AWS ML Engineer Associate 3.3 Automate Deployment (Korean)

이 과정에서는 지속적 통합 및 지속적 전달(CI/CD)과 같은 DevOps 사례를 ML 워크플로에 적용하는 방법론인 MLOps를 소개합니다. 파이프라인을 호출하기 위한 연속 흐름 구조를 생성하는 방법을 배우게 됩니다. 또한 프로덕션 환경의 위험 완화 및 성능 향상에 중점을 두고 배포 인프라 및 자동화 전략에 대한 중요한 결정을 내리게 됩니다. 마지막으로, 이 과정에서는 새 데이터나 모델 코드 업데이트를 수용하는 데 필수적인 모델을 재교육하기 위한 메커니즘을 구축하고 통합하는 방법을 다룹니다.

• 과정 수준: 고급
• 소요 시간: 1시간 15분

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
• 지식 확인 질문
• 교육 과정 평가

과정 목표

• DevOps를 설명합니다.
• 소프트웨어 릴리스 프로세스를 설명합니다.
• CI/CD 원칙이 ML 워크플로에 어떻게 적용되는지 설명합니다.
• MLOps, 관련 팀, 요구 사항을 설명합니다.
• ML용 DevOps의 요구 사항을 식별합니다.
• CI/CD 파이프라인 테스트 자동화의 이점을 설명합니다.
• Amazon SageMaker 프로젝트가 어떻게 CI/CD 사례를 ML에 적용하는지 설명합니다.
• 버전 제어 시스템 및 기본 사용법을 설명합니다.
• 연속 흐름 구조를 생성하여 파이프라인을 호출합니다.
• AWS CodePipeline, AWS CodeCommit, AWS CodeBuild 및 AWS CodeDeploy를 설명하고 구성하고 문제를 해결합니다.
• 데이터 수집을 자동화하고 ML 파이프라인 오케스트레이션 서비스와 통합하는 방법을 설명합니다.
• AWS Step Functions 및 AWS CodePipeline을 사용하여 ML 워크플로를 자동화합니다.
• 배포 전략 및 롤백 작업을 정의합니다.
• 파이프라인이 호출될 때 코드 리포지토리가 어떻게 작동하는지 설명합니다.
• ML 모델을 프로덕션 환경에 통합하는 방법을 설명합니다.
• 모델을 재교육하기 위한 메커니즘을 빌드하고 통합합니다.
• 추론 작업을 구성합니다.

수강 대상

• 클라우드 아키텍트
• 기계 학습 엔지니어

권장 기술

• Amazon SageMaker 및 기타 AWS 서비스를 ML 엔지니어링에 사용한 1년 이상의 경험
• 백엔드 개발자, DevOps 개발자, 데이터 엔지니어, 데이터 과학자 등 관련 역할에서 1년 이상의 경험
• Python 등 프로그래밍 언어에 대한 기본적인 이해
• AWS ML Engineer Associate 학습 플랜의 이전 과정을 완료했습니다.

과정 개요

• 섹션 1: 소개
  • 강의 1: 본 과정 사용 방법
  • 강의 2: 과정 개요
  • 강의 3: DevOps 소개
• 섹션 2: 지속적 통합 및 지속적 배포
  • 강의 4: MLOps 소개
  • 강의 5: CI/CD 파이프라인의 테스트 자동화
  • 강의 6: 버전 제어 시스템
  • 강의 7: 연속 흐름 구조
• 섹션 3: AWS 소프트웨어 릴리스 프로세스
  • 강의 8: 지속적 전달 서비스
  • 강의 9: 구성 및 문제 해결을 위한 모범 사례
  • 강의 10: ML 파이프라인의 데이터 통합 자동화
• 섹션 4: 오케스트레이션 자동화
  • 강의 11: AWS Step Functions 및 AWS CodePipeline
  • 강의 12: 배포 전략
• 섹션 5: 모델 재교육
  • 강의 13: 코드 리포지토리의 작동 방식
  • 강의 14: 재교육을 위한 메커니즘 구축 및 통합
  • 강의 15: 추론 작업 구성
• 섹션 6: 결론
  • 강의 16: 과정 요약
  • 강의 17: 평가
  • 강의 18: AWS에 문의하기