기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 모델 추가
<a name="jumpstart-content-sharing-add-model"></a>

모델을 추가하려면 **내 조직에 의해 공유됨**을 선택한 다음 **추가** 드롭다운 목록에서 **모델 추가**를 선택합니다. 모델의 기본 정보를 입력하고 협력자와 공유하려는 훈련 또는 추론 정보를 추가하여 모델을 훈련하거나 배포합니다. 필요한 정보를 모두 입력한 후 화면의 왼쪽 상단에서 **모델 추가**를 선택합니다.

**Topics**
+ [기본 정보 추가](jumpstart-content-sharing-info.md)
+ [훈련 활성화](jumpstart-content-sharing-training.md)
+ [배포를 활성화합니다.](jumpstart-content-sharing-deployment.md)
+ [노트북 추가](jumpstart-content-sharing-notebooks.md)

# 기본 정보 추가
<a name="jumpstart-content-sharing-info"></a>

JumpStart에 모델을 추가하려면 훈련하려는 모델에 대한 몇 가지 기본 정보를 제공해야 합니다. 이 정보는 모델의 특성과 기능을 정의하고 검색 가능성과 검색 가능성을 개선하는 데 도움이 됩니다. 새 모델을 생성하려면 다음 단계를 따릅니다.

1. 이 모델의 제목을 추가하세요. 제목을 추가하면 모델 제목을 기반으로 ID 필드에 고유 식별자가 자동으로 채워집니다.

1. 모델에 대한 설명을 추가합니다.

1. 옵션에서 *텍스트*, *비전*, *테이블 형식* 또는 *오디오* 등의 데이터 유형을 선택합니다.

1. *이미지 분류* 또는 *텍스트 생성*과 같은 사용 가능한 작업 목록에서 기계 훈련 작업을 선택합니다.

1. 기계 훈련 프레임워크를 선택합니다.

1. 모델을 검색할 때 사용할 키워드나 구문이 포함된 메타데이터 정보를 추가합니다. 쉼표를 사용하여 키워드를 구분합니다. 모든 공백은 자동으로 쉼표로 바뀝니다.

# 훈련 활성화
<a name="jumpstart-content-sharing-training"></a>

공유할 모델을 추가할 때 선택적으로 훈련 환경을 제공하고 조직의 공동 작업자가 공유 모델을 훈련하도록 허용할 수 있습니다.

**참고**  
표 형식 모델을 추가하는 경우 훈련이 가능하도록 열 형식과 대상 열도 지정해야 합니다.

모델에 대한 기본 세부 정보를 제공한 후 모델을 훈련하는 데 사용할 훈련 작업의 설정을 구성해야 합니다. 여기에는 컨테이너 환경, 코드 스크립트, 데이터세트, 출력 위치 및 기타 다양한 파라미터를 지정하여 훈련 작업이 실행되는 방식을 제어하는 작업이 포함됩니다. 훈련 작업 설정을 구성하려면 다음 단계를 따르세요.

1. 모델 훈련에 사용할 컨테이너를 추가합니다. 기존 훈련 작업에 사용할 컨테이너를 선택하거나, Amazon ECR에 자체 컨테이너를 가져오거나, Amazon SageMaker 딥 러닝 컨테이너를 사용할 수 있습니다.

1. 환경 변수 추가

1. 훈련 스크립트 위치를 제공하세요.

1. 스크립트 모드 진입점을 제공하세요.

1. 훈련 중에 생성된 모델 아티팩트에 Amazon S3 URI을 제공합니다.

1. 기본 훈련 데이터세트에 Amazon S3 URI를 제공합니다.

1. 모델 출력 경로를 제공하세요. 모델 출력 경로는 훈련에서 생성된 모든 모델 아티팩트의 Amazon S3 URI 경로여야 합니다. SageMaker AI에서 모델 아티팩트를 Amazon S3에 압축된 단일 .tar 파일로 저장합니다.

1. 훈련 중에 모델을 평가하는 데 사용할 검증 데이터세트를 제공하세요. 검증 데이터세트에는 훈련 데이터세트와 동일한 수의 열과 동일한 기능 헤더가 포함되어야 합니다.

1. 네트워크 격리를 켜세요. 네트워크 격리는 모형 컨테이너를 격리하므로 모형 컨테이너에서는 인바운드 또는 아웃바운드 네트워크 호출을 수행할 수 없습니다.

1. SageMaker AI가 데이터에 액세스할 수 있는 훈련 채널을 제공합니다. 예를 들어 `train` 또는 `test`라는 입력 채널을 지정할 수 있습니다. 각 채널에 대해 채널 이름과 데이터 위치의 URI를 지정하세요. **찾아보기**를 선택하여 Amazon S3 위치를 검색합니다.

1. 하이퍼파라미터를 제공하세요. 공동 작업자가 훈련 중에 실험해 볼 수 있는 하이퍼파라미터를 모두 추가하세요. 이러한 하이퍼파라미터에 대해 유효한 값 범위를 제공하세요. 이 범위는 훈련 작업 하이퍼파라미터 검증을 위해 사용됩니다. 하이퍼파라미터의 데이터 유형을 기반으로 범위를 정의할 수 있습니다.

1. 인스턴스 유형을 선택합니다. 배치 크기가 큰 훈련에 대해 메모리가 더 많은 GPU 인스턴스가 좋습니다. AWS 리전에 걸친 SageMaker 훈련 인스턴스의 전체 목록은 [Amazon SageMaker 요금](https://aws.amazon.com/sagemaker/pricing/)의 **온디맨드 요금** 표를 참조하세요.

1. 지표을 제공하세요. 훈련에서 모니터링하는 각 지표에 대한 이름과 정규 표현식을 지정하여 훈련 작업의 지표를 정의합니다. 알고리즘이 내보내는 지표의 값을 캡처하는 정규식을 설계합니다. 예를 들어, 지표 `loss`에는 정규 표현식 `"Loss =(.*?);"`이 있을 수 있습니다.

# 배포를 활성화합니다.
<a name="jumpstart-content-sharing-deployment"></a>

공유할 모델을 추가할 때 선택적으로 조직의 공동 작업자가 추론을 위해 공유 모델을 배포할 수 있는 추론 환경을 제공할 수 있습니다.

기계 학습 모델을 훈련한 후에는 추론을 위해 Amazon SageMaker AI 엔드포인트에 배포해야 합니다. 여기에는 컨테이너 환경, 추론 스크립트, 훈련 중에 생성된 모델 아티팩트를 제공하고 적절한 컴퓨팅 인스턴스 유형을 선택하는 작업이 포함됩니다. 이러한 설정을 올바르게 구성하는 것은 배포된 모델이 정확한 예측을 수행하고 추론 요청을 효율적으로 처리할 수 있도록 하는 데 매우 중요합니다. 추론을 위한 모델을 설정하려면 다음 단계를 따르세요.

1. 추론에 사용할 컨테이너를 추가합니다. Amazon ECR에 자체 컨테이너를 가져오거나 Amazon SageMaker 딥 러닝 컨테이너를 사용할 수 있습니다.

1. 추론 스크립트에 Amazon S3 URI를 제공합니다. 사용자 지정 추론 스크립트는 선택한 컨테이너 내에서 실행됩니다. 추론 스크립트에는 모델 로딩을 위한 함수, 선택적으로 예측을 생성하는 함수, 입력 및 출력 처리를 위한 함수가 포함되어야 합니다. 선택한 프레임워크에 대한 추론 스크립트를 만드는 방법에 대한 자세한 내용은 SageMaker Python SDK 설명서의 [프레임워크](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)를 참조하세요. 예를 들어 TensorFlow의 경우 [사전 처리 및/또는 사후 처리 처리기를 구현하는 방법](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s)을 참조하세요.

1. 모델 아티팩트에 Amazon S3 URI을 제공합니다. 모델 아티팩트는 모델 훈련의 결과물이며, 일반적으로 훈련된 파라미터, 추론 계산 방법을 설명하는 모델 정의 및 기타 메타데이터로 구성됩니다. SageMaker AI에서 모델을 훈련한 경우 모델 아티팩트는 Amazon S3에 압축된 단일 .tar 파일로 저장됩니다. SageMaker AI 외부에서 모델을 훈련시킨 경우, 이 단일 압축 .tar 파일을 만들어 Amazon S3 위치에 저장해야 합니다.

1. 인스턴스 유형을 선택합니다. 배치 크기가 큰 훈련에 대해 메모리가 더 많은 GPU 인스턴스가 좋습니다. AWS 리전에 걸친 SageMaker 훈련 인스턴스의 전체 목록은 [Amazon SageMaker 요금](https://aws.amazon.com/sagemaker/pricing/)의 **온디맨드 요금** 표를 참조하세요.

# 노트북 추가
<a name="jumpstart-content-sharing-notebooks"></a>

노트북을 추가하려면 **내 조직에서 공유를** 선택한 다음 **추가** 드롭다운 목록에서 **노트북 추가**를 선택합니다. 노트북의 기본 정보를 입력하고 해당 노트북의 위치에 대한 Amazon S3 URI를 제공하세요.

먼저 노트북에 대한 기본 설명 정보를 추가합니다. 이 정보는 노트북의 검색 가능성을 높이는 데 사용됩니다.

1. 이 노트북의 제목을 추가하세요. 제목을 추가하면 노트북 제목을 기반으로 ID 필드에 고유 식별자가 자동으로 채워집니다.

1. 노트북에 대한 설명을 추가합니다.

1. 옵션에서 *텍스트*, *비전*, *테이블 형식* 또는 *오디오* 등의 데이터 유형을 선택합니다.

1. 사용 가능한 작업(예: *이미지 분류* 또는 *텍스트 생성*) 목록에서 ML 작업을 선택합니다.

1. ML 프레임워크를 선택합니다.

1. 노트북을 검색할 때 사용할 키워드나 구문이 포함된 메타데이터 정보를 추가하세요. 쉼표를 사용하여 키워드를 구분합니다. 모든 공백은 자동으로 쉼표로 바뀝니다.

기본 정보를 지정한 후 해당 노트북의 위치에 Amazon S3 URI를 제공할 수 있습니다. **찾아보기**를 선택하여 Amazon S3 버킷에서 노트북 파일 위치를 검색할 수 있습니다. 노트북을 찾은 후 Amazon S3 URI를 복사하고 **취소**를 선택한 다음 Amazon S3 URI를 **노트북 위치** 필드에 추가합니다.

필요한 정보를 모두 입력한 후 오른쪽 하단에서 **노트북 추가**를 선택합니다.