수동 검토를 위해 민감한 콘텐츠에 플래그 지정
규정 준수 지원

Amazon Transcribe

음성을 텍스트로 자동 변환
자동 음성 인식(ASR)이라는 딥 러닝 프로세스를 사용하여 음성을 텍스트로 빠르고 정확하게 변환합니다.
Redaction을 사용하여 개인 식별 정보(PII)를 자동으로 제거합니다.
다국어 오디오에 대한 자동 언어 식별 지원
사용 사례:
- 고객 서비스 통화 기록
- 자막 및 자막 자동화
- 완전히 검색 가능한 아카이브를 만들기 위해 미디어 자산에 대한 메타데이터 생성

Amazon Polly

딥 러닝을 사용하여 텍스트를 생생한 음성으로 변환
말하는 애플리케이션을 만들 수 있습니다.

Amazon Polly – Lexicon & SSML

발음 어휘를 사용하여 단어의 발음을 사용자 지정합니다.
- 양식화된 단어: Jung2an => "junghan"
- 약어:AWS=>"AmazonWebServices"
어휘를 업로드하고 SynthesizeSpeech 작업에서 사용
일반 텍스트 또는 Speech로 표시된 문서에서 음성 생성
SSML(Synthesis Markup Language) – 더 많은 사용자 지정 가능
- 특정 단어나 구를 강조하기
- 음성 발음 사용
- 숨소리 포함, 속삭임
- 뉴스 캐스터 말하기 스타일 사용

Amazon Translate

자연스럽고 정확한 언어 번역
Amazon Translate를 사용하면 해외 사용자를 위해 웹사이트 및 애플리케이션과 같은 콘텐츠를 현지화하고 대량의 텍스트를 효율적으로 쉽게 번역할 수 있습니다.

Amazon Lex & Connect

Amazon Lex: (Alexa를 지원하는 동일한 기술)
- 음성을 텍스트로 변환하는 자동 음성 인식(ASR)
- 텍스트, 발신자의 의도를 인식하는 자연어 이해
- 챗봇, 콜센터 봇 구축 지원
아마존 커넥트:
- 전화 받기, 고객 응대 흐름 생성, 클라우드 기반 가상 컨택 센터
- 다른 CRM 시스템 또는 AWS와 통합 가능
- 선불금 없음, 기존 컨택 센터 솔루션보다 80% 저렴

Amazon Comprehend

자연어 처리 – NLP
완전 관리형 서버리스 서비스
머신러닝을 사용하여 텍스트에서 통찰력과 관계 찾기
- 텍스트 언어
- 핵심 문구, 장소, 사람, 브랜드, 이벤트 추출
- 텍스트가 얼마나 긍정적인지 부정적인지 이해합니다.
- 토큰화 및 품사를 사용하여 텍스트 분석
- 주제별로 텍스트 파일 모음을 자동으로 구성
샘플 사용 사례:
- 고객 상호 작용(이메일)을 분석하여 무엇이 긍정적이거나 부정적인 경험으로 이어지는지 파악합니다.
- Comprehend가 발견할 주제별로 기사 작성 및 그룹화

Amazon Comprehend Medical

Amazon Comprehend Medical은 구조화되지 않은 임상 텍스트에서 유용한 정보를 감지하고 반환합니다.
- 의사의 메모
- 퇴원요약서
- 검사결과
- 케이스 메모
NLP를 사용하여 개인 건강 정보(PHI) 탐지 – DetectPHI API
문서를 Amazon S3에 저장하거나 Kinesis Data Firehose로 실시간 데이터를 분석하거나 Amazon Transcribe를 사용하여 Amazon Comprehend Medical에서 분석할 수 있는 텍스트로 환자 설명을 기록합니다.

Amazon SageMaker

개발자/데이터 과학자를 위한 ML 모델 구축을 위한 완전 관리형 서비스
일반적으로 모든 프로세스를 한 곳에서 수행하기 어려움
서버 프로비저닝
기계 학습 프로세스(간소화): 시험 점수 예측

시험 점수를 예측할 모델을 구축한다고 해봅시다 어떻게 해야 할까요?

먼저 제가 개발자이거나 데이터 과학자라면 제 학생들의 실제 시험 점수에 관한 모든 데이터를 수집할 겁니다.

그러면 10,000명의 학생에게 IT 분야의 경력이 몇 년인지 데이터베이스 경력은 몇 년인지 얼마나 강의를 들었는지 연습 시험은 몇 번이나 치렀는지 등을 조사해서 가능한 많은 데이터를 수집하고 해당 데이터를 라벨링 하겠죠.

어떤 열이 무슨 데이터와 대응하는지 정해야 하고 또한 점수도 필요합니다

여기서 점수는 진짜 시험에서 얻은 점수를 뜻합니다 누군가 670점을 넘지 못했다면 강의 과정을 완전히 끝내지 못해서겠죠?

누군가는 높은 점수로 통과했을 겁니다 그러면 890점이나 934점이 될 수도 있어요

다시 말해 학생마다 특정한 점수를 얻게 됩니다 그러면 이렇게 수집한 데이터를 기반으로 점수가 어떨지 예상할 수 있을 거예요

이제 라벨링을 합니다 실제로는 상당히 복잡한 작업이에요

다음은 머신 러닝 모델을 구축해야 합니다 과거 데이터를 통해 점수를 예측하는 모델입니다

머신 러닝 모델을 구축한 후에는 훈련 및 조정이 필요해요 이것도 꽤 어려운 부분이죠

데이터와 출력이 더 들어맞도록 점차 모델을 개선하는 거죠

SageMaker는 전 과정에서 도움을 줍니다 라벨링, 구축, 그리고 훈련 및 조정까지요 그뿐만이 아닙니다 머신 러닝 모델을 생성해서 잘 작동된다고 합시다 그러면 이제 사용을 해야죠

바로 머신 러닝 모델을 배포 하는 거죠 그러면 새로운 데이터가 들어옵니다. - 예를 들어 여러분이 새로운 학생이면 제가 설문 조사를 합니다 IT 경력이 몇 년인지 AWS를 얼마나 다루었는지 강의는 얼마나 들었는지 등이요

그리고 여러분이 제공한 데이터를 가지고 앞서 생성한 머신 러닝 모델에 적용합니다

그러면 머신 러닝은 가지고 있는 데이터에 근거하여 이 학생이 906점으로 합격할 것을 예측합니다.

이 모든 과정, 즉 라벨링과 구축, 훈련 및 조정, 적용 모두 SageMaker에서 가능합니다

Amazon Forecast

ML을 사용하여 매우 정확한 예측을 제공하는 완전 관리형 서비스
예: 비옷의 향후 판매 예측
데이터 자체를 보는 것보다 50% 더 정확함
예측 시간을 몇 개월에서 몇 시간으로 단축
사용 사례: 제품 수요 계획, 재무 계획, 리소스 계획, ...

Amazon Kendra

머신 러닝 기반의 완전 관리형 문서 검색 서비스
문서 내에서 답변 추출(텍스트, PDF, HTML, PowerPoint, MS Word, FAQ...)
자연어 검색 기능
사용자 상호 작용/피드백을 통해 학습하여 선호하는 결과를 촉진(증분 학습) - 검색 결과를 수동으로 미세 조정하는 기능(데이터의 중요성, 최신성, 사용자 지정 등)