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

# Amazon SageMaker AI 기능
<a name="whatis-features"></a>

Amazon SageMaker AI에는 다음과 같은 기능이 포함되어 있습니다.

**Topics**
+ [re:Invent 2024에서 발표된 새로운 기능](#whatis-features-alpha-new)
+ [기계 학습 환경](#whatis-features-alpha-mle)
+ [주요 기능](#whatis-features-alpha-major)

## re:Invent 2024에서 발표된 새로운 기능
<a name="whatis-features-alpha-new"></a>

SageMaker AI에는 re:Invent 2024의 다음과 같은 새로운 기능이 포함되어 있습니다.

**[HyperPod 레시피](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html) **  
Amazon SageMaker HyperPod 내에서 또는 SageMaker 훈련 작업으로 레시피를 실행할 수 있습니다. HyperPod 훈련 어댑터를 프레임워크로 사용하여 엔드 투 엔드 훈련 워크플로를 실행할 수 있습니다. 훈련 어댑터는 NVIDIA NeMo 프레임워크 및 Neuronx 분산 훈련 패키지를 기반으로 구축되었습니다.

**[Studio의 HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-studio.html) **  
Amazon SageMaker Studio에서는 HyperPod 클러스터에서 기계 학습 워크로드를 시작하고 HyperPod 클러스터 정보를 볼 수 있습니다. 클러스터 세부 정보 및 하드웨어 지표에 대한 가시성이 향상되면 팀이 사전 훈련 워크로드 또는 미세 조정 워크로드에 적합한 후보를 식별하는 데 도움이 될 수 있습니다.

**[HyperPod 태스크 거버넌스](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks-operate-console-ui-governance.html) **  
Amazon SageMaker HyperPod 태스크 거버넌스는 리소스 할당을 간소화하고 Amazon EKS 클러스터에서 팀 및 프로젝트 간 컴퓨팅 리소스를 효율적으로 활용하도록 설계된 강력한 관리 시스템입니다. 또한 HyperPod 태스크 거버넌스는 Amazon EKS 클러스터 관찰성을 제공하여 클러스터 용량, 컴퓨팅 가용성 및 사용량, 팀 할당 및 사용률, 작업 실행 및 대기 시간 정보에 대한 실시간 가시성을 제공합니다.

**[Amazon SageMaker Partner AI App](https://docs.aws.amazon.com/sagemaker/latest/dg/partner-apps.html) **  
Amazon SageMaker Partner AI App을 사용하면 사용자는 업계 최고의 애플리케이션 공급자가 구축, 게시 및 배포한 생성형 인공 지능(AI) 및 기계 학습(ML) 개발 애플리케이션에 액세스할 수 있습니다. Partner AI App은 SageMaker AI에서 실행되도록 인증되었습니다. Partner AI App을 사용하면 사용자는 민감한 데이터의 보안을 손상시키지 않고 파운데이션 모델(FM) 및 클래식 ML 모델을 기반으로 솔루션을 구축하는 방법을 가속화하고 개선할 수 있습니다. 민감한 데이터는 신뢰할 수 있는 보안 구성 내에서만 유지되며 타사와 공유되지 않습니다.

**[Canvas에서 Q Developer 사용 가능](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-q.html) **  
기계 학습 문제 해결을 위한 생성형 AI 지원을 위해 Amazon SageMaker Canvas에서 자연어를 사용하여 Amazon Q Developer와 채팅할 수 있습니다. Q Developer와의 대화를 통해 기계 학습 워크플로의 단계를 논의하고 데이터 변환, 모델 구축 및 배포와 같은 Canvas 기능을 활용할 수 있습니다.

**[SageMaker 훈련 계획](https://docs.aws.amazon.com/sagemaker/latest/dg/reserve-capacity-with-training-plans.html) **  
Amazon SageMaker 훈련 계획은 SageMaker 훈련 작업 및 HyperPod 클러스터에서 실행되는 대규모 AI 모델 훈련 워크로드를 위해 설계된 컴퓨팅 예약 기능입니다. 이 기능을 사용하면 지정된 일정 내에서 수요가 많은 GPU 가속 컴퓨팅 리소스에 안정적으로 액세스할 수 있습니다. 사용자는 원하는 일정, 기간 및 최대 컴퓨팅 리소스를 지정할 수 있으며, SageMaker 훈련 계획은 인프라 설정, 워크로드 실행 및 장애 복구를 자동으로 관리합니다. 이를 통해 미션 크리티컬 AI 프로젝트를 예측 가능한 비용 모델을 사용하여 효율적으로 계획하고 실행할 수 있습니다.

## 기계 학습 환경
<a name="whatis-features-alpha-mle"></a>

SageMaker AI에는 다음과 같은 기계 학습 환경이 포함되어 있습니다.

**[SageMaker Canvas](canvas.md)**  
코딩 경험이 없는 사용자도 모델을 구축하고 모델을 사용하여 예측할 수 있는 기능을 제공하는 자동 ML 서비스입니다.

**[코드 편집기](https://docs.aws.amazon.com/sagemaker/latest/dg/code-editor.html) **  
Code Editor는 Visual Studio Code - 오픈 소스('Code-OSS')를 기반으로 환경에서 분석 및 기계 학습 코드를 작성, 테스트, 디버깅 및 실행할 수 있도록 Studio를 확장합니다.

**[SageMaker 지리 공간 기능](geospatial.md)**  
지리 공간 데이터를 사용하여 ML 모델을 구축, 훈련 및 배포할 수 있습니다.

**[SageMaker HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html) **  
Amazon SageMaker HyperPod는 SageMaker AI의 기능으로, 복원력이 뛰어난 클러스터에 상시 작동하는 기계 학습 환경을 제공하므로 대형 언어 모델(LLMs) 및 확산 모델과 같은 대규모 기계 학습 모델을 개발하기 위해 모든 기계 학습 워크로드를 실행할 수 있습니다.

**[Studio의 JupyterLab](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl.html) **  
Studio의 JupyterLab은 Studio 노트북의 지연 시간과 신뢰성을 개선합니다.

**[스튜디오](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated.html) **  
Studio는 ML 워크플로를 실행하기 위한 최신 웹 기반 환경입니다. Studio는 Code Editor, 새로운 Jupyterlab 애플리케이션, RStudio 및 Studio Classic을 포함한 IDE 제품군을 제공합니다.

**[Amazon SageMaker Studio Classic](studio.md)**  
사용자가 동일한 애플리케이션에서 모델을 모두 빌드, 훈련, 배포 및 분석할 수 있는 통합 기계 학습 환경입니다.

**[SageMaker Studio Lab](studio-lab.md)**  
오픈 소스 JupyterLab을 기반으로 환경의 AWS 컴퓨팅 리소스에 대한 액세스 권한을 고객에게 제공하는 무료 서비스입니다.

**[RStudio on Amazon SageMaker AI](rstudio.md)**  
콘솔, 직접 코드 실행을 지원하는 구문 강조 편집기, 플로팅, 기록, 디버깅 및 작업 공간 관리를 위한 도구를 갖춘 R용 통합 개발 환경입니다.

## 주요 기능
<a name="whatis-features-alpha-major"></a>

SageMaker AI에는 SageMaker AI 접두사를 제외한 다음과 같은 주요 기능이 알파벳 순으로 포함되어 있습니다.

**[Amazon Augmented AI](a2i-use-augmented-ai-a2i-human-review-loops.md)**  
ML 예측을 사람이 검토하는 데 필요한 워크플로를 구축합니다. Amazon A2I는 모든 개발자에게 사람 검토 기능을 제공하여 사람 검토 시스템을 구축하거나 많은 수의 사람 검토자를 관리하는 것과 관련된 차별화되지 않은 힘든 일을 제거합니다.

**[AutoML 단계](build-and-manage-steps.md)**  
Pipelines에서 모델을 자동으로 훈련시키는 AutoML 작업을 생성합니다.

**[SageMaker Autopilot](autopilot-automate-model-development.md)**  
기계 학습 지식이 없는 사용자도 분류 및 회귀 모델을 신속하게 구축할 수 있습니다.

**[배치 변환](batch-transform.md)**  
데이터세트를 사전 처리하고, 영구 엔드포인트가 필요하지 않을 때 추론을 실행하며, 결과 해석을 지원하기 위해 입력 레코드를 추론과 연관시킵니다.

**[SageMaker Clarify](clarify-configure-processing-jobs.md#clarify-fairness-and-explainability)**  
잠재적 편향을 감지하여 기계 학습 모델을 개선하고 모델이 제시하는 예측을 설명하는 데 도움을 줍니다.

**[공유 스페이스와 협업](domain-space.md)**  
공유 스페이스는 공유 JupyterServer 애플리케이션과 공유 디렉터리로 구성됩니다. Amazon SageMaker AI 도메인의 모든 사용자 프로필은 도메인의 모든 공유 스페이스에 액세스할 수 있습니다.

**[SageMaker Data Wrangler](data-wrangler.md)**  
SageMaker Studio에서 데이터를 가져오고, 분석하고, 준비하고, 특징화합니다. 사용자는 Data Wrangler를 기계 학습 워크플로에 통합하여 코딩을 거의 또는 전혀 사용하지 않고도 데이터 사전 처리 및 특성 추출을 단순화하고 간소화할 수 있습니다. 사용자는 나만의 Python 스크립트와 변환을 추가하여 데이터 준비 워크플로를 사용자 지정할 수도 있습니다.

**[Data Wrangler 데이터 준비 위젯](data-wrangler-interactively-prepare-data-notebook.md)**  
데이터와 상호 작용하고, 시각화하고, 실행 가능한 인사이트를 탐색하고, 데이터 품질 문제를 해결합니다.

**[SageMaker Debugger](train-debugger.md)**  
훈련 프로세스 전반에 걸쳐 훈련 파라미터 및 데이터를 검사합니다. 파라미터 값이 너무 크거나 작아지는 등 일반적으로 발생하는 오류를 자동으로 감지하여 사용자에게 알립니다.

**[SageMaker Edge Manager](edge.md)**  
엣지 디바이스용 사용자 지정 모델을 최적화하고, 플릿을 생성 및 관리하고, 효율적인 런타임으로 모델을 실행합니다.

**[SageMaker Experiments](experiments.md)**  
실험 관리 및 추적. 사용자는 추적된 데이터를 사용하여 실험을 재구성하고, 동료들이 수행한 실험을 기반으로 점진적으로 빌드를 수행하며,, 규정 준수 및 감사 검증을 위해 모델 계통을 추적할 수 있습니다.

**[SageMaker Feature Store](feature-store.md)**  
기능 및 관련 메타데이터를 위한 중앙 집중식 스토어로 기능을 쉽게 검색하고 재사용할 수 있습니다. 사용자는 온라인 저장소와 오프라인 저장소의 두 가지 유형을 생성할 수 있습니다. 온라인 저장소는 지연 시간이 짧은 실시간 추론 사용 사례에 사용할 수 있으며 오프라인 저장소는 훈련 및 일괄 추론에 사용할 수 있습니다.

**[SageMaker Ground Truth](sms.md)**  
기계 학습과 함께 작업자를 사용하여 레이블이 지정된 데이터세트를 생성하는 고품질 훈련 데이터세트입니다.

**[SageMaker Ground Truth Plus](gtp.md)**  
레이블링 애플리케이션을 구축하고 레이블링 인력을 직접 관리할 필요 없이 고품질 훈련 데이터세트를 만들 수 있는 턴키 데이터 레이블링 기능입니다.

**[SageMaker Inference Recommender](inference-recommender.md)**  
ML 모델 및 워크로드를 사용하기 위한 추론 인스턴스 유형 및 구성(예: 인스턴스 수, 컨테이너 파라미터, 모델 최적화)에 대한 추천을 받을 수 있습니다.

**[추론 섀도우 테스트](shadow-tests.md)**  
모델 서빙 인프라의 성능을 현재 배포된 인프라와 비교하여 모델 서빙 인프라의 변경 사항을 평가합니다.

**[SageMaker JumpStart](studio-jumpstart.md)**  
선별된 원클릭 솔루션, 예시 노트북, 배포할 수 있는 사전 훈련된 모델을 통해 SageMaker AI의 특성과 기능에 대해 알아봅니다. 사용자는 모델을 미세 조정하고 배포할 수도 있습니다.

**[SageMaker ML Lineage Tracking](lineage-tracking.md)**  
머신 러닝 워크플로의 계보를 추적합니다.

**[SageMaker Model Building Pipelines](pipelines.md)**  
SageMaker AI 작업과 직접 통합된 기계 학습 파이프라인을 생성하고 관리합니다.

**[SageMaker 모델 카드](model-cards.md)**  
ML 모델에 대한 정보를 한 곳에 문서화하여 ML 주명 주기 전반에 걸쳐 간소화된 거버넌스 및 보고를 수행할 수 있습니다.

**[SageMaker 모델 대시보드](model-dashboard.md)**  
계정의 모든 모델에 대해 사전 구축된 시각적인 개요를 제공합니다. 모델 대시보드는 SageMaker 모델 모니터, 변환 작업, 엔드포인트, 계보 추적 및 CloudWatch의 정보를 통합하므로 사용자는 하나의 통합 보기에서 높은 수준의 모델 정보에 액세스하고 모델 성능을 추적할 수 있습니다.

**[SageMaker Model Monitor](model-monitor.md)**  
프로덕션 단계(엔드포인트)의 모델을 모니터링 및 분석하여 모델 품질의 데이터 드리프트 및 편차를 감지합니다.

**[SageMaker Model Registry](model-registry.md)**  
기계 학습 모델 배포를 위한 버전 관리, 아티팩트 및 계보 추적, 승인 워크플로, 계정 간 지원.

**[SageMaker Neo](neo.md)**  
기계 학습 모델을 한 번 훈련한 다음, 클라우드와 에지 어디에서나 실행합니다.

**[노트북 기반 워크플로](notebook-auto-run.md)**  
SageMaker Studio 노트북을 비대화형 예약된 작업으로 실행합니다.

**[사전 처리](processing-job.md)**  
데이터를 분석 및 사전 처리하고, 특성 추출 문제를 해결하며, 모델을 평가합니다.

**[SageMaker Projects](sagemaker-projects.md)**  
SageMaker 프로젝트를 사용하여 CI/CD로 엔드 투 엔드 ML 솔루션을 생성합니다.

**[강화 학습](reinforcement-learning.md)**  
행동의 결과로 에이전트가 받게 되는 장기 보상을 극대화합니다.

**[SageMaker 역할 관리자](role-manager.md)**  
관리자는 사용자 지정 및 사전 구성된 페르소나 기반 IAM 역할을 사용하여 일반적인 ML 활동에 대한 최소 권한이라는 권한을 정의할 수 있습니다.

**[SageMaker Serverless Endpoints](serverless-endpoints.md)**  
ML 모델 호스팅을 위한 서버리스 엔드포인트 옵션입니다. 엔드포인트 트래픽을 처리하기 위해 용량을 자동으로 확장합니다. 인스턴스 유형을 선택하거나 엔드포인트에서 크기 조정 정책을 관리할 필요가 없습니다.

**[Studio Classic Git 확장](studio-git-attach.md)**  
Git 리포지토리의 URL을 입력하고, 환경에 복제하고, 변경 사항을 푸시하고, 커밋 이력을 볼 수 있는 Git 확장입니다.

**[SageMaker Studio Notebooks](notebooks.md)**  
 AWS IAM Identity Center (IAM Identity Center) 통합, 빠른 시작 시간 및 원클릭 공유를 포함하는 차세대 SageMaker 노트북입니다.

**[SageMaker Studio 노트북 및 Amazon EMR](studio-notebooks-emr-cluster.md)**  
SageMaker Studio에서 바로 단일 계정 및 계정 간 구성의 Amazon EMR 클러스터를 쉽게 검색, 연결, 생성, 종료 및 관리할 수 있습니다.

**[SageMaker 훈련 컴파일러](training-compiler.md)**  
SageMaker AI로 관리되는 확장 가능한 GPU 인스턴스에서 딥 러닝 모델을 더 빠르게 훈련합니다.