기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Studio Classic의 Amazon SageMaker JumpStart **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. 다음 JumpStart 기능은 Amazon SageMaker Studio Classic에서만 사용할 수 있습니다. + [작업별 모델](jumpstart-models.md) + [공유 모델 및 노트북](jumpstart-content-sharing.md) + [엔드 투 엔드 JumpStart 솔루션 템플릿](jumpstart-solutions.md) + [Amazon SageMaker JumpStart Industry: Financial](studio-jumpstart-industry.md) # 작업별 모델 JumpStart는 가장 인기 있는 15가지 문제 유형에 대한 작업별 모델을 지원합니다. 지원되는 문제 유형 중 비전 및 NLP 관련 유형은 총 13가지입니다. 증분 훈련과 미세 조정을 지원하는 8가지 문제 유형이 있습니다. 증분 훈련 및 하이퍼파라미터 조정에 대한 자세한 내용은 [SageMaker AI 자동 모델 튜닝](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)을 참조하세요. 또한 JumpStart는 테이블 형식 데이터 모델링에 널리 사용되는 4가지 알고리즘을 지원합니다. Studio 또는 Studio Classic의 JumpStart 랜딩 페이지에서 모델을 검색하고 찾아볼 수 있습니다. 모델을 선택하면 모델 세부 정보 페이지에 모델에 대한 정보가 제공되며, 몇 단계만 거치면 모델을 훈련하고 배포할 수 있습니다. 설명 섹션에서는 모델로 수행할 수 있는 작업, 예상되는 입력 및 출력 유형, 모델의 미세 조정에 필요한 데이터 형식을 설명합니다. [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart)를 사용하여 프로그래밍 방식으로 모델을 활용할 수도 있습니다. 사용 가능한 모든 모델 목록은 [JumpStart에 사용 가능한 모델 테이블](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html)을 참조하세요. 문제 유형 목록과 Jupyter notebook 예제 링크가 다음 표에 요약되어 있습니다. | 문제 유형 | 사전 훈련된 모델을 사용한 추론 지원 | 사용자 지정 데이터세트에서 훈련 가능 | 지원되는 프레임워크 | 예제 노트북 | | --- | --- | --- | --- | --- | | 이미지 분류 | 예 | 예 | PyTorch, TensorFlow | [JumpStart 소개 – 이미지 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | 객체 감지 | 예 | 예 | PyTorch, TensorFlow, MXNet | [JumpStart 소개 – 객체 감지](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | 의미 체계 분할 | 예 | 예 | MXNet | [JumpStart 소개 – 의미 체계 분할](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | 인스턴스 세분화 | 예 | 예 | MXNet | [JumpStart 소개 – 인스턴스 세분화](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | 이미지 임베딩 | 예 | 아니요 | TensorFlow, MXNet | [JumpStart 소개 – 이미지 임베딩](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | 텍스트 분류 | 예 | 예 | TensorFlow | [JumpStart 소개 – 텍스트 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | 문장 쌍 분류 | 예 | 예 | TensorFlow, Hugging Face | [JumpStart 소개 – 문장 쌍 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | 질문 응답 | 예 | 예 | PyTorch, Hugging Face | [JumpStart 소개 – 질문 답변](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | 명명된 엔터티 인식 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 명명된 엔터티 인식](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | 텍스트 요약 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 텍스트 요약](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | 텍스트 생성 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 텍스트 생성](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | 기계 번역 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 기계 번역](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | 텍스트 임베딩 | 예 | 아니요 | TensorFlow, MXNet | [JumpStart 소개 – 텍스트 임베딩](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | 테이블 형식 분류 | 예 | 예 | LightGBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner | [JumpStart 소개 – 테이블 형식 분류 – LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [JumpStart 소개 – 테이블 형식 분류 – XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [JumpStart 소개 – 테이블 형식 분류 – AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [JumpStart 소개 – 테이블 형식 분류 – TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | 테이블 형식 회귀 | 예 | 예 | LightGBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner | [JumpStart 소개 – 테이블 형식 회귀 – LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # 모델 배포 JumpStart에서 모델을 배포하면 SageMaker AI는 모델을 호스팅하고 추론에 사용할 수 있는 엔드포인트를 배포합니다. 또한 JumpStart는 모델을 배포한 후 모델에 액세스하는 데 사용할 수 있는 예제 노트북을 제공합니다. **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** Studio의 JumpStart 모델 배포에 대한 자세한 내용은 [Studio에서 모델 배포](jumpstart-foundation-models-use-studio-updated-deploy.md) 섹션을 참조하세요 ## 모델 배포 구성 모델을 선택하면 해당 모델의 탭이 열립니다. **모델 배포** 창에서 **배포 구성**을 선택하여 모델 배포를 구성합니다. ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) 모델 배포를 위한 기본 인스턴스 유형은 모델에 따라 다릅니다. 인스턴스 유형은 훈련 작업이 실행되는 하드웨어입니다. 다음 예제에서는 `ml.p2.xlarge` 인스턴스가 이 특정 BERT 모델의 기본값입니다. 또한 엔드포인트 이름을 변경하고, `key;value` 리소스 태그를 추가하고, 모델과 관련된 JumpStart 리소스의 `jumpstart-` 접두사를 활성화 또는 비활성화하고, SageMaker AI 엔드포인트에서 사용하는 모델 아티팩트를 저장하기 위한 Amazon S3 버킷을 지정할 수 있습니다. ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) **보안 설정을** 선택하여 모델의 AWS Identity and Access Management (IAM ) 역할, Amazon Virtual Private Cloud(VPC) 및 암호화 키를 지정합니다. ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## 모델 배포 보안 JumpStart를 사용하여 모델을 배포할 때 모델에 대한 IAM 역할, Amazon VPC, 암호화 키를 지정할 수 있습니다. 이러한 항목에 값을 지정하지 않는 경우: 기본 IAM 역할은 Studio Classic 런타임 역할이고, 기본 암호화가 사용되며, Amazon VPC는 사용되지 않습니다. ### IAM 역할 훈련 작업 및 호스팅 작업의 일부로 전달되는 IAM 역할을 선택할 수 있습니다. SageMaker AI는 이 역할을 사용하여 훈련 데이터 및 모델 아티팩트에 액세스합니다. IAM 역할을 선택하지 않는 경우 SageMaker AI는 Studio Classic 런타임 역할을 사용하여 모델을 배포합니다. IAM 역할에 대한 자세한 내용은 [AWS Identity and Access Management Amazon SageMaker AI용](security-iam.md) 섹션을 참조하세요. 전달하는 역할에는 모델에 필요한 리소스에 대한 액세스 권한이 있어야 하며 다음을 모두 포함해야 합니다. + 훈련 작업의 경우: [CreateTrainingJob API: 실행 역할 권한](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). + 호스팅 작업의 경우: [CreateModel API: 실행 역할 권한](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms). **참고** 다음 각 역할에 부여된 Amazon S3 권한의 범위를 좁힐 수 있습니다. Amazon Simple Storage Service(S3) 버킷과 JumpStart Amazon S3 버킷의 ARN을 사용하여 이 작업을 수행합니다. ``` [ { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:ListBucket" ], "Resource": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::/*" ] }, { "Effect": "Allow", "Action": [ "cloudwatch:PutMetricData", "logs:CreateLogStream", "logs:PutLogEvents", "logs:CreateLogGroup", "logs:DescribeLogStreams", "ecr:GetAuthorizationToken" ], "Resource": [ "*" ] }, { "Effect": "Allow", "Action": [ "ecr:BatchGetImage", "ecr:BatchCheckLayerAvailability", "ecr:GetDownloadUrlForLayer" ], "Resource": [ "*" ] }, ] } ``` **IAM 역할 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 IAM 역할을 선택해야 합니다. ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **입력 IAM 역할** 이 옵션을 선택하는 경우 기존 IAM 역할의 ARN을 수동으로 입력해야 합니다. Studio Classic 런타임 역할 또는 Amazon VPC가 `iam:list* ` 호출을 차단하는 경우 이 옵션을 사용하여 기존 IAM 역할을 사용해야 합니다. ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC 모든 JumpStart 모델은 네트워크 격리 모드에서 실행됩니다. 모델 컨테이너가 생성한 후에는 더 이상 호출할 수 없습니다. 훈련 작업 및 호스팅 작업의 일부로 전달되는 Amazon VPC를 선택할 수 있습니다. SageMaker AI는 이 Amazon VPC를 사용하여 Amazon S3 버킷에서 리소스를 푸시하고 가져옵니다. 이 Amazon VPC는 Studio Classic 인스턴스의 퍼블릭 인터넷 액세스를 제한하는 Amazon VPC와 다릅니다. Studio Classic Amazon VPC에 대한 자세한 내용은 [VPC의 Studio 노트북을 외부 리소스에 연결](studio-notebooks-and-internet-access.md) 섹션을 참조하세요. 전달한 Amazon VPC는 퍼블릭 인터넷에 액세스할 필요가 없지만 Amazon S3에 대한 액세스는 필요합니다. Amazon S3용 Amazon VPC 엔드포인트는 모델에 필요한 최소한 다음 리소스에 대한 액세스를 허용해야 합니다. ``` { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:PutObject", "s3:ListMultipartUploadParts", "s3:ListBucket" ], "Resources": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::bucket/*" ] } ``` Amazon VPC를 선택하지 않으면 Amazon VPC가 사용되지 않습니다. **VPC 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 Amazon VPC를 선택해야 합니다. Amazon VPC를 선택한 후에는 Amazon VPC의 서브넷과 보안 그룹을 선택해야 합니다. 서브넷과 보안 그룹에 대한 자세한 내용은 [VPC 및 서브넷 개요](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html)를 참조하세요. ![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **입력 VPC** 이 옵션을 선택하는 경우 Amazon VPC를 구성하는 서브넷 및 보안 그룹을 수동으로 선택해야 합니다. Studio Classic 런타임 역할 또는 Amazon VPC가 `ec2:list*` 호출을 차단하는 경우 이 옵션을 사용하여 서브넷 및 보안 그룹을 선택해야 합니다. ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### 암호화 키 훈련 작업 및 호스팅 작업의 일부로 전달되는 AWS KMS 키를 선택할 수 있습니다. SageMaker AI는 이 키를 사용하여 컨테이너의 Amazon EBS 볼륨과 Amazon S3에서 호스팅 작업과 훈련 작업 출력을 위해 리패키징된 모델을 암호화합니다. AWS KMS 키에 대한 자세한 내용은 [AWS KMS 키를](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys) 참조하세요. 전달하는 키는 전달한 IAM 역할을 신뢰해야 합니다. IAM 역할을 지정하지 않으면 AWS KMS 키가 Studio Classic 런타임 역할을 신뢰해야 합니다. AWS KMS 키를 선택하지 않으면 SageMaker AI는 Amazon EBS 볼륨 및 Amazon S3 아티팩트의 데이터에 대한 기본 암호화를 제공합니다. **암호화 키 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 AWS KMS 키를 선택해야 합니다. ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **입력 암호화 키** 이 옵션을 선택하는 경우 AWS KMS 키를 수동으로 입력해야 합니다. Studio Classic 실행 역할 또는 Amazon VPC가 `kms:list* `호출을 차단하는 경우이 옵션을 사용하여 기존 AWS KMS 키를 선택해야 합니다. ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## JumpStart 모델의 기본값을 구성합니다. JumpStart 모델 배포 및 훈련을 위해 IAM 역할, VPC 및 KMS 키와 같은 파라미터의 기본값을 미리 채우도록 구성할 수 있습니다. 기본값을 구성한 후 Studio Classic UI는 지정된 보안 설정 및 태그를 JumpStart 모델에 자동으로 제공하여 배포 및 훈련 워크플로를 단순화합니다. 관리자와 최종 사용자는 구성 파일에 지정된 기본값을 YAML 형식으로 초기화할 수 있습니다. 기본적으로 SageMaker Python SDK는 두 개의 구성 파일을 사용하는데, 하나는 관리자용이고 다른 하나는 사용자용입니다. 관리자는 관리자 구성 파일을 사용하여 기본값 세트를 정의할 수 있습니다. 최종 사용자는 관리자 구성 파일에 설정된 값을 재정의하고 최종 사용자 구성 파일을 사용하여 추가 기본값을 설정할 수 있습니다. (자세한 정보는 [기본 구성 파일 위치](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location)를 참조하세요. 다음 코드 샘플은 Amazon SageMaker Studio Classic에서 SageMaker Python SDK를 사용할 때 구성 파일의 기본 위치를 나열합니다. ``` # Location of the admin config file /etc/xdg/sagemaker/config.yaml # Location of the user config file /root/.config/sagemaker/config.yaml ``` 사용자 구성 파일에 지정된 값은 관리자 구성 파일에 설정된 값보다 우선합니다. 구성 파일은 Amazon SageMaker AI 도메인 내의 각 사용자 프로필마다 고유합니다. 사용자 프로필의 Studio Classic 애플리케이션은 사용자 프로필과 직접 연결됩니다. 자세한 내용은 [도메인 프로필 관리](domain-user-profile.md) 섹션을 참조하세요. 관리자는 `JupyterServer` 수명 주기 구성을 통해 JumpStart 모델 훈련 및 배포를 위한 구성 기본값을 선택적으로 설정할 수 있습니다. 자세한 내용은 [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md) 섹션을 참조하세요. ### 기본값 구성 YAML 파일 구성 파일은 SageMaker Python SDK [구성 파일 구조](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)를 준수해야 합니다. `TrainingJob`, `Model` 및 `EndpointConfig` 구성의 특정 필드는 JumpStart 모델 훈련 및 배포 기본값에 적용된다는 점에 유의하세요. ``` SchemaVersion: '1.0' SageMaker: TrainingJob: OutputDataConfig: KmsKeyId: example-key-id ResourceConfig: # Training configuration - Volume encryption key VolumeKmsKeyId: example-key-id # Training configuration form - IAM role RoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Training configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Training configuration - Subnets Subnets: - subnet-1 - subnet-2 # Training configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value Model: EnableNetworkIsolation: true # Deployment configuration - IAM role ExecutionRoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Deployment configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Deployment configuration - Subnets Subnets: - subnet-1 - subnet-2 EndpointConfig: AsyncInferenceConfig: OutputConfig: KmsKeyId: example-key-id DataCaptureConfig: # Deployment configuration - Volume encryption key KmsKeyId: example-key-id KmsKeyId: example-key-id # Deployment configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value ``` # 모델 미세 조정 미세 조정을 사용하면 처음부터 훈련하지 않고도 새 데이터세트를 기반으로 사전 훈련된 모델을 훈련시킬 수 있습니다. 전이 학습이라고도 하는 이 프로세스를 통해 더 작은 데이터세트를 사용하고 훈련 시간을 단축하여 정확한 모델을 생성할 수 있습니다. 카드에 **미세 조정 가능한** 속성이 **예**로 설정된 경우 모델을 미세 조정할 수 있습니다. ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **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** Studio의 JumpStart 모델 미세 조정에 대한 자세한 내용은 [Studio에서 모델 미세 조정](jumpstart-foundation-models-use-studio-updated-fine-tune.md) 섹션을 참조하세요 ## 데이터 소스 미세 조정 모델을 미세 조정할 때 기본 데이터세트를 사용하거나 Amazon S3 버킷에 있는 자체 데이터를 선택할 수 있습니다. 사용 가능한 버킷을 찾아보려면 **S3 버킷 찾기**를 선택하세요. 이러한 버킷은 Studio Classic 계정을 설정하는 데 사용되는 권한에 따라 제한됩니다. **Amazon S3 버킷 위치 입력**을 선택하여 Amazon S3 URI를 지정할 수도 있습니다. ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **작은 정보** 버킷의 데이터 형식을 지정하는 방법을 알아보려면 **자세히 알아보기**를 선택하세요. 모델의 설명 섹션에는 입력 및 출력에 대한 세부 정보가 있습니다.  텍스트 모델의 경우: + 버킷에는 data.csv 파일이 있어야 합니다. + 첫 번째 열은 클래스 레이블의 고유한 정수여야 합니다. 예: `1`, `2`, `3`, `4`, `n` + 두 번째 열은 문자열이어야 합니다. + 두 번째 열에는 모델의 유형 및 언어와 일치하는 해당 텍스트가 있어야 합니다.  비전 모델의 경우: + 버킷에는 클래스 수만큼 많은 하위 디렉터리가 있어야 합니다. + 각 하위 디렉터리에는 해당 클래스에 속하는 이미지가 .jpg 형식으로 포함되어야 합니다. **참고** SageMaker AI는 리전 간 요청을 허용하지 않으므로 Amazon S3 버킷은 SageMaker Studio Classic을 실행하는 AWS 리전 동일한에 있어야 합니다. ## 배포 구성 미세 조정 p3 패밀리는 딥 러닝 트레이닝을 위한 가장 빠른 패밀리로 권장되며, 모델을 미세 조정하는 데 권장됩니다. 다음 차트는 각 인스턴스 유형의 GPU 수를 보여줍니다. p2 및 g4 인스턴스 유형을 포함하여 다른 옵션을 선택할 수도 있습니다. | 인스턴스 유형 | GPU | | --- | --- | | p3.2xlarge | 1 | | p3.8xlarge | 4 | | p3.16xlarge | 8 | | p3dn.24xlarge | 8 | ## 하이퍼파라미터 모델을 미세 조정하는 데 사용되는 훈련 작업의 하이퍼파라미터를 사용자 지정할 수 있습니다. 미세 조정 가능한 각 모델에 사용할 수 있는 하이퍼파라미터는 모델에 따라 다릅니다. 사용 가능한 각 하이퍼파라미터에 대한 자세한 내용은 [Amazon SageMaker 기본 제공 알고리즘 또는 사전 훈련된 모델 사용](algos.md)에서 선택한 모델의 하이퍼파라미터 설명서를 참조하세요. 예를 들어 미세 조정 가능한 이미지 분류 – TensorFlow 하이퍼파라미터에 자세한 내용은 [이미지 분류 - 텐서플로우 하이퍼파라미터](IC-TF-Hyperparameter.md) 섹션을 참조하세요. 하이퍼파라미터를 변경하지 않고 텍스트 모델에 기본 데이터세트를 사용하면 결과적으로 거의 동일한 모델을 얻을 수 있습니다. 비전 모델의 경우 기본 데이터세트는 사전 훈련된 모델을 훈련시키는 데 사용되는 데이터세트와 다르므로 결과적으로 모델이 달라집니다. 모델 간에 일반적으로 사용되는 하이퍼파라미터는 다음과 같습니다. + **에포크** – 한 에포크는 전체 데이터세트를 한 번 순환하는 것입니다. 여러 간격으로 하나의 배치가 완성되고, 여러 배치가 모여 결국 한 에포크를 완성하게 됩니다. 모델의 정확도가 허용 가능한 수준에 도달하거나 오류율이 허용 수준 아래로 떨어질 때까지 여러 에포크가 실행됩니다. + **학습률** – 에포크 간에 값을 변경해야 하는 양. 모델이 세분화됨에 따라 내부 가중치를 조정하고 오류율을 점검하여 모델이 개선되는지 확인합니다. 일반적인 학습률은 0.1 또는 0.01인데, 0.01은 훨씬 작은 조정으로 인해 훈련이 수렴되는 데 오랜 시간이 걸릴 수 있는 반면, 0.1은 훨씬 커서 훈련이 오버슈팅될 수 있습니다. 이는 모델 훈련을 위해 조정할 수 있는 기본 하이퍼파라미터 중 하나입니다. 텍스트 모델의 경우 학습률이 훨씬 낮을수록(BERT의 경우 5e–5) 모델이 더 정확할 수 있습니다. + **배치 크기** – 각 간격마다 선택하여 훈련을 위해 GPU로 보낼 데이터세트의 레코드 수입니다. 이미지 예제에서는 GPU당 32개의 이미지를 전송할 수 있으므로 배치 크기는 32가 됩니다. GPU가 두 개 이상인 인스턴스 유형을 선택하면 배치를 GPU 수로 나눕니다. 권장 배치 크기는 사용 중인 데이터와 모델에 따라 달라집니다. 예를 들어, 이미지 데이터를 최적화하는 방법은 언어 데이터를 처리하는 방법과 다릅니다. 배포 구성 섹션의 인스턴스 유형 차트에서 인스턴스 유형별 GPU 수를 확인할 수 있습니다. 표준 권장 배치 크기(예: 비전 모델의 경우 32)로 시작하세요. 그런 다음 이 값에 선택한 인스턴스 유형의 GPU 수를 곱합니다. 예를 들어 `p3.8xlarge`를 사용하는 경우 배치 크기가 GPU 수에 맞게 조정되므로 32(배치 크기)에 4(GPU 수)를 곱해 총 128개가 됩니다. BERT와 같은 텍스트 모델의 경우 64의 배치 크기로 시작한 다음 필요에 따라 줄입니다. ## 훈련 출력 미세 조정 프로세스가 완료되면 JumpStart는 상위 모델, 훈련 작업 이름, 훈련 작업 ARN, 훈련 시간, 출력 경로 등 모델에 대한 정보를 제공합니다. 출력 경로는 Amazon S3 버킷에서 새 모델을 찾을 수 있는 위치입니다. 폴더 구조는 사용자가 제공한 모델 이름을 사용하며 모델 파일은 `/output` 하위 폴더에 있으며 항상 이름이 `model.tar.gz`로 지정됩니다.  예시: `s3://bucket/model-name/output/model.tar.gz` ## 모델 훈련을 위한 기본값 구성 JumpStart 모델 배포 및 훈련을 위해 IAM 역할, VPC 및 KMS 키와 같은 파라미터의 기본값을 미리 채우도록 구성할 수 있습니다. 자세한 정보는 [JumpStart 모델의 기본값을 구성합니다.](jumpstart-deploy.md#jumpstart-config-defaults)을 참조하세요. # 모델 공유 **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. 다음 절차에 따라 **시작된 JumpStart 자산** 페이지에서 직접 Studio Classic UI를 통해 JumpStart 모델을 공유할 수 있습니다. 1. Amazon SageMaker Studio Classic을 열고 왼쪽 탐색 창의 **JumpStart** 섹션에서 **시작된 JumpStart 자산**을 선택합니다. 1. **훈련 작업** 탭을 선택하여 모델 훈련 작업 목록을 확인합니다. 1. **훈련 작업** 목록에서 공유하려는 훈련 작업을 선택합니다. 그러면 훈련 작업 세부 정보 페이지가 열립니다. 두 개 이상의 훈련 작업을 한 번에 공유할 수는 없습니다. 1. 훈련 작업 헤더에서 **공유**를 선택하고 **Canvas에 공유**를 선택합니다. 조직과 모델 공유에 대한 자세한 내용은 [공유 모델 및 노트북](jumpstart-content-sharing.md) 섹션을 참조하세요. # 공유 모델 및 노트북 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 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 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 모델 및 노트북을 공유하여 모델 아티팩트를 중앙 집중화하고, 검색 가능성을 높이고, 조직 내에서 모델 재사용을 늘리세요. 모델을 공유할 때 훈련 및 추론 환경 정보를 제공하고 협력자가 이러한 환경을 자신의 훈련 및 추론 작업에 사용할 수 있도록 할 수 있습니다. 공유하는 모든 모델 및 공유된 모델은 Amazon SageMaker Studio Classic의 중앙 위치에서 직접 검색할 수 있습니다. 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. **Topics** + [모델 및 노트북 공유](jumpstart-content-sharing-access.md) + [공유 콘텐츠 액세스](jumpstart-content-sharing-access-filter.md) + [모델 추가](jumpstart-content-sharing-add-model.md) # 모델 및 노트북 공유 모델 및 노트북을 공유하려면 Amazon SageMaker Studio Classic의 **공유 모델** 섹션으로 이동하여 **내 조직에 의해 공유됨**을 선택한 다음 **추가** 드롭다운 목록을 선택합니다. 모델을 추가하거나 노트북을 추가하도록 선택합니다. ![\[JumpStart에 공유 모델 또는 노트북을 추가하는 메뉴입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png) # 공유 콘텐츠 액세스 Amazon SageMaker Studio Classic UI에서 공유 콘텐츠에 액세스하고 표시되는 내용을 필터링할 수 있습니다. 공유 모델 및 노트북을 필터링하기 위한 세 가지 주요 옵션은 다음과 같습니다. 1. **내가 공유함** - JumpStart에 공유한 모델 및 노트북입니다. 1. **나와 공유됨** - 사용자와 공유한 모델 및 노트북 1. **내 조직에 의해 공유됨** - 조직 내 모든 사람과 공유하는 모든 모델 및 노트북 모델과 노트북을 마지막으로 업데이트한 시간을 기준으로 정렬하거나 알파벳 오름차순 또는 내림차순으로 정렬할 수도 있습니다. 필터 아이콘(![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png))을 선택하면 선택 항목을 더 자세히 정렬할 수 있습니다. # 모델 추가 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 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 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. 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 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. # 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. # Amazon SageMaker JumpStart Industry: Financial SageMaker JumpStart Industry: Financial 솔루션, 모델 및 예시 노트북을 사용하여 엄선된 원스텝 솔루션 및 업종 중심의 기계 학습(ML) 문제로 구성된 예시 노트북을 통해 SageMaker AI의 특성과 기능에 대해 알아봅니다. 해당 노트북에서는 SageMaker JumpStart Industry Python SDK를 사용하여 업종 텍스트 데이터를 향상시키고 사전 훈련 모델을 미세 조정하는 방법도 안내합니다. **Topics** + [Amazon SageMaker JumpStart Industry Python SDK](#studio-jumpstart-industry-pysdk) + [Amazon SageMaker JumpStart Industry: Financial 솔루션](#studio-jumpstart-industry-solutions) + [Amazon SageMaker JumpStart Industry: Financial 모델](#studio-jumpstart-industry-models) + [Amazon SageMaker JumpStart Industry: Financial 예제 노트북](#studio-jumpstart-industry-examples) + [Amazon SageMaker JumpStart Industry: Financial 블로그 게시물](#studio-jumpstart-industry-blogs) + [Amazon SageMaker JumpStart Industry: Financial 관련 연구](#studio-jumpstart-industry-research) + [Amazon SageMaker JumpStart Industry: Financial 추가 리소스](#studio-jumpstart-industry-resources) ## Amazon SageMaker JumpStart Industry Python SDK SageMaker Runtime JumpStart는 SageMaker JumpStart Industry Python SDK라는 클라이언트 라이브러리를 통해 업종 데이터세트를 엄선하고 사전 훈련 모델을 미세 조정하기 위한 처리 도구를 제공합니다. 이 SDK에 대한 자세한 API 설명서를 확인하고, SageMaker JumpStart로 최신 모델의 성능을 개선하기 위한 업종 텍스트 데이터세트를 처리 및 개선하는 방법을 자세히 알아보려면 [SageMaker JumpStart Industry Python SDK 오픈 소스 설명서](https://sagemaker-jumpstart-industry-pack.readthedocs.io)를 참조하세요. ## Amazon SageMaker JumpStart Industry: Financial 솔루션 SageMaker JumpStart Industry: Financial은 다음과 같은 솔루션 노트북을 제공합니다. + **기업 신용 등급 예측** 이 SageMaker JumpStart Industry: Financial 솔루션은 텍스트가 개선된 기업 신용 등급 모델에 맞는 템플릿을 제공합니다. 이 솔루션에서는 수치적 특징(이 경우에는 Altman의 유명한 5개 재무비율)을 기준으로 하는 모델을 SEC 자료의 텍스트와 결합시켜 신용 등급 예측을 개선하는 방법을 보여줍니다. Altman의 5개 비율 외에도 필요에 따라 더 많은 변수를 추가하거나 사용자 지정 변수를 설정할 수 있습니다. 이 솔루션 노트북은 SageMaker JumpStart Industry Python SDK가 SEC 자료 내 텍스트의 자연어 처리(NLP) 점수 평가 처리에 어떤 도움이 되는지를 보여줍니다. 또한 이 솔루션은 동종 최고의 모델을 달성하기 위해 향상된 데이터세트를 사용하여 모델을 훈련시키고, 모델을 SageMaker AI 프로덕션용 엔드포인트에 배포하고, 개선된 예측을 실시간으로 수신하는 방법을 보여줍니다. + **그래프 기반 신용 점수 평가** 신용 등급은 일반적으로 재무제표 데이터 및 시장 데이터를 이용하는 모델을 사용하여 생성됩니다. 이러한 데이터는 표 형식(숫자 및 범주로 구성됨)으로만 제공됩니다. 이 솔루션은 [SEC 자료](https://www.sec.gov/edgar/searchedgar/companysearch.html)를 이용하여 기업 네트워크를 구축하고, 표 형식 데이터로 기업 관계 네트워크를 이용하여 정확한 등급 예측을 생성하는 방법을 보여줍니다. 이 솔루션은 기업 연계 관련 데이터를 이용하여 수십 년간 신용 평가 업계에서 사용된 기존의 표 기반 신용 점수 평가 모델을 네트워크상의 기계 학습 모델 클래스로 확장하는 방법을 보여줍니다. **참고** 이 솔루션 노트북은 시연용일 뿐입니다. 이들 자료를 금융 또는 투자 조언으로 삼아서는 안 됩니다. 해당 금융 서비스 솔루션은 Studio Classic의 SageMaker JumpStart 페이지에서 확인할 수 있습니다. **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 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** SageMaker JumpStart Industry: 재무 솔루션, 모델 카드 및 예제 노트북은 SageMaker Studio Classic을 통해서만 호스팅하고 실행할 수 있습니다. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)에 로그인하여 SageMaker Studio Classic을 시작하세요. 솔루션 카드를 찾는 방법에 대한 자세한 내용은 [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)의 이전 주제를 참조하세요. ## Amazon SageMaker JumpStart Industry: Financial 모델 SageMaker JumpStart Industry: Financial은 다음의 사전 훈련된 [RoBERTa(Robustly Optimized BERT approach)](https://arxiv.org/pdf/1907.11692.pdf) 모델을 제공합니다. + **금융 텍스트 임베딩(RoBERTa-SEC-Base) ** + **RoBERTa-SEC-WIKI-Base ** + **RoBERTa-SEC-Large ** + **RoBERTa-SEC-WIKI-Large ** RoBERTa-SEC-Base 모델 및 RoBERTa-SEC-Large 모델은 [GluonNLP의 RoBERTa 모델](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel)을 기반으로 하는 텍스트 임베딩 모델로, 2010년대 10년간(2010년\$12019년)의 S&P 500 SEC 10-K/10-Q 보고서로 사전 훈련되었습니다. 이들 모델 외에도 SageMaker AI JumpStart Industry: Financial은 2가지 RoBERTa 변형, 즉 RoBERTa-SEC-WIKI-Base와 RoBERTa-SEC-WIKI-Large를 추가로 제공합니다. 이들 변형은 SEC 자료 및 Wikipedia의 일반 텍스트로 사전 훈련되었습니다. 이들 모델은 SageMaker JumpStart에서 **텍스트 모델** 노드로 이동하여 **모든 텍스트 모델 탐색**을 선택한 다음, ML 작업에 대해 **텍스트 임베딩**을 필터링하면 찾을 수 있습니다. 원하는 모델을 선택한 후 해당하는 노트북에 액세스하면 됩니다. 페어링된 노트북에서는 SageMaker JumpStart Industry Python SDK로 개선된 다중 모달 데이터세트를 이용한 특정 분류 작업에 맞게 사전 훈련 모델을 미세 조정하는 방법을 안내합니다. **참고** 이 모델 노트북은 시연용일 뿐입니다. 이들 자료를 금융 또는 투자 조언으로 삼아서는 안 됩니다. 다음 스크린샷은 Studio Classic의 SageMaker AI JumpStart 페이지를 통해 제공되는 사전 훈련 모델 카드를 보여줍니다. ![\[Studio Classic의 SageMaker AI JumpStart 페이지를 통해 제공되는 사전 훈련 모델 카드입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png) **참고** SageMaker JumpStart Industry: 재무 솔루션, 모델 카드 및 예제 노트북은 SageMaker Studio Classic을 통해서만 호스팅하고 실행할 수 있습니다. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)에 로그인하여 SageMaker Studio Classic을 시작하세요. 모델 카드를 찾는 방법에 대한 자세한 내용은 [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)의 이전 주제를 참조하세요. ## Amazon SageMaker JumpStart Industry: Financial 예제 노트북 SageMaker JumpStart Industry: Financial은 다음 예제 노트북을 제공함으로써 업종 중심의 ML 문제에 대한 솔루션을 보여줍니다. + **Financial TabText 데이터 구성** - 이 예제에서는 SageMaker JumpStart Industry Python SDK를 사용하여 SEC 자료(예: NLP 점수 유형 및 해당 단어 목록을 기준으로 한 텍스트 요약과 점수 평가 텍스트)를 처리하는 방법을 소개합니다. 이 노트북의 내용을 미리 보려면 [SEC 자료 및 NLP 점수를 이용한 간단한 다중 모달 데이터세트 구성](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html)을 참조하세요. + **TabText 데이터를 이용한 다중 모달 ML** - 이 예제에서는 다양한 유형의 데이터세트를 TabText라는 단일 데이터 프레임으로 병합하고 다중 모달 ML을 수행하는 방법을 보여줍니다. 이 노트북의 내용을 미리 보려면 [TabText 데이터 프레임을 이용한 기계 학습 – 급여 보호 프로그램 기반 예제](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html)를 참조하세요. + **SEC 자료 데이터를 이용한 다중 범주 ML** – 이 예제에서는 멀티클래스 분류 작업을 위해 SEC 자료에서 엄선한 다중 모달(TabText) 데이터세트로 AutoGluon NLP 모델을 훈련시키는 방법을 보여줍니다. [MDNA 텍스트 열의 업종 코드에 따라 SEC 10K/Q 자료를 분류하세요](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html). **참고** 이 예제 노트북은 시연용일 뿐입니다. 이들 자료를 금융 또는 투자 조언으로 삼아서는 안 됩니다. **참고** SageMaker JumpStart Industry: 재무 솔루션, 모델 카드 및 예제 노트북은 SageMaker Studio Classic을 통해서만 호스팅하고 실행할 수 있습니다. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)에 로그인하여 SageMaker Studio Classic을 시작하세요. 예제 노트북을 찾는 방법에 대한 자세한 내용은 [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)의 이전 주제를 참조하세요. 해당 예제 노트북의 내용을 미리 보려면 *SageMaker JumpStart Industry Python SDK 설명서*의 [튜토리얼 - 금융](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html)을 참조하세요. ## Amazon SageMaker JumpStart Industry: Financial 블로그 게시물 SageMaker JumpStart Industry: Financial 솔루션, 모델, 예제, SDK 사용에 대한 자세한 내용은 다음 블로그 게시물을 참조하세요. + [Amazon SageMaker JumpStart로 전이 학습용 사전 훈련 금융 언어 모델 사용](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/) + [Amazon SageMaker JumpStart로 다중 모달 ML을 이용하여 등급 분류에 SEC 텍스트 사용](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/) + [Amazon SageMaker JumpStart로 금융 NLP에 맞게 SEC 텍스트 포함 대시보드 생성](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/) + [Amazon SageMaker JumpStart로 그래프 기계 학습을 이용한 기업 신용 등급 분류자 빌드](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/) + [금융 데이터를 이용한 Amazon SageMaker JumpStart의 파운데이션 모델에 대한 도메인 조정 미세 조정](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/) ## Amazon SageMaker JumpStart Industry: Financial 관련 연구 SageMaker JumpStart Industry: Financial 솔루션과 관련 있는 연구에 대해서는 다음 문서를 참조하세요. + [금융 분야의 컨텍스트, 언어 모델링 및 다중 모달 데이터](https://www.pm-research.com/content/iijjfds/3/3/52) + [신용 모델링을 위한 다중 모달 기계 학습](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) + [신경망 텍스트 분류자의 강력한 해석력 부재에 관하여](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers) + [FinLex: 금융 어휘 생성을 위한 단어 임베딩의 효과적인 사용](https://www.sciencedirect.com/science/article/pii/S2405918821000131) ## Amazon SageMaker JumpStart Industry: Financial 추가 리소스 추가 설명서 및 튜토리얼은 다음 리소스를 참조하세요. + [SageMaker JumpStart Industry: Financial Python SDK](https://pypi.org/project/smjsindustry/) + [SageMaker JumpStart Industry: Financial Python SDK 튜토리얼](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#) + [SageMaker JumpStart Industry: Financial GitHub 리포지토리](https://github.com/aws/sagemaker-jumpstart-industry-pack/) + [Amazon SageMaker AI - 기계 학습 튜토리얼 시작](https://aws.amazon.com/sagemaker/getting-started/)