기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 엔드 투 엔드 JumpStart 솔루션 템플릿
**중요**
2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요.
Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다.
**참고**
JumpStart 솔루션은 Studio Classic에서만 사용할 수 있습니다.
SageMaker JumpStart는 일반 기계 학습 사용 사례에 대한 원클릭 엔드 투 엔드 솔루션을 제공합니다. 이들은 도메인에 입증된 알고리즘을 사용하고 일반적으로 데이터 처리, 모델 훈련, 배포, 추론 및 모니터링을 포함하는 완전한 워크플로를 제공합니다. 사용 가능한 솔루션 템플릿에 대한 자세한 내용은 다음 사용 사례를 살펴보세요.
+ [수요 예측](#jumpstart-solutions-demand-forecasting)
+ [신용 등급 예측](#jumpstart-solutions-credit-prediction)
+ [사기 탐지](#jumpstart-solutions-fraud-detection)
+ [컴퓨터 비전](#jumpstart-solutions-computer-vision)
+ [문서에서 데이터를 추출하고 분석합니다.](#jumpstart-solutions-documents)
+ [예측 유지 보수](#jumpstart-solutions-predictive-maintenance)
+ [변동 예측](#jumpstart-solutions-churn-prediction)
+ [맞춤형 추천](#jumpstart-solutions-recommendations)
+ [강화 학습](#jumpstart-solutions-reinforcement-learning)
+ [의료 및 생명 과학](#jumpstart-solutions-healthcare-life-sciences)
+ [금융 요금](#jumpstart-solutions-financial-pricing)
+ [인과 관계 추론](#jumpstart-solutions-causal-inference)
JumpStart 랜딩 페이지에서 사용 사례에 가장 적합한 솔루션 템플릿을 선택합니다. 솔루션 템플릿을 선택하면 JumpStart에서 솔루션 설명과 **시작** 버튼을 보여주는 새 탭이 열립니다. **시작**을 선택하면 JumpStart에서 훈련 및 모델 호스팅 인스턴스를 포함하여 솔루션을 실행하는 데 필요한 모든 리소스가 생성됩니다. JumpStart 솔루션 시작에 대한 자세한 내용은 [솔루션 시작](jumpstart-solutions-launch.md) 섹션을 참조하세요.
솔루션을 시작한 후 JumpStart에서 솔루션 기능 및 생성된 아티팩트를 탐색할 수 있습니다. **시작된 JumpStart 자산** 메뉴를 사용하여 솔루션을 찾습니다. 솔루션 탭에서 **노트북 열기**를 선택하여 제공된 노트북을 사용하고 솔루션의 기능을 탐색하세요. 제공된 노트북을 시작하는 동안이나 실행한 후에 아티팩트가 생성되면 **생성된 아티팩트** 테이블에 해당 아티팩트가 나열됩니다. 휴지통 아이콘(![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png))으로 개별 아티팩트를 삭제할 수 있습니다. **솔루션 리소스 삭제**를 선택하여 모든 솔루션 리소스를 삭제할 수 있습니다.
## 수요 예측
수요 예측에서는 과거 시계열 데이터를 사용하여 특정 기간의 고객 수요와 관련하여 미래를 예측하고 기업 전반의 공급–수요 의사 결정 프로세스를 간소화합니다.
수요 예측 사용 사례에는 운송 업계의 티켓 판매, 주가, 병원 방문 횟수, 다음 달 여러 곳에서 고용할 고객 담당자 수, 다음 분기 여러 지역의 제품 판매, 동영상 스트리밍 서비스의 익일 클라우드 서버 사용량, 다음 주 여러 지역의 전력 소비량, 에너지 소비량과 같은 IoT 디바이스 및 센서 수 등의 예측이 포함됩니다.
시계열 데이터는 *단변량* 및 *다변량*으로 분류됩니다. 예를 들어, 한 가구의 총 전력 소비량은 일정 기간 동안의 단변량 시계열입니다. 여러 단변량 시계열이 서로에 대해 누적된 경우를 다변량 시계열이라고 합니다. 예를 들어, 한 지역에 있는 서로 다른(그러나 상관관계가 있는) 10개 가구의 총 전력 소비량은 다변량 시계열 데이터세트를 구성합니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 수요 예측 | [LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html), [Prophet](https://facebook.github.io/prophet/), [SageMaker AI DeepAR](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html)이라는 3가지 최신 시계열 예측 알고리즘을 사용한 다변량 시계열 데이터에 대한 수요 예측입니다. | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) |
## 신용 등급 예측
JumpStart의 신용 등급 예측 솔루션을 사용하여 기업 신용 등급을 예측하거나 기계 학습 모델을 통해 이루어진 신용 예측 결정을 설명합니다. 기존의 신용 등급 모델링 방법에 비해, 기계 학습 모델은 신용 예측의 정확도를 자동화하고 개선할 수 있습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 기업 신용 등급 예측 | AWS [AutoGluon Tabular를 사용한 품질 크레딧 예측을 위한 멀티모달(긴 텍스트 및 테이블 형식](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)) 기계 학습입니다. | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) |
| 그래프 기반 신용 점수 평가 | 그래프 [신경망 GraphSAGE](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) 및 AWS [AutoGluon 테이블 형식](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) 모델을 훈련하여 테이블 형식 데이터와 기업 네트워크를 사용하여 기업 신용 등급을 예측합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
| 신용 결정 설명 | 신용대출 신청에서 신용 불이행을 예측하고 [LightGBM](https://lightgbm.readthedocs.io/en/latest/) 및 [SHAP(SHapley Additive exPlanations)](https://shap.readthedocs.io/en/latest/index.html)를 사용하여 설명을 제공합니다. | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) |
## 사기 탐지
많은 기업이 사기 피해로 매년 수십억 달러의 손실을 입습니다. 기계 학습 기반 사기 탐지 모델은 엄청난 양의 데이터에서 사기 가능성이 있는 활동을 체계적으로 식별하는 데 도움이 될 수 있습니다. 다음 솔루션은 거래 및 사용자 자격 증명 데이터세트를 사용하여 사기 거래를 식별합니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 악의적인 사용자 및 거래를 탐지합니다. | 오버샘플링 기법인 [Synthetic Minority Over-sampling](https://arxiv.org/abs/1106.1813)(SMOTE)과 함께 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)를 사용하여 거래에서 잠재적 사기 활동을 자동으로 탐지합니다. | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) |
| 딥 그래프 라이브러리를 사용한 금융 거래 사기 탐지 | [딥 그래프 라이브러리](https://www.dgl.ai/)와 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 모델로 [그래프 컨볼루션 네트워크](https://arxiv.org/pdf/1703.06103.pdf)를 훈련시켜 금융 거래에서 사기를 탐지합니다. | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) |
| 금융 결제 분류 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)를 사용하여 거래 정보를 기반으로 금융 결제를 분류합니다. 이 솔루션 템플릿을 사기 탐지, 개인화 또는 이상 탐지의 중간 단계로 사용합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
## 컴퓨터 비전
자율 주행 차량, 스마트 비디오 감시, 의료 모니터링 및 다양한 객체 계수 작업과 같은 비즈니스 사용 사례가 증가함에 따라, 빠르고 정확한 객체 감지 시스템에 대한 수요가 증가하고 있습니다. 이러한 시스템에는 이미지 내의 모든 객체를 인식하고 분류하는 기능뿐만 아니라 객체 주위에 적절한 경계 상자를 그려 각 객체의 위치를 파악하는 기능이 포함됩니다. 지난 10년 동안 딥 러닝 기법의 급속한 발전으로 객체 감지의 모멘텀이 크게 가속화되었습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 시각적 제품 결함 탐지 | [객체 감지 모델을 처음부터](https://ieeexplore.ieee.org/document/8709818) 훈련시키거나 사전 훈련된 SageMaker AI 모델을 미세 조정하여 제품 이미지에서 결함 영역을 식별합니다. | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) |
| 필기 인식 | [객체 감지 모델](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) 및 [필기 인식 모델](https://arxiv.org/abs/1910.00663)을 훈련시켜 이미지 내에서 수기로 작성한 텍스트를 인식합니다. [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/)를 사용하여 자체 데이터에 레이블을 지정합니다. | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| 조류 종의 객체 감지 | [SageMaker AI 객체 감지 모델](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html)을 사용하여 장면에 있는 조류 종을 식별합니다. | Amazon SageMaker Studio를 찾습니다. |
## 문서에서 데이터를 추출하고 분석합니다.
JumpStart는 비즈니스에 중요한 문서에서 귀중한 통찰력과 연결을 발견할 수 있는 솔루션을 제공합니다. 사용 사례에는 텍스트 분류, 문서 요약, 필기 인식, 관계 추출, 질문 및 답변, 테이블 형식 레코드의 누락된 값 채우기 등이 있습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 감정 분류를 위한 개인정보 보호 | [텍스트를 익명화](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data)하여 감정 분류에서 사용자 개인정보를 더 잘 보호하세요. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) |
| 문서 이해 | PyTorch의 [변환기](https://huggingface.co/docs/transformers/index) 라이브러리를 사용하여 요약, 엔터티 및 관계 추출을 문서화합니다. | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) |
| 필기 인식 | [객체 감지 모델](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) 및 [필기 인식 모델](https://arxiv.org/abs/1910.00663)을 훈련시켜 이미지 내에서 수기로 작성한 텍스트를 인식합니다. [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/)를 사용하여 자체 데이터에 레이블을 지정합니다. | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| 테이블 형식 레코드에서 누락된 값 채우기 | [SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/) 모델을 훈련시켜 테이블 형식의 레코드에서 누락된 값을 채웁니다. | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) |
## 예측 유지 보수
예측 유지 보수의 목표는 구성 요소의 적시 교체를 촉진하여 교정 유지 보수와 예방 유지 보수 간의 균형을 최적화하는 것입니다. 다음 솔루션은 산업 자산의 센서 데이터를 사용하여 기계 고장, 예상치 못한 가동 중지 시간 및 수리 비용을 예측합니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 차량 플릿에 대한 예측 유지 보수 | 컨볼루션 신경망 모델과 함께 차량 센서 및 유지 보수 정보를 사용하여 차량 고장을 예측합니다. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) |
| 제조를 위한 예측 유지 보수 | 과거 센서 판독값을 사용하여 [적층형 양방향 LSTM 신경망](https://arxiv.org/pdf/1801.02143.pdf) 모델을 훈련시켜 각 센서의 잔여 유효 수명을 예측합니다. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) |
## 변동 예측
고객 변동 또는 이탈률은 다양한 기업이 직면한 비용이 많이 드는 문제입니다. 변동을 줄이기 위한 노력의 일환으로, 기업은 서비스를 그만둘 가능성이 높은 고객을 파악하여 고객 유지에 노력을 집중할 수 있습니다. JumpStart 변동 예측 솔루션을 사용하여 사용자 행동 및 고객 지원 채팅 로그와 같은 데이터 소스를 분석하여 구독 또는 서비스를 취소할 위험이 높은 고객을 식별할 수 있습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 텍스트를 통한 변동 예측 | [BERT 인코더](https://huggingface.co/)와 [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)를 사용하여 숫자, 카테고리 및 텍스트 기능을 사용하여 변동을 예측합니다. | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) |
| 휴대전화 고객을 위한 변동 예측 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)를 사용하여 서비스에 대해 불만족하는 휴대전화 고객을 식별합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
## 맞춤형 추천
JumpStart 솔루션을 사용하여 고객 자격 증명 그래프 또는 사용자 세션을 분석하여 고객 행동을 더 잘 이해하고 예측할 수 있습니다. 개인화된 추천을 위해 다음 솔루션을 사용하여 여러 디바이스에서 고객 자격 증명을 모델링하거나, 고객의 구매 가능성을 판단하거나, 과거 고객 행동을 기반으로 맞춤형 영화 추천자를 만들 수 있습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 딥 그래프 라이브러리를 사용한 자격 증명 그래프의 엔터티 해상도 | [딥 그래프 라이브러리](https://www.dgl.ai/)로 [그래프 컨볼루션 네트워크](https://arxiv.org/pdf/1703.06103.pdf)를 훈련시켜 온라인 광고를 위한 크로스 디바이스 엔터티 연결을 수행합니다. | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) |
| 구매 모델링 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 모델을 훈련시켜 고객이 구매할지 여부를 예측합니다. | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) |
| 맞춤형 추천 시스템 | SageMaker AI의 신경망 협업 필터링을 사용하여 과거 행동을 기반으로 고객을 위한 영화 제안을 생성하는 사용자 지정 추천 시스템을 훈련하고 배포합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
## 강화 학습
강화형 기계 학습(RL)은 환경과의 상호 작용을 기반으로 하는 학습 유형입니다. 이러한 유형의 학습은 행동의 결과로 받는 장기적 보상을 극대화하는 것이 목표인 동적 환경과의 시행착오 상호 작용을 통해 행동을 학습해야 하는 에이전트가 사용합니다. 불확실한 보상이 있는 행동의 탐색을 알려진 보상이 있는 행동의 악용과 절충함으로써 보상을 극대화합니다.
RL은 공급망 관리, HVAC 시스템, 산업용 로봇, 게임 인공 지능, 대화 시스템, 자율 주행 차량과 같은 크고 복잡한 문제를 해결하는 데 매우 적합합니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| Battlesnake AI 대회를 위한 강화 학습 | [BattleSnake](https://play.battlesnake.com/) AI 대회를 통한 훈련 및 추론을 위한 강화 학습 워크플로를 제공합니다. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) |
| Procgen 챌린지를 위한 분산 강화 학습 | [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) 강화 학습 챌린지를 위한 분산 강화 학습 스타터 키트. | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) |
## 의료 및 생명 과학
임상의와 연구원은 JumpStart 솔루션을 사용하여 의료 이미지, 게놈 정보 및 임상 건강 기록을 분석할 수 있습니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 폐암 생존 예측 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)를 사용하는 3차원 폐 컴퓨터 단층촬영(CT) 스캔, 게놈 데이터 및 임상 건강 기록으로 비소세포성 폐암 환자의 생존 상태를 예측합니다. | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) |
## 금융 요금
많은 기업이 수익을 극대화하기 위해 정기적으로 가격을 동적으로 조정합니다. 가격 최적화, 동적 가격 책정, 옵션 가격 책정 또는 포트폴리오 최적화 사용 사례에는 다음 JumpStart 솔루션을 사용하세요.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 가격 최적화 | 인과 관계 추론 및 [Prophet](https://facebook.github.io/prophet/) 예측 절차를 위한 Double 기계 학습(ML)을 사용하여 가격 탄력성을 추정합니다. 이 추정치를 사용하여 일별 가격을 최적화합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
## 인과 관계 추론
연구자는 베이지안 네트워크와 같은 기계 학습 모델을 사용하여 인과 관계 종속성을 표현하고 데이터를 기반으로 인과 관계에 따른 결론을 도출할 수 있습니다. 다음 JumpStart 솔루션을 사용하여 질소 기반 비료 사용과 옥수수 작물 수확량 간의 인과 관계를 파악합니다.
| 솔루션 이름 | 설명 | 시작하기 |
| --- | --- | --- |
| 작물 수확량 반사실 조건 | 질소에 대한 옥수수 반응의 반사실적 분석을 생성합니다. 이 솔루션은 다중 스펙트럼 위성 이미지와 [지상 관측치](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001)를 사용하여 작물의 생태 주기를 전체적으로 학습합니다. | Amazon SageMaker Studio Classic을 찾습니다. |
# 솔루션 시작
**중요**
2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요.
Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다.
**참고**
JumpStart 솔루션은 Studio Classic에서만 사용할 수 있습니다.
먼저 Amazon SageMaker Studio Classic UI의 SageMaker JumpStart 랜딩 페이지를 통해 솔루션을 선택합니다. Amazon SageMaker Studio Classic에 로그인하기 위한 온보딩 단계에 대한 자세한 내용은 [Amazon SageMaker AI 도메인에 온보딩](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)을 참조하세요. SageMaker JumpStart 랜딩 페이지로 이동하는 방법에 대한 자세한 내용은 [Studio Classic에서 JumpStart 열기 및 사용](studio-jumpstart.md#jumpstart-open-use) 섹션을 참조하세요.
솔루션을 선택하면 솔루션 탭이 열리고 솔루션에 대한 설명과 `Launch` 버튼이 표시됩니다. 솔루션을 시작하려면 **솔루션 시작** 섹션에서 `Launch`를 선택합니다. 그런 다음 JumpStart는 솔루션 실행에 필요한 모든 리소스를 생성합니다. 여기에는 훈련 및 모델 호스팅 인스턴스가 포함됩니다.
## 고급 파라미터
선택한 솔루션에는 선택할 수 있는 고급 파라미터가 있을 수 있습니다. **고급 파라미터를** 선택하여 솔루션의 AWS Identity and Access Management 역할을 지정합니다.
솔루션은 서로 상호 작용하는 9개 AWS 서비스에서 리소스를 시작할 수 있습니다. 솔루션이 예상대로 작동하려면 한 서비스에서 새로 만든 구성 요소가 다른 서비스에서 새로 만든 구성 요소에서 작동할 수 있어야 합니다. 기본 IAM 역할을 사용하여 필요한 모든 권한이 추가되도록 하는 것이 좋습니다. IAM 역할에 대한 자세한 내용은 [AWS Identity and Access Management Amazon SageMaker AI용](security-iam.md) 섹션을 참조하세요.
**기본 IAM 역할**
이 옵션을 선택하면 이 솔루션에 필요한 기본 IAM 역할이 사용됩니다. 솔루션마다 필요한 리소스가 다릅니다. 다음 목록은 필요한 서비스를 기반으로 솔루션에 사용되는 기본 역할을 설명합니다. 각 서비스에 필요한 권한에 대한 설명은 [AWS SageMaker 프로젝트 및 JumpStart에 대한 관리형 정책](security-iam-awsmanpol-sc.md) 섹션을 참조하세요.
+ **API Gateway** – AmazonSageMakerServiceCatalogProductsApiGatewayRole
+ **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole
+ **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole
+ **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole
+ **이벤트** – AmazonSageMakerServiceCatalogProductsEventsRole
+ **Firehose** – AmazonSageMakerServiceCatalogProductsFirehoseRole
+ **Glue** – AmazonSageMakerServiceCatalogProductsGlueRole
+ **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole
+ **SageMaker AI** – AmazonSageMakerServiceCatalogProductsExecutionRole
JumpStart 프로젝트 템플릿이 사용 설정된 새 SageMaker AI 도메인을 사용하는 경우 이러한 역할은 계정에 자동으로 만들어집니다.
기존 SageMaker AI 도메인을 사용하는 경우 이러한 역할이 계정에 없을 수 있습니다. 이 경우 솔루션을 시작할 때 다음과 같은 오류 메시지가 표시됩니다.
```
Unable to locate the updated roles required to launch this solution, a general role '/service-role/AmazonSageMakerServiceCatalogProductsUseRole' will be used. Please update your studio domain to generate these roles.
```
필요한 역할 없이도 솔루션을 시작할 수 있지만, 필요한 역할 대신 레거시 기본 역할 `AmazonSageMakerServiceCatalogProductsUseRole`이 사용됩니다. 레거시 기본 역할에는 JumpStart 솔루션이 상호 작용하는 데 필요한 모든 서비스와 신뢰 관계가 있습니다. 보안을 극대화하려면 각 AWS 서비스에 대해 새로 생성된 기본 역할을 갖도록 도메인을 업데이트하는 것이 좋습니다.
이미 SageMaker AI 도메인에 온보딩한 경우 다음 절차를 사용하여 도메인을 업데이트하여 기본 역할을 생성할 수 있습니다.
1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다.
1. 페이지 상단 왼쪽의 **컨트롤 패널**을 선택합니다.
1. **도메인** 페이지에서 **설정** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/icons/Settings_squid.png))을 선택하여 도메인 설정을 편집합니다.
1. **일반 설정**에서 **다음**을 선택합니다.
1. **SageMaker 프로젝트 및 JumpStart**에서 이 계정에 대해 **Amazon SageMaker 프로젝트 템플릿 및 Amazon SageMaker JumpStart 활성화**를 선택하고 **Studio Classic 사용자의 경우 Amazon SageMaker 프로젝트 템플릿 및 Amazon SageMaker JumpStart를 활성화**하고 **다음**을 선택합니다.
1. **제출**을 선택합니다.
**앱 – Studio** 탭에서 **프로젝트 – 이 계정에 대해 활성화된 Amazon SageMaker 프로젝트 템플릿**에 나열된 기본 역할을 볼 수 있을 것입니다.
**IAM 역할 찾기**
이 옵션을 선택하는 경우 각 필수 서비스의 드롭다운 목록에서 기존 IAM 역할을 선택해야 합니다. 선택한 역할에는 해당 서비스에 필요한 최소 권한 이상이 있어야 합니다. 각 서비스에 필요한 권한에 대한 설명은 [AWS SageMaker 프로젝트 및 JumpStart에 대한 관리형 정책](security-iam-awsmanpol-sc.md) 섹션을 참조하세요.
**입력 IAM 역할**
이 옵션을 선택하는 경우 기존 IAM 역할의 ARN을 수동으로 입력해야 합니다. 선택한 역할에는 해당 서비스에 필요한 최소 권한 이상이 있어야 합니다. 각 서비스에 필요한 권한에 대한 설명은 [AWS SageMaker 프로젝트 및 JumpStart에 대한 관리형 정책](security-iam-awsmanpol-sc.md) 섹션을 참조하세요.