이 영역의 두 번째 과정에서는 유지 보수성, 확장성, 비용 효율성에 중점을 두고 기계 학습(ML) 솔루션을 위한 인프라 구축 및 스크립팅을 살펴봅니다. 프로그래밍 방식으로 인프라를 생성, 배포, 관리하기 위한 코드형 인프라(IaC)를 살펴봅니다. 또한 AWS Cloud Development Kit(AWS CDK) 같은 도구를 사용하여 클라우드 인프라를 코드로 정의하고 AWS CloudFormation을 통해 프로비저닝을 자동화하는 방법도 배우게 됩니다. 이 과정에서는 AWS 클라우드에 ML 모델을 배포하기 위한 Amazon SageMaker Python SDK도 다룹니다. 또한 컨테이너를 사용하여 DevOps 작업을 지원하는 방법과 컨테이너 관리 및 호스팅을 위한 Amazon Web Services(AWS) 서비스에 대해 배웁니다. 마지막으로 최적의 애플리케이션 성능을 위한 오토 스케일링 방법을 검토하고 살펴봅니다.
- 과정 수준: 고급
- 소요 시간: 1시간 30분
참고: 이 과정의 동영상에는 한국어 트랜스크립트 또는 자막이 지원되며 음성은 영어로 출력됩니다. 자막을 표시하려면 동영상 화면 우측 하단의 CC 버튼을 클릭하세요.
참고: 이 과정은 Google Chrome(최신 주요 버전 2개), Microsoft Edge(최신 주요 버전 2개), Safari(최신 주요 버전 2개)에 최적화되어 있습니다.
활동
- 온라인 자료
- 연습
- 지식 확인 질문
과정 목표
- 유지 관리와 확장이 가능하고 비용 효율적인 ML 솔루션을 생성하기 위한 모범 사례를 설명합니다.
- IaC의 이점과 사용 사례를 설명합니다.
- 리소스를 자동으로 프로비저닝하는 방법으로 CloudFormation을 설명합니다.
- 리소스를 자동으로 프로비저닝하는 방법으로 AWS CDK를 설명합니다.
- AWS CDK 및 CloudFormation용 코드를 사용하여 리소스를 배포하는 예를 설명합니다.
- 리소스 자동화에 있어 AWS CDK와 CloudFormation을 비교하고 대조합니다.
- 컨테이너를 구축하고 유지 관리하는 방법을 설명합니다.
- 컨테이너화 개념과 AWS 컨테이너 서비스를 설명합니다.
- Amazon SageMaker SDK를 사용하여 ML 모델을 배포하고 호스팅합니다.
- 주요 이점에 따라 배포 오토 스케일링에 사용할 지표를 선택합니다.
- SageMaker 엔드포인트 오토 스케일링 정책으로 확장성 요구 사항을 충족하는 방법을 설명합니다.
수강 대상
- 클라우드 아키텍트
- 기계 학습 엔지니어
권장 기술
- SageMaker 및 기타 AWS 서비스를 ML 엔지니어링에 사용한 1년 이상의 경험
- 백엔드 개발자, DevOps 개발자, 데이터 엔지니어 또는 데이터 과학자 등 관련 역할에서 1년 이상의 경험
- Python 등 프로그래밍 언어에 대한 기본적인 이해
- AWS ML Engineer Associate 학습 플랜의 이전 과정 이수
과정 개요
- 섹션 1: 소개
- 강의 1: 본 과정 사용 방법
- 강의 2: 과정 개요
- 강의 3: AWS 기계 학습 배포 모범 사례
- 섹션 2: 리소스 프로비저닝 방법
- 강의 4: 코드형 인프라
- 강의 5: AWS CloudFormation 작업
- 강의 6: AWS CDK 작업
- 강의 7: AWS CloudFormation과 AWS CDK 비교
- 섹션 3: 모델 배포 및 호스팅
- 강의 8: Amazon SageMaker Python SDK
- 강의 9: 컨테이너 구축 및 유지 관리
- 강의 10: 추론 인프라 오토 스케일링
- 섹션 4: 결론
- 강의 11: 과정 요약
- 강의 12: 평가
- 강의 13: AWS에 문의하기
