# 콘텐츠 도메인 4: 기계 학습 구현 및 운영
<a name="machine-learning-specialty-01-domain4"></a>

**Topics**
+ [작업 4.1: 성능, 가용성, 확장성, 복원성 및 내결함성을 고려한 ML 솔루션 구축](#machine-learning-specialty-01-domain4-task1)
+ [작업 4.2: 특정 문제에 적합한 ML 서비스 및 기능 권장 사항 및 구현](#machine-learning-specialty-01-domain4-task2)
+ [작업 4.3: ML 솔루션에 기본 AWS 보안 사례 적용](#machine-learning-specialty-01-domain4-task3)
+ [작업 4.4: ML 솔루션 배포 및 운영](#machine-learning-specialty-01-domain4-task4)

## 작업 4.1: 성능, 가용성, 확장성, 복원성 및 내결함성을 고려한 ML 솔루션 구축
<a name="machine-learning-specialty-01-domain4-task1"></a>
+ AWS 환경 기록 및 모니터링
  + AWS CloudTrail 및 Amazon CloudWatch
  + 오류 모니터링 솔루션 구축
+ 여러 AWS 리전과 여러 가용 영역에 배포
+ AMI와 골든 이미지 만들기
+ Docker 컨테이너 만들기
+ Auto Scaling 그룹 배포
+ 리소스 크기를 적절하게 조정(예: 인스턴스, 프로비저닝된 IOPS, 볼륨)
+ 로드 밸런싱 수행
+ AWS 모범 사례 따르기

## 작업 4.2: 특정 문제에 적합한 ML 서비스 및 기능 권장 사항 및 구현
<a name="machine-learning-specialty-01-domain4-task2"></a>
+ AWS 기반 ML(애플리케이션 서비스), 예:
  + Amazon Polly
  + Amazon Lex
  + Amazon Transcribe
  + Amazon Q
+ AWS 서비스 할당량 이해
+ 사용자 지정 모델 구축 시기 및 Amazon SageMaker 기본 제공 알고리즘의 사용 시기 결정
+ AWS 인프라(예: 인스턴스 유형)와 비용 고려 사항 파악
  + AWS Batch를 사용한 딥 러닝 모델 훈련 스팟 인스턴스 사용

## 작업 4.3: ML 솔루션에 기본 AWS 보안 사례 적용
<a name="machine-learning-specialty-01-domain4-task3"></a>
+ AWS Identity and Access Management(AWS IAM)
+ S3 버킷 정책
+ 보안 그룹
+ VPC
+ 암호화 및 익명화

## 작업 4.4: ML 솔루션 배포 및 운영
<a name="machine-learning-specialty-01-domain4-task4"></a>
+ 엔드포인트 노출 및 엔드포인트와 상호 작용
+ ML 모델 이해
+ A/B 테스트 수행
+ 파이프라인 재훈련
+ ML 모델 디버깅 및 문제 해결
  + 성능 저하 감지 및 완화
  + 모델 성능 모니터링