AWS Sagemaker Studio에 대하여

2019년 re:invent 에서 소개된 AWS Sagemaker Studio 서비스는  기계 학습 모델을 쉽게 구축, 교육, 디버깅, 배포 및 모니터링할 수 있게 지원하는 ML(기계 학습)을 위한 IDE(통합 개발 환경)입니다.

기계 학습 워크플로에는 많은 구성 요소가 있으며 이 중 대부분은 별도로 존재하는 자체 도구 세트와 함께 제공됩니다. 여러 도구와 사용자 인터페이스 사이를 전환하면 생산성이 저하되고 기계 학습 개발 속도가 느려집니다. Amazon SageMaker Studio는 실험에서 프로덕션으로 모델을 이전하고 생산성을 높이는 데 필요한 모든 도구에 대한 통합된 단일 인터페이스를 제공합니다.

AWS SSO에서 지원하는 Single Sign-On을 사용하여 Amazon SageMaker Studio에 쉽게 로그인할 수 있습니다. 그런 다음 Amazon SageMaker Autopilot을 사용하여 자동으로 데이터에서 모델을 생성하거나 새 SageMaker Notebooks(현재 평가판으로 제공)를 스핀업하여 몇 초만에 ML 모델과 알고리즘 구축을 시작할 수 있습니다. SageMaker Studio를 사용하면 노트북에서 쉽게 동료와 협업할 수 있습니다. 한 번의 클릭으로 모든 종속성 및 구성과 함께 캡처되는 노트북의 스냅샷에 대한 링크를 공유하여 분석과 결과를 재현할 수 있습니다. 다양한 모델 파라미터와 입력을 실험해보기 시작할 때 Amazon SageMaker Experiments에 SageMaker Studio의 시각적 인터페이스를 사용하여 쉽게 기계 학습 실험을 찾아보고, 추적하고, 비교하는 방식으로 증분 개선 사항과 가장 적합한 모델을 추적할 수 있습니다. SageMaker Studio는 또한 모델 교육 시 문제를 해결하고, 교육 시간을 최적화하고, 모델 품질을 개선할 수 있도록 Amazon SageMaker Debugger에서 제공하는 실시간 알림에 대한 액세스를 제공합니다. 모델이 배포되면 SageMaker Studio에서 Amazon SageMaker Model Monitor를 통해 감지된 드리프트를 모니터링하고, 시각화하고, 분석하여 예측 품질을 지속적으로 추적하고 개선할 수 있습니다.

세이지메이커 스튜디오는 "동일한 애플리케이션에서 모델을 모두 빌드, 훈련, 배포 및 분석할 수 있는 통합 기계 학습 환경"이라고 합니다. 설명은 거창하지만 결국 여러 플러그인들이 포함된 주피터랩 개발환경입니다. 

세이지메이커 스튜디오를 시작하면 원하는 이미지와 인스턴스 사양1을 골라서 커널을 띄울 수 있습니다. 텐서플로, 파이토치 등 인기있는 프레임워크를 위한 이미지들은 기본적으로 제공되기 때문에 필요한 이미지를 골라서 사용하면 됩니다. 사실 모델 학습을 위한 환경을 세이지메이커 스튜디오에 완벽하게 구축할 필요는 없습니다. 뒤에서 더 자세히 다루겠지만, 실제 모델 학습은 별도의 이미지와 인스턴스 위에서 이루어지기 때문입니다. 세이지메이커 스튜디오에는 간단한 실험과 결과 분석을 위한 환경 정도만 구축해놓으면 충분한 듯 합니다.