Data Wrangler에서 생성한 데이터 준비 흐름을 실시간 및 배치 직렬 추론 파이프라인에 배포하는 작업, 그리고 Amazon SageMaker Data Wrangler에서 수행하는 Data Wrangler 처리 작업용 추가 구성의 지원이 오늘 발표되었습니다. 

오늘 Amazon SageMaker용 목적별 도구 3개가 새로 발표되었습니다. 이러한 도구를 활용하면 기계 학습(ML) 모델의 수명 주기 전반을 더욱 명확하게 파악하고 액세스를 간편하게 제어하여 ML 프로젝트 거버넌스 방식을 개선할 수 있습니다. Amazon SageMaker Role Manager에서는 몇 분 만에 사용자의 최소 권한을 정의하고 새 사용자를 더욱 빠르게 온보딩할 수 있습니다. SageMaker Role Manager를 사용하면 ML 활동의 권한을 간편하게 설정할 수 있으며 구체적인 요구에 따라 사용자 지정 정책을 자동 생성할 수 있습니다.

Amazon SageMaker Data Wrangler를 사용하면 ML용 데이터를 집계하고 준비하는 데 걸리는 시간을 몇 주에서 몇 분으로 단축할 수 있습니다. 또한 데이터 준비 및 특성 추출 프로세스도 간편하게 진행할 수 있으며, 코드를 거의 사용하지 않는 시각적 인터페이스에서 데이터 선택, 시각화, 정리, 준비를 비롯한 데이터 준비 워크플로의 각 단계를 완료할 수 있습니다. 대다수 ML 전문가는 노트북에서 데이터 세트를 직접 탐색하여 정보 누락, 극한 값, 스큐된 데이터 세트, 바이어스 등 발생 가능한 데이터 품질 문제를 찾아내고자 합니다. 그러면 해당 문제를 해결하여 ML 모델 훈련용 데이터를 더 빨리 준비할 수 있기 때문입니다. ML 전문가가 용 코드를 작성하여 데이터 세트의 각 부분을 시각화 및 검사한 다음

기계 학습(ML)용 완전 통합 개발 환경(IDE)인 Amazon SageMaker Studio에서 ML 전문가는 데이터 준비, 모델 구축, 훈련, 튜닝, 배포 등 기계 학습 워크플로의 모든 단계를 수행할 수 있습니다. 여러 ML 팀이 더욱 빠르게 실시간으로 공동 작업을 진행하는 데 활용할 수 있는 SageMaker Studio의 새 기능이 오늘 발표되었습니다.

Amazon SageMaker Studio는 사용자가 데이터 준비부터 기계 학습 모델 구축, 훈련, 배포에 이르기까지 모든 기계 학습(ML) 개발 단계를 수행하기 위해 목적별 도구를 이용할 수 있는 단일 웹 기반 시각적 인터페이스를 제공하는 통합 개발 환경(IDE)입니다. 오늘 새롭게 설계된 Amazon SageMaker Studio의 사용자 인터페이스가 발표되었습니다. SageMaker Studio의 전반적인 디자인과 탐색/검색 기능이 개선된 새로운 사용자 인터페이스에서는 향상된 사용자 경험을 제공합니다.

코드를 거의 사용하지 않는 기계 학습(ML) 서비스인 Amazon SageMaker Autopilot은 데이터를 기반으로 하여 최적의 ML 모델을 자동으로 구축하여 훈련시키며 튜닝합니다. 이제는 이 서비스가 최초의 ML용 목적별 지속적 통합/지속적 전달(CI/CD) 서비스인 Amazon SageMaker Pipelines와 통합되어 제공됩니다. 그러므로 SageMaker Autopilot을 사용하여 ML 모델을 구축한 다음 후속 CI/CD 단계에 통합하는 엔드 투 엔드 흐름을 자동화할 수 있습니다.

AWS Glue의 AWS Glue Data Quality 미리 보기가 발표되었습니다. Data Quality는 데이터 레이크 및 데이터 파이프라인 품질을 자동으로 측정하고 모니터링하는 새로운 기능입니다. AWS Glue는 여러 소스에서 데이터를 더욱 효율적으로 검색, 준비, 이동 및 통합할 수 있도록 하는 확장 가능한 서버리스 데이터 통합 서비스입니다. 현재는 시간이 많이 걸리는 수동 데이터 품질 관리 방식이 널리 사용되고 있습니다. 수동 방식에서는 데이터 품질 규칙을 설정한 후 해당 규칙을 기준으로 하여 데이터를 반복적으로 검증해야 하며, 코드를 작성하여 품질 저하 시 표시되는 알림도 설정해야 합니다. 분석가는 수동으로 데이터를 분석하고 규칙을 작성한 다음 이러한 규칙을 구현하는 코드를 작성해야 합니다. 

이제 AWS Machine Learning University에서 미국 내 지역 전문 대학, 소수자 대상 교육 기관(MSI) 및 흑인 대학(HBCU)를 중심으로 운영되는 무료 교육자 지원 프로그램을 제공합니다. 교육자는 이러한 도구를 활용하여 데이터 관리(DM), 인공 지능(AI) 및 기계 학습(ML) 분야에서 독립 실행형 과정, 자격증 취득 또는 학위 취득 과정을 시작할 수 있습니다. 이 프로그램의 목표는 더욱 다양하며 광범위한 사회 초년생들이 DM/AI/ML 분야의 구직 활동을 더욱 원활하게 진행하도록 지원하는 것입니다. 이 프로그램에서는 강의에 즉시 활용 가능한 DM/AI/ML 관련 교육 자료 라이브러리, 무료 컴퓨팅 용량, 그리고 ML 전문가를 위해 제공되는 Amazon 내부용 학습 프로그램인 MLU를 토대로 제작된 포괄적인 교직원 전문가 개발 과정 등 즉시 사용 가능한 도구 모음을 교직원에게 제공합니

이제 Amazon Athena에서 Apache Spark를 지원합니다. Apache Spark는 크기에 관계없이 모든 데이터를 대상으로 고속 분석 워크로드를 실행할 수 있도록 최적화된 인기 오픈 소스 분산 처리 시스템입니다. 대화형 쿼리 서비스인 Athena를 사용하면 데이터 레이크, 데이터베이스, 기타 데이터 저장소 등 저장된 위치에 관계없이 페타바이트 단위의 대량 데이터를 쿼리할 수 있습니다. Amazon Athena for Apache Spark에서는 SQL뿐 아니라 Spark에서도 Athena의 간소화된 대화형 서버리스 경험을 사용할 수 있습니다.

기계 학습(ML)용 완전 통합 개발 환경(IDE)인 Amazon SageMaker Studio에서 ML 전문가는 데이터 준비, 모델 구축, 훈련, 튜닝, 배포 등 기계 학습 워크플로의 모든 단계를 수행할 수 있습니다. 노트북 코드를 프로덕션 환경에 적용 가능한 작업으로 자동 변환하는 SageMaker Studio 노트북의 새로운 기능이 오늘 발표되었습니다.

AWS AI 서비스를 더욱 명확하게 설명하는 동시에, 고객이 AWS AI 서비스와 이러한 서비스를 책임감 있는 방식으로 사용하는 방법을 더 자세히 파악할 수 있도록 제공되는 새로운 리소스인 AWS AI 서비스 카드가 발표되었습니다. 서비스 카드는 책임감 있는 AI 사용 방식을 제시하는 일종의 ‘설명서’라 할 수 있습니다. 고객은 서비스 카드를 통해 적절한 AI 사용 사례 및 제한 사항, 책임감 있는 AI 솔루션 설계를 위한 선택 항목, 그리고 AWS AI 서비스의 최적 배포 및 운영 사례 관련 정보를 한 곳에서 확인할 수 있습니다. 이러한 서비스 카드는 AWS가 공정성, 안정성, 설명 가능성, 거버넌스, 투명성, 개인 정보 보호, 보안을 고려하여 책임감 있는 방식으로 서비스를 구축하기 위해 진행하는 포괄적인 개발 프로세스의 일환으로 제공됩니다.

Amazon AppFlow의 신규 데이터 커넥터 22개가 출시되었습니다. 이번 출시에 따라 이제 Amazon AppFlow에서 50개가 넘는 애플리케이션에 대한 데이터 연결이 지원됩니다. Amazon AppFlow는 Amazon S3 및 Amazon Redshift와 같은 SaaS(Software-as-a-Service) 애플리케이션과 AWS 서비스 간에 데이터를 안전하게 전송할 수 있게 하는 완전관리형 통합 서비스입니다. 오늘날에는 미션 크리티컬 워크플로에 SaaS 서비스를 사용하는 기업이 갈수록 늘어나고 있습니다. 이러한 기업에서는 지속적으로 확장되고 있는 서비스 에코시스템의 데이터를 중앙 위치에 수집한 후 분석 및 기계 학습 기술을 사용하여 비즈니스 인사이트를 추출해야 합니다. Amazon AppFlow를 사용하면 코드를 작성하지 않고도 몇 분 내에 데이터 흐름을 쉽게 설정할 수 있습니다.

이제 Amazon SageMaker JumpStart를 통해 조직 전체에서 노트북 및 모델을 포함하는 기계 학습(ML) 아티팩트를 보다 쉽게 공유하여 모델 구축 및 배포를 가속화할 수 있습니다. Amazon SageMaker JumpStart는 Hugging Face 같은 인기 있는 모델 허브의 기본 제공 알고리즘 및 사전 훈련된 모델과 일반적인 사용 사례를 해결하는 엔드 투 엔드 솔루션을 통해 ML 여정을 가속화하는 ML 허브입니다.

Amazon DocumentDB(MongoDB 호환)는 Amazon DocumentDB Elastic Clusters의 정식 출시를 발표했습니다. 이 기능은 Amazon DocumentDB 클러스터의 새로운 유형으로, 페타바이트 규모의 스토리지에서 초당 수백만 개의 읽기 및 쓰기를 처리할 수 있도록 문서 데이터베이스를 탄력적으로 확장할 수 있습니다.

이제 Amazon QuickSight Q에는 인공 지능(AI)으로 향상된 자동화 데이터 준비 기능이 포함되어 있어 자연어 질문에 대한 기존 대시보드를 빠르고 간단하게 보강할 수 있습니다. 자연어 쿼리에 대한 데이터 준비에는 시간과 노력이 소요됩니다. 작성자는 사용자가 입력할 용어를 생각하고 대시보드에서 필드 이름 및 데이터 유형 정보를 수동으로 복제해야 합니다.

이제 Amazon SageMaker에서 지리 공간 기계 학습(ML)을 지원함으로써 데이터 사이언티스트 및 ML 엔지니어가 지리 공간 데이터를 사용하여 모델을 손쉽게 구축, 훈련 및 배포할 수 있게 되었습니다. 현재 생성되는 모든 데이터의 대부분이 지리 공간 정보를 포함하고 있으나 데이터 액세스, 처리 및 시각화가 복잡하고 시간이 많이 걸리며 비용이 많이 들기 때문에 그 중 소량의 일부만 ML에 사용됩니다.

이제 Amazon GuardDuty는 Amazon Aurora에 대한 위협 탐지를 제공하여 Aurora 데이터베이스에 저장된 데이터에 대한 잠재적 위협을 식별합니다. Amazon GuardDuty RDS Protection 기능은 계정의 기존 및 신규 데이터베이스에 대한 액세스 활동을 프로파일링하고 모니터링하고 맞춤형 기계 학습 모델을 사용하여 Aurora 데이터베이스에 대한 의심스러운 로그인을 정확하게 탐지합니다. 잠재적 위협이 탐지되면 GuardDuty는 의심스러운 활동에 대한 데이터베이스 세부 정보 및 풍부한 컨텍스트 정보를 포함하는 보안 결과를 생성하고, 데이터베이스를 수정할 필요 없이 데이터베이스 이벤트에 대해 직접 액세스할 수 있도록 Aurora와 통합하며, 데이터베이스 성능에는 영향을 미치지 않도록

Amazon Redshift는 여러 AWS 가용 영역(AZ)에서 동시에 데이터 웨어하우스 실행을 지원하고 예기치 않은 실패 시나리오에서 계속 작동하는 다중 AZ 배포(미리 보기)를 출시했습니다. 다중 AZ 배포는 AZ 실패에 대한 최고 수준의 가용성 및 복원력이 필요한 비즈니스 크리티컬 애플리케이션을 사용하는 고객을 대상으로 합니다. 

Amazon Redshift 데이터 공유를 통해 Amazon Redshift 데이터 웨어하우스에서 라이브 데이터를 효율적으로 공유할 수 있습니다. 이제 Amazon Redshift는 AWS Lake Formation을 사용하여 조직에 걸쳐 공유되는 데이터에 대한 권한을 중앙 집중식으로 관리하도록 활성화함으로써 Amazon Redshift 데이터 공유의 간소화된 거버넌스를 지원합니다. AWS Lake Formation에서 관리하는 새로운 Amazon Redshift 데이터 공유를 통해 Lake Formation API 및 AWS 콘솔을 사용하여 Redshift 데이터 공유에서 테이블 및 보기에 대한 권한을 보고, 수정하고, 감사할 수 있으며 기타 Redshift 데이터 웨어하우스에서 Redshift 데이터 공유를 검색하고 사용할 수 있습니다.

이제 AWS Outposts를 카타르, 과테말라 및 트리니다드 토바고에 있는 데이터 센터와 온프레미스 위치로 배송하여 설치할 수 있습니다.