❑ 훈련과정의 강점❍ 퍼블릭 클라우드와 AI-ML 분야의 혁신- 퍼블릭 클라우드는 서버리스 데이터베이스와 데이터웨어하우스, 데이터 레이크, NoSQL 데이터 저장소를 비롯해 다양한 데이터 스토리지 활용- 사용자는 퍼블릭 클라우드를 활용하여 AI-ML 모델 개발- 클라우드 서비스는 텐서플로(TensorFlow), 파이토치(PyTorch) 등 널리 사용되는 머신러닝 프레임워크 활용- 클라우드 서비스는 모델옵스(Modelops)와 ML옵스(MLops)와 함께 머신러닝 수명 주기 전반을 지원하기 위한 기능 활용- 이를 통해 고객이 머신러닝 기능을 더욱 쉽게 사용할 수 있도록 지원하기 위해 다목적의 온램프(On-ramp) 서비스 활용❍ 머신러닝 기능이 내장된, 또는 개발자가 다른 AI 서비스와 상호작용하는 것을 돕는 로우코드(Low-code) 기술 활용- AWS 세이지메이커(SageMaker) IDE를 활용(머신러닝 모델의 개발, 테스트, 배포 간소화) - IDE는 데이터 과학자가 데이터를 준비할 수 있도록 지원하는 데이터 랭글러(Wrangler) 기능 활용- 데이터 사이언스 팀 간의 협업 및 재사용을 촉진하는 피처 스토어(Feature Store) 기능 활용❍ 개발과 테스트- 많은 수의 애플리케이션과 데이터 서버들을 평행으로 빠른 스핀업, 스핀다운 시킬 수 있도록 퍼블릭 클라우드 활용❍ 트레이닝 서버- 실제 데이터보다는 인공 데이터를 담고 있을 가능성이 큰 트레이닝 서버 (training server)는 훈련 시작 시에 설치하고, 훈련이 끝날 때 삭제가 용이하도록 퍼블릭 클라우드의 프로비저닝 툴 활용❑ 훈련과정의 차별성 및 특화성 ❍ 머신러닝 서비스 활용1) 컴퓨터 비전 소프트웨어 레코그니션(Rekognition)2) 문서 처리를 위한 텍스트렉트(Textract)3) 챗봇에 사용되는 렉스(Lex)4) 코드 리뷰에 쓰이는 코드 구루(CodeGuru)5) 웹 애플리케이션을 사용자에 맞게 설정하는 퍼스널라이즈(Personalize)❍ 데이터 예측 서비스 활용1) 건강 데이터에 대해 예측할 수 있는 아마존 헬스레이크(Amazon HealthLake)2) 장비의 비정상적인 동작을 감지하는 아마존 룩아웃(Amazon Lookout)3) 금융 서비스와 기타 산업을 지원하는 아마존 프라우드 디텍터(Amazon Fraud Detector)❑ 인공지능 및 기계 학습 파이프라인 아키텍처

- 모든 조직에서 인공지능 및 기계 학습을 바로 활용할 수 있게 하는 도구 세트를 제공 - 많은 기관이 이러한 도구를 사용하여 챗봇을 통해 고객 상호 작용을 개선하고, 감시를 개선하며, 구조화되지 않은 데이터에서 거래 아이디어를 수집하고, 제품 오퍼링을 맞춤화하는 등의 사용사례를 지원- 이러한 사용사례를 지원하는 인공지능 및 기계 학습 아키텍처에는 다음과 같은 특징이 있음

① 코드 및 모형 아티팩트를 보호하는 보안 아키텍처② 미리 정의된 보안 구성과 함께 모형 개발 및 훈련 환경을 제공하는 셀프서비스 기능③ 변경 제어 시스템에 통합된 CI 및 CD 파이프라인을 모형 배포에 사용④ 개발, 훈련 및 배포에 이르는 전체 모형 개발 수명 주기의 모든 증거를 자동으로 캡처

신청 : KG아이티뱅크 홈페이지