이미지 출처 : Author
클라우드 컴퓨팅은 모든 데이터 과학 및 기계 학습 애호가에게 중요한 용어입니다. 초심자라 할지라도 당신이 그것을 접하지 못했을 가능성은 거의 없습니다. 그러나 그것이 왜 중요한지 물어볼 수 있습니다. 이에 대한 간단한 설명은 데이터 세트가 확장됨에 따라, 즉 더 많은 샘플과 기능이 추가될수록 기계 학습 모델이 더 복잡해집니다. 그런 모델은 더 많은 계산 능력을 요구합니다. 이것이 우리 대부분이 유명한 메모리 부족 일부 노트북에서 오류가 발생했습니다.
그렇다면 이 제한을 어떻게 처리해야 할까요? 머신 러닝 및 딥 러닝을 위한 값비싼 기계와 같은 고급 하드웨어는 투자 가치가 있는 것처럼 들릴 수 있지만 항상 가능한 것은 아닙니다. 글쎄요, 클라우드 서비스가 답입니다. 모든 사람의 증가하는 컴퓨팅 요구 사항에 대한 간편한 솔루션입니다. 그래 맞아! 기업과 개인 모두 요구 사항에 맞는 저렴한 가격으로 이러한 클라우드 서비스를 이용할 수 있습니다. 이 기사의 후반부에서 논의할 다양한 옵션이 있습니다.
머신 러닝을 위한 클라우드 서비스를 선택하는 방법에 대해 자세히 알아보기 전에 먼저 클라우드 서비스, 특히 클라우드 컴퓨팅이 정확히 무엇인지, 그리고 왜 존재하는지 알아보겠습니다.
클라우드 서비스가 정확히 무엇인가요?
클라우드 서비스는 현재 IT 산업의 트렌드로 남아 있습니다. 이들은 인터넷에 연결된 원격 서버에 데이터를 저장하는 옵션을 제공합니다. 클라우드 서비스를 사용하면 사용자에게 다양한 서비스를 제공하는 클라우드 컴퓨팅의 이점을 누릴 수 있습니다. 이러한 서비스는 서버 액세스, 더 나은 백업을 통해 빅 데이터를 위한 추가 스토리지, 인터넷 전체에서 AI 및 BI를 위한 고급 분석 도구를 실행할 수 있는 기능에서 다양합니다. 또한 이러한 서비스는 사용자 요구에 따라 훨씬 더 안정적이고 빠르고 저렴하며 유연하고 확장 가능합니다. 사용자는 이러한 서비스를 효율적으로 사용하여 비용을 최적화할 수 있습니다.
간단히 말해서 클라우드 컴퓨팅에서 사용자는 새 서버 하드웨어를 구입하지 않고 원하는 기간 동안 임대합니다. 단 몇 분의 단일 실행에도 클라우드 컴퓨팅을 임대할 수 있습니다. 또한 사용자는 운영 체제와 관련 웹 서비스를 관리할 필요가 없습니다. 클라우드 서비스 공급자가 대신 관리합니다.
클라우드 컴퓨팅의 유형
오늘날 시장에는 다양한 클라우드 서비스가 있으며 각 서비스는 다양한 사용자에게 어필할 수 있는 이점을 제공합니다. 올바른 솔루션을 선택하기 위해 사용자는 여러 모델, 유형 및 서비스 중에서 선택할 수 있습니다. 선택은 다음을 기반으로 합니다. 필요한 클라우드 배포 유형 이러한 서비스가 구현될 위치를 나타냅니다. 모델은 퍼블릭 클라우드, 프라이빗 클라우드 또는 하이브리드 클라우드를 사용하여 세 가지 방식으로 배포할 수 있습니다.
공개 클라우드 서비스 다양한 사람들이 공유하는 클라우드 서비스입니다. 이러한 유형의 서비스는 일반적으로 공개 액세스에 사용되며 데이터는 원격 서버에 저장됩니다. 반면, 프라이빗 클라우드 또는 온프레미스 클라우드 서비스 일반적으로 데이터의 보안, 가용성 및 성능을 더 많이 제어하려는 조직을 위해 예약되어 있습니다. 사설 클라우드를 통해 기업은 데이터 보안 및 액세스 가능성을 완벽하게 제어할 수 있으므로 로컬 서버에 데이터를 저장할 수 있습니다. 하이브리드 클라우드는 퍼블릭 및 프라이빗 클라우드의 장점을 결합하고 애플리케이션에 대한 데이터 공유를 허용합니다. 이것은 하이브리드 클라우드를 다른 두 클라우드에 비해 더 유연하게 만듭니다.
클라우드 서비스 유형
배워야 할 중요한 클라우드 컴퓨팅 서비스에는 세 가지 주요 유형이 있습니다.
-
서비스로서의 인프라(IaaS): 여기에서 서버, 스토리지가 있는 가상 머신, 네트워크, 운영 체제와 같은 IT 인프라는 물론 클라우드 제공업체가 완전히 제공하고 관리하는 운영 체제를 임대할 수 있습니다. 사용자는 사용한 만큼 비용을 지불할 수 있습니다.
-
서비스로서의 플랫폼(PaaS): 이 서비스는 사용자가 소프트웨어 응용 프로그램에 필요한 완전한 개발 환경을 얻을 수 있는 주문형 서비스입니다. 개발자는 PaaS를 사용하여 웹 또는 모바일 앱을 빠르게 생성, 테스트 및 실행할 수 있습니다.
-
SaaS(Software-as-a-Service): SaaS를 사용하면 '주문형' 또는 '가입' 서비스와 같은 소프트웨어 애플리케이션을 인터넷을 통해 제공할 수 있습니다. 여기에서 클라우드 공급자는 인프라는 물론 소프트웨어 애플리케이션의 호스팅, 관리를 담당합니다. 그들은 또한 업그레이드 및 보안 패치와 같은 애플리케이션에 필요한 모든 유지 관리 활동을 돌봅니다. 일반적으로 사용자는 웹 브라우저를 사용하여 휴대폰이나 랩톱에서 애플리케이션에 간단히 로그인할 수 있습니다.
기계 학습에 클라우드 서비스를 사용해야 합니까?
네 확실합니다. 클라우드 서비스는 메모리 집약적이고 복잡한 기계 학습/딥 러닝 모델을 훈련하고 배포하려는 모든 사람에게 좋은 옵션입니다. 클라우드 서비스는 개인 사용자와 기업 모두에게 비용 효율적인 솔루션입니다. 클라우드를 통해 직원은 모든 장치에서 파일에 액세스할 수 있습니다. 이를 통해 데이터 스토리지에 대한 걱정 없이 더 많은 자유와 이동성을 제공합니다. 여기서 고려해야 할 중요한 사실은 해킹 및 데이터 침해를 방지하기 위해 머신 러닝 모델에 더 나은 보안 시스템을 제공한다는 것입니다. 따라서 AI 스택을 위한 인프라를 설정하는 데 필요한 전문 지식 없이 사용자와 기업은 관련 핵심 목표에 집중하면서 소액의 비용으로 머신 러닝을 위한 클라우드 컴퓨팅 웹 서비스를 사용할 수 있습니다.
일부 주요 클라우드 서비스 제공업체의 현재 시나리오 및 비교
클라우드 서비스 시장은 현재 기계 학습에 필요한 웹 서비스를 제공하기 때문에 Google, Microsoft, Amazon 및 IBM의 XNUMX개 주요 업체가 주도하고 있습니다. 이것들은 AWS(Amazon Web Services), Azure(Microsoft), Google Cloud 및 IBM Cloud. 이러한 확립된 플랫폼은 모든 수준의 사용자에게 다양한 머신 러닝 도구와 딥 러닝을 제공하는 것을 목표로 합니다.
Amazon에서 제공하는 AWS 또는 Amazon Web Services(2006)는 기계 학습을 위한 가장 인정받는 클라우드 컴퓨팅 플랫폼 중 하나입니다. 이 플랫폼에는 다양한 기계 학습 요구 사항에 대한 Amazon SageMaker, Amazon Augmented AI, Amazon Forecast, Amazon Translate, Amazon Personalize, AWS Deep Learning AMI 및 Amazon Polly와 같은 제품이 포함됩니다.
마찬가지로 Microsoft Azure(2010)는 이름에서 알 수 있듯이 Microsoft에서 제공하는 서비스입니다. 기계 학습 및 데이터 분석 요구 사항에 대해 상당히 인기 있는 선택입니다. 이 서비스에는 클라우드에서 기계 학습 모델을 생성, 교육 및 배포하기 위한 Microsoft Azure Cognitive Service, Microsoft Azure Azure Databricks, Microsoft Azure Bot Service, Microsoft Azure Cognitive Search, Microsoft Azure Machine Learning과 같은 제품이 포함됩니다.
구글 클라우드 또는 구글 클라우드 플랫폼 GCP (2008)은 Tech Giant Google에서 제공하는 클라우드 컴퓨팅 플랫폼입니다. GCP는 Google Cloud AutoML, Google Cloud AI Platform, Google Cloud Speech-to-Text, Google Cloud Vision AI, Google Cloud Text-to-Speech, 모든 개인 및 기업 수준 머신 러닝을 위한 Google Cloud Natural Language와 같은 머신 러닝을 위한 다양한 제품을 제공합니다. 프로젝트.
마지막으로 IBM Cloud 서비스는 IBM에서 제공합니다. 여기에는 퍼블릭, 프라이빗 및 하이브리드 모델인 다양한 클라우드 제공 모델이 포함됩니다. IBM Cloud는 IBM Watson Studio, IBM Watson Speech-to-Text, IBM Watson Text-to-Speech, IBM Watson Natural Language Understanding, IBM Watson Visual Recognition, IBM Watson Assistant 등 머신러닝을 위한 다양한 제품을 제공하여 모든 머신러닝을 지원합니다. 필요.
다음 표는 이러한 서비스 제공자가 제공하는 서비스에 대한 간략한 개요를 제공하며 ML 초보자가 관심을 가질 수 있습니다.
이미지 출처 : Author
이것은 이러한 회사가 제공하는 과다한 서비스에 대한 완전하거나 완전한 정보가 아닙니다. 이 최고의 제공자들 사이에는 엄청난 경쟁이 있어 이를 역동적인 시장으로 만들고 있습니다. 따라서 이 기사가 작성된 시점부터 일정 기간 동안 서비스 및 해당 혜택이 변경될 수 있습니다. 또한 이러한 공급업체는 지리적 위치에 따라 다른 가격을 제공할 가능성이 있습니다. 이것은 또한 현재 제공되는 서비스가 그러한 클라우드 컴퓨팅 서비스가 필요할 때마다 공급업체 웹사이트를 방문해야만 확인할 수 있음을 나타냅니다.
AI 및 ML 클라우드 서비스를 사용하면 어떤 이점이 있습니까?
머신 러닝은 오늘날 가장 많이 찾는 기술입니다. 사용 가능한 데이터를 사용하면 최상의 결과를 위해 많은 비즈니스 결정을 현명하게 내릴 수 있습니다. 연구 및 기술 영역은 기계 학습 및 딥 러닝 모델을 통해 향상될 수 있습니다. 당연히 머신 러닝을 시도하려는 개인과 기업 사이에 많은 관심이 있습니다.
그러나 이전에는 특정 사용 사례를 위한 스택을 개발하기 위해 기계 학습에 많은 돈을 투자해야 했습니다. 이는 머신 러닝이 거대한 인프라, ML에 익숙한 전문 프로그래머, 값비싼 데이터 분석 도구, 모델을 훈련하는 데 사용할 수 있는 데이터 부족이 필요했기 때문입니다. 그러나 클라우드 서비스의 발전으로 이것은 더 쉬워졌습니다. 개인/회사 요구 사항에 맞게 맞춤화하면서 기계 학습 알고리즘 및 기술에 액세스하기 위해 타사 공급업체 서비스를 사용할 수 있습니다. 클라우드 서비스의 이러한 주요 이점과 클라우드에서의 컴퓨팅 용이성은 머신 러닝 열광자들에게 매력적입니다.
ML 초보자인 경우 클라우드 컴퓨팅이 필요합니까?
글쎄, 그것은 달려있다. 기계 학습을 막 시작하고 기계 학습 모델이 로컬 기계(노트북/데스크톱)에서 상당히 빠르게 실행되는 경우 아직 필요하지 않을 수 있습니다. 이 기계 학습 여정을 진행하면서 곧 더 큰 데이터 세트로 작업하고 CPU+GPU 성능을 모두 필요로 하는 모델을 구축하기 시작하고 훈련하는 데 몇 시간이 걸리고 클라우드 배포가 필요합니다. 그렇다면 반드시 클라우드 컴퓨팅을 사용해야 합니다.
클라우드 컴퓨팅에 적합한 클라우드 서비스를 선택하는 방법은 무엇입니까?
지금쯤이면 이 기사를 통해 사용자로서 클라우드 서비스에 대한 기본적인 이해를 했을 것입니다. 또한 기계 학습 모델을 구축, 훈련, 조정, 평가 및 배포할 수 있거나 적어도 이것이 어떻게 작동하는지 충분히 이해하고 있다면 이것은 쉬울 것입니다. 먼저 모델 교육 및 배포 요구 사항을 마무리해야 합니다. 데이터 세트가 너무 복잡하거나 이미지를 사용하여 여러 딥 러닝 모델을 병렬로 실행하려는 경우 반드시 클라우드 컴퓨팅이 적합합니다. 다음으로 CSP(클라우드 서비스 공급자)를 선택할 수 있습니다. 그런 다음 제약 조건이 무엇인지 결정하십시오. 예를 들어 일반적으로 필요한 사용 시간, 모델이 얼마나 빨리 교육 및 최적화될 것으로 예상하는지, 어떤 프레임워크(TensorFlow, Keras, Theano 등)가 필요한지, 접근성, 가격 책정 계획이 필요합니다. 그게 다야! 개별 클라우드 서비스 제공업체 웹사이트에서 가격 옵션에 대한 자세한 정보를 찾을 수 있습니다.
클라우드에서 기계 학습 모델 훈련
기사를 간결하게 유지하기 위해 여기에서 단계를 간략하게 설명하겠습니다. 단계는 동일하게 유지되지만 탐색 및 사용자 인터페이스는 서비스 제공업체마다 다릅니다.
클라우드에서 모델을 학습시키려면 사용하려는 데이터 세트와 모델 구축 및 학습의 최종 목표와 함께 클라우드 서비스 제공업체의 계정이 필요합니다. 또한 Cloud Service Provider 플랫폼에서 직접 Keras, TensorFlow 및 기타 Python ML 라이브러리(예: sci-kit learn)를 사용하여 Cloud ML Engine을 사용하여 모델을 학습할 수 있습니다. 따라서 먼저 클라우드 서비스 제공업체에 계정을 만들어야 합니다. 그런 다음 계정에 로그인하여 프로젝트를 만들고, 데이터를 준비하고, 노트북에 코드를 작성하고, 모델을 훈련 및 평가하고, 재실행 및 조정하고, 마지막으로 훈련된 모델을 배포하여 예측을 얻습니다. 학습된 모델의 다른 버전을 배포하고 모니터링할 수도 있습니다.
결론
이 기사에서는 클라우드 서비스가 무엇인지, 왜 이것이 AI 및 머신 러닝 요구 사항에 필수적인지에 대한 포괄적인 개요를 제공하고 초보자인 경우 서비스 선택에 대한 접근 방식을 제안합니다. 이러한 공급업체의 대부분은 범용 AI 및 ML 요구 사항을 위한 플랫폼을 제공하지만 초보자는 여전히 사용하기 쉽고 설정 및 실행하는 데 클라우드 전문 지식이 필요하지 않으며 NLP를 포함한 기계 학습을 위한 더 나은 지원 및 도구를 제공하는 플랫폼을 선택해야 합니다. , 챗봇 또는 서비스 봇과 딥 러닝을 위한 신경망.
작성자 바이오
Devashree는 독일에서 정보 기술 석사 학위와 데이터 과학 배경을 가지고 있습니다. 엔지니어로서 그녀는 흥미로운 실제 기계 학습 문제를 시도하고 해결하기 위해 아름다운 시각화를 구축하기 위해 다양한 분야의 다양한 데이터 세트에서 숫자로 작업하고 숨겨진 통찰력을 발견하는 것을 즐깁니다.
그녀는 여가 시간에 요리, 읽기 및 쓰기, 새로운 Python-Machine Learning 라이브러리 발견 또는 코딩 대회 참여를 좋아합니다.
당신은 그녀를 따라갈 수 있습니다 링크드인, GitHub의, 카글, 중급, 트위터.
