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

# Amazon SageMaker AI란?
<a name="whatis"></a>

Amazon SageMaker AI는 완전관리형 기계 학습(ML) 서비스입니다. SageMaker AI를 통해 데이터 과학자와 개발자는 ML 모델을 빠르고 자신 있게 구축 및 훈련하고 프로덕션에 바로 사용할 수 있는 호스팅 환경에 직접 배포할 수 있습니다. 여러 통합 개발 환경(IDE)에서 SageMaker AI ML 도구를 사용할 수 있도록 하는 ML 워크플로를 실행하기 위한 UI 환경을 제공합니다.

SageMaker AI를 사용하면 자체 서버를 구축하고 관리하지 않고도 데이터를 저장하고 공유할 수 있습니다. 이렇게 하면 사용자 또는 조직이 ML 워크플로를 공동으로 빌드 및 개발하고 더 빨리 수행할 수 있는 더 많은 시간이 제공됩니다. SageMaker AI는 분산 환경의 초대용량 데이터에 대해 효율적으로 실행되도록 관리형 ML 알고리즘을 제공합니다. 내장형 BYOA(Bring-Your-Own-Algorithm) 및 프레임워크 기본 지원을 통해 SageMaker AI는 특정 워크플로에 맞게 조정되는 유연한 분산형 훈련 옵션을 제공합니다. 몇 단계 내에 SageMaker AI 콘솔에서 모델을 안전하고 확장 가능한 환경에 배포할 수 있습니다.

**Topics**
+ [Amazon SageMaker AI 이름 변경](#whatis-rename)
+ [Amazon SageMaker 및 Amazon SageMaker AI](#whatis-rename-unified)
+ [Amazon SageMaker AI 요금](#whatis-pricing)
+ [Amazon SageMaker AI를 처음 사용하는 사용자를 위한 권장 사항](first-time-user.md)
+ [Amazon SageMaker AI를 사용한 기계 학습 개요](how-it-works-mlconcepts.md)
+ [Amazon SageMaker AI 기능](whatis-features.md)

## Amazon SageMaker AI 이름 변경
<a name="whatis-rename"></a>

2024년 12월 3일에 Amazon SageMaker의 이름이 Amazon SageMaker AI로 변경되었습니다. 이 이름 변경은 기존 Amazon SageMaker 기능에는 적용되지 않습니다.

### 기존 네임스페이스는 동일하게 유지
<a name="whatis-rename-legacy"></a>

`sagemaker` API 네임스페이스와 다음 관련 네임스페이스는 이전 버전과의 호환성을 위해 변경되지 않은 상태로 유지됩니다.
+ AWS CLI 명령
+ `AmazonSageMaker` 접두사를 포함하는 [관리형 정책](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html)
+ `sagemaker`를 포함하는 [서비스 엔드포인트](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html)
+ `AWS::SageMaker` 접두사를 포함하는 [AWS CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/AWS_SageMaker.html)리소스
+ `AWSServiceRoleForSageMaker`를 포함하는 서비스 연결 역할
+ `sagemaker`를 포함하는 콘솔 URL
+ `sagemaker`를 포함하는 설명서 URL

## Amazon SageMaker 및 Amazon SageMaker AI
<a name="whatis-rename-unified"></a>

2024년 12월 3일, Amazon에서는 차세대 Amazon SageMaker를 출시했습니다.

Amazon SageMaker는 데이터, 분석 및 AI를 위한 통합 플랫폼입니다. AWS 기계 학습 및 분석 기능을 결합한 차세대 SageMaker는 모든 데이터에 대한 통합 액세스와 함께 분석 및 AI를 위한 통합 환경을 제공합니다.

Amazon SageMaker에는 다음 기능이 포함됩니다.
+ Amazon SageMaker AI(이전 Amazon SageMaker) - 완전 관리형 인프라, 도구 및 워크플로를 사용하여 ML 및 파운데이션 모델 구축, 훈련 및 배포
+ Amazon SageMaker Lakehouse - Amazon S3 데이터 레이크, Amazon Redshift 및 기타 데이터 소스에서 데이터 액세스 통합
+ Amazon SageMaker Data and AI Governance - Amazon DataZone에 구축된 Amazon SageMaker Catalog를 사용하여 데이터와 AI를 안전하게 검색, 관리 및 협업
+ SQL Analytics - Amazon Redshift를 사용하여 가격 대비 성능이 가장 뛰어난 SQL 엔진으로 인사이트 확보 
+ Amazon SageMaker 데이터 처리 - Amazon Athena, Amazon EMR 및의 오픈 소스 프레임워크를 사용하여 분석 및 AI를 위한 데이터 분석, 준비 및 통합 AWS Glue
+ Amazon SageMaker Unified Studio - 단일 개발 환경에서 분석 및 AI를 위한 모든 데이터와 도구를 사용하여 구축
+ Amazon Bedrock - 생성형 AI 애플리케이션 구축 및 확장

자세한 내용은 [Amazon SageMaker](https://aws.amazon.com/sagemaker)를 참조하세요.

## Amazon SageMaker AI 요금
<a name="whatis-pricing"></a>

[AWS 무료 티어](https://aws.amazon.com/free) 한도 및 SageMaker AI 사용 비용에 대한 자세한 내용은 [Amazon SageMaker AI 요금](https://aws.amazon.com/sagemaker/pricing/)을 참조하세요.

# Amazon SageMaker AI를 처음 사용하는 사용자를 위한 권장 사항
<a name="first-time-user"></a>

SageMaker AI를 처음 사용할 경우 다음을 완료하는 것이 좋습니다.

1. **[Amazon SageMaker AI를 사용한 기계 학습 개요](how-it-works-mlconcepts.md)** - 기계 학습(ML) 수명 주기에 대한 개요를 확인하고 제공되는 솔루션에 대해 알아봅니다. 이 페이지는 주요 구성 요소를 설명하고 SageMaker AI를 사용한 AI 솔루션 구축에 포함된 핵심 구성 요소를 설명합니다.

1. **[Amazon SageMaker AI 설정 가이드](gs.md)** - 필요에 따라 SageMaker AI를 설정하고 사용하는 방법을 알아봅니다.

1. **[자동화된 ML, 코드 없음 또는 코드 적음](use-auto-ml.md)** - 기계 학습 작업을 자동화하여 ML 워크플로를 단순화하는 로우 코드 및 노 코드 ML 옵션에 대해 알아봅니다. 이러한 옵션은 각 자동화된 ML 작업에 대한 노트북을 생성하여 코드에 대한 가시성을 제공하기 때문에 유용한 ML 학습 도구입니다.

1. **[Amazon SageMaker AI에서 제공하는 기계 학습 환경](machine-learning-environments.md)** - 즉시 사용 가능한 모델 및 사용자 지정 모델에 대한 정보 및 예제와 같이 ML 워크플로를 개발하는 데 사용할 수 있는 ML 환경을 숙지합니다.

1. **다른 주제 탐색** - SageMaker AI 개발자 안내서의 목차를 사용하여 더 많은 주제를 탐색합니다. 예를 들어 [Amazon SageMaker AI를 사용한 기계 학습 개요](how-it-works-mlconcepts.md)의 ML 수명 주기 단계와 SageMaker AI에서 제공하는 다양한 솔루션에 대한 정보를 찾을 수 있습니다.

1. **[Amazon SageMaker AI 리소스](https://aws.amazon.com/sagemaker/resources)** - SageMaker AI가 제공하는 다양한 개발자 리소스를 참조하세요.

# Amazon SageMaker AI를 사용한 기계 학습 개요
<a name="how-it-works-mlconcepts"></a>

이 섹션은 일반적인 기계 학습(ML) 워크플로를 설명하고 Amazon SageMaker AI를 사용하여 작업을 완료하는 방법을 설명합니다.

기계 학습에서는 컴퓨터를 *교육*하여 예측, 이른바 추론을 만들어냅니다. 우선 알고리즘과 예제 데이터를 사용하여 모델을 훈련합니다. 그런 다음 모델을 애플리케이션에 통합하여 실시간으로 규모에 따라 추론을 생성합니다.

다음 다이어그램은 ML 모델을 생성하기 위한 일반적인 워크플로를 보여줍니다. 여기에는 다이어그램을 진행하는 방법에 대해 자세히 설명하는 순환 흐름의 세 단계가 포함됩니다.
+ 예제 데이터 생성
+ 모델 훈련
+ 모델 배포

![\[ML 모델 생성의 3단계입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/ml-concepts-10.png)


 다이어그램은 대부분의 일반적인 시나리오에서 다음 작업을 수행하는 방법을 보여줍니다.

1. **예제 데이터 생성** – 모델을 훈련시키려면 예제 데이터가 필요합니다. 필요한 데이터의 유형은 모델을 사용하여 해결하고자 하는 비즈니스 문제에 따라 다릅니다. 이는 모델을 생성하려는 추론과 관련이 있습니다. 예를 들어, 손으로 쓴 숫자의 입력 이미지를 고려하여 숫자를 예측하는 모델을 생성하려고 합니다. 이 모델을 훈련하려면 수기 숫자의 예제 이미지가 필요합니다.

   데이터 과학자는 모델 훈련에 사용하기 전에 예제 데이터를 찾고 사전 처리하는 시간을 할애합니다. 데이터를 사전 처리하려면 일반적으로 다음을 수행합니다.

   1. **데이터 가져오기** - 사내 예제 데이터 리포지토리를 보유하거나 공개적으로 사용 가능한 데이터세트를 사용할 수 있습니다. 일반적으로 데이터세트를 단일 리포지토리로 끌어옵니다.

   1. **데이터 정리** - 모델 훈련을 개선하려면 데이터를 검사하고 필요에 따라 정리합니다. 예를 들어 데이터의 `country name` 속성의 값이 `United States` 및 `US`인 경우 데이터를 일관적인 것으로 편집할 수 있습니다.

   1. **데이터 준비 또는 변환** - 성능을 개선하기 위해 추가 데이터 변환을 수행할 수 있습니다. 예를 들어, 항공기의 제빙이 필요한 조건을 예측하는 모델의 속성을 결합하도록 선택할 수 있습니다. 온도 및 습도 속성을 별도로 사용하는 대신 이러한 속성을 새 속성으로 결합하여 더 나은 모델을 얻을 수 있습니다.

   SageMaker AI에서는 통합 개발 환경(IDE)에서 [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/)와 함께 [SageMaker API](https://docs.aws.amazon.com/sagemaker/latest/APIReference/Welcome.html)를 사용하여 예시 데이터를 사전 처리할 수 있습니다. SDK for Python(Boto3)을 사용하면 모델 훈련을 위한 데이터를 가져오고 탐색하고 준비할 수 있습니다. 데이터 준비, 처리 및 변환에 대한 자세한 내용은 [SageMaker AI에서 올바른 데이터 준비 도구를 선택하기 위한 권장 사항](data-prep.md), [SageMaker Processing을 사용한 데이터 변환 워크로드](processing-job.md) 및 [Feature Store로 특성 만들기, 저장 및 공유](feature-store.md) 섹션을 참조하세요.

1. **모델 훈련** - 모델 훈련에는 다음과 같은 모델 훈련 및 평가가 모두 포함됩니다.
   + **모델 훈련** - 모델을 훈련시키려면 알고리즘이나 사전 훈련된 기본 모델이 필요합니다. 선택하는 알고리즘은 요인의 수에 따라 다릅니다. 기본 제공 솔루션의 경우 SageMaker가 제공하는 알고리즘 중 하나를 사용할 수 있습니다. SageMaker가 제공하는 알고리즘 목록 및 관련 고려 사항은 [Amazon SageMaker 기본 제공 알고리즘 또는 사전 훈련된 모델 사용](algos.md)을 참조하세요. 알고리즘과 모델을 제공하는 UI 기반 훈련 솔루션에 대한 내용은 [SageMaker JumpStart 사전 훈련된 모델](studio-jumpstart.md)을 참조하세요.

     또한 훈련용 컴퓨팅 리소스가 필요합니다. 리소스 사용은 훈련 데이터세트의 크기와 결과가 필요한 속도에 따라 달라집니다. 단일 범용 인스턴스에서 분산 GPU 인스턴스 클러스터에 이르는 리소스를 사용할 수 있습니다. 자세한 내용은 [Amazon SageMaker를 사용한 모델 훈련](how-it-works-training.md) 섹션을 참조하세요.
   + **모델 평가** - 모델을 훈련시킨 후 모델을 평가하여 추론의 정확도가 허용 가능한지 여부를 결정합니다. 모델을 훈련하고 평가하려면 [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/)를 사용하여 사용 가능한 IDEs 중 하나를 통해 추론에 대한 요청을 모델에 전송합니다. 모델 평가에 대한 자세한 내용은 [Amazon SageMaker Model Monitor를 사용한 데이터 및 모델 품질 모니터링](model-monitor.md) 항목을 참조하세요.

     

1. **모델 배포** - 사용자는 일반적으로 모델을 애플리케이션과 통합하여 배포하기 전에 모델을 리엔지니어링합니다. 사용자는 SageMaker AI 호스팅 서비스를 사용하여 모델을 독립적으로 배포하고 애플리케이션 코드로부터 결합 해제할 수 있습니다. 자세한 내용은 [추론 모델 배포](deploy-model.md) 섹션을 참조하세요.

   

기계 학습은 연속적인 순환입니다. 모델 배포 이후 추론을 모니터링하고 양질의 데이터를 수집하고 모델을 평가하여 차이를 식별합니다. 그런 다음 새로 수집한 양질의 데이터를 포함하도록 훈련 데이터를 업데이트하여 추론의 정확도를 높입니다. 사용 가능한 예제 데이터가 증가함에 따라 모델을 다시 훈련하여 정확도를 높입니다.

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

Amazon SageMaker AI에는 다음과 같은 기능이 포함되어 있습니다.

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

## re:Invent 2024의 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 JupyterLab 기반 환경에서 고객이 AWS 컴퓨팅 리소스에 액세스할 수 있도록 하는 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 단일 클릭 공유 등의 기능을 포함하고 있는 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.