- 1월에 들은 AWS Builders에 이어 수강하게 되었다. Builders와 비교했을 때 엔지니어 관점이 아니라 분석, 인공지능 관점에서의 AWS 제품 소개, 시연 등이 진행되었다.
- 결론적으로 듣기만 하기보다는 현업에서 써보는 게 중요하다는 생각이 들었다. 텍스트 분석과 관련해서는 BERT 등 Pre-Trained 모델을 사용하고 있다는 제품 소개 자료만 있었고, 사례나 시연은 없어 아쉬웠다.
- 지난 주에 AWS 쪽에서 회사에 영업왔을 때에도 AWS는 예측, 추천 등에 좀 더 초점을 맞추고 있는 듯 했다. 그래도 AWS 때문에 데이터분석가와 엔지니어, 클라우드 간의 격차가 줄어들고 있고, 기회를 찾을 수 있을 것 같다. No Code, Low Code 등의 AWS 개발 추세도 나 같은 비전공자에게는 희소식이다. 삼성전자 등에서 진행한 MLOps 구축 사례들도 흥미롭게 들었다.
- 1월의 AWS Builders 보다 세부적으로 정리하지는 못했다. 3월부터는 회사 프로젝트로 적용해가면서 시도해볼 수 있을 것 같다.
====================================================================
<인공지능 및 기계학습을 이용하여 비즈니스 혁신하기>
- 전반적인 최신 동향 소개
- 모델의 정교화 : 기초모델(Foundation Model)의 성장
- Stability.ai : 아마존 세이지메이커 기반 학습
- CodeWhisperer : 코드 조언해주는 기능 - 데이터 성장 : Sagemaker 지리 공간정보 지원
- 머신러닝의 산업화 : 수작업 > 자동화
<비즈니스 분석가의 No-Code ML 적용사례 및 시작하기>
- 삼성전자 도입 사례
- Sagemaker Canvas (클릭 원툴). 4단계 프로세스
1) Select : 데이터 업로드, 결합, 프리뷰
2) Build : 모델 선택, 시각화, 분포도
3) Analyze : 모델 성능 및 정확도 측정. 공유
4) Predict : 예측 결과 확인 및 검증
<더욱 강력해진 Amazon SageMaker Studio를 소개합니다>
- 실시간 공동 편집. 빌트인 데이터 준비 기능
- 노트북 잡스 : 프로덕션 환경 실행가능 작업으로 노트북 자동변환
- 쉐도우테스트 : 변형 모델의 잠재적 구성오류 및 성능 문제 파악
- 엑스페리먼츠 : 파라미터, 로깅, 시각화 작업 편의성 제고
<하이퍼커넥트의 AWS 기계 학습 추론 가속기 적용을 통한 모델 서빙 비용 절감 사례와 꿀팁>
- 모델이 고도화 되고. Inf1 인스턴스를 통한 비용 절감
- CNN, RNN, 트랜스포머, BERT 등의 모델을 지원
- 모델 병렬화. 벤치마킹 툴킷(NeuronPerf) : 모델의 커스토마이징 원만하게 가능
<Amazon Forecast를 사용한 비트코퍼레이션의 무인로봇카페 지능화 및 자동화 운영방법>
- Amazon Forecast (솔루션) : No Code로 쉽게 할 수 있음
- 비트코퍼레이션 : 글로벌 No.1 푸드테크 기업
- 음료 재료의 사용화, 재고소진율의 예측
- 수집된 데이터 값을 입력하면 자동으로 알고리즘을 구현해 결과물 예측
데이터 분석가