모든 조직에는 AWS 환경에 대한 보안 및 거버넌스를 제공하는 자체 표준 및 관행이 있습니다. 아마존 세이지 메이커 완전 관리형 인프라, 도구 및 워크플로를 사용하여 모든 사용 사례에 대해 데이터를 준비하고 기계 학습(ML) 모델을 구축, 교육 및 배포하는 완전 관리형 서비스입니다. SageMaker는 ML 워크플로 및 DevOps CI/CD(지속적인 통합 및 지속적인 전달) 파이프라인을 빠르게 시작하려는 조직을 위한 템플릿 세트를 제공합니다.

대부분의 기업 고객은 이미 표준화된 환경(예: 표준화된 리포지토리, 인프라 및 보안 가드레일)과 함께 잘 확립된 MLOps 사례를 보유하고 있으며 MLOps 프로세스를 코드가 없는 및 코드가 적은 AutoML 도구로 확장하기를 원합니다. 또한. 또한 모델을 프로덕션으로 승격하기 전에 준수해야 하는 많은 프로세스가 있습니다. 그들은 다음 다이어그램에 설명된 대로 초기 단계에서 반복 가능하고 안정적이며 궁극적으로 확장 가능한 운영 단계로 전환하는 빠르고 쉬운 방법을 찾고 있습니다. 자세한 내용은 다음을 참조하십시오. Amazon SageMaker를 사용하는 기업을 위한 MLOps 기반 로드맵.

이러한 회사에는 신뢰할 수 있고 확장 가능한 파이프라인을 구축하는 데 도움이 되는 강력한 데이터 과학 및 MLOps 팀이 있지만 코드가 낮은 AutoML 도구 사용자가 표준화된 관행과 통합할 수 있는 방식으로 코드 및 모델 아티팩트를 생성하고 코드 리포지토리 구조 및 적절한 유효성 검사, 테스트, 단계 및 승인.

그들은 전문 데이터 과학자에게 볼 수 있는 기능을 제공할 수 있는 표준화된 리포지토리 구조에서 AutoML 작업(전처리, 교육 및 후처리)의 각 단계에 대한 모든 소스 코드를 생성하는 로우 코드 도구에 대한 메커니즘을 찾고 있습니다. , 필요에 따라 워크플로를 검증 및 수정한 다음 표준화된 환경(코드 리포지토리, 코드 빌드 도구 및 프로세스를 정의한 환경)에 통합할 수 있는 사용자 지정 파이프라인 템플릿을 생성합니다.

이 게시물은 다음과 같은 로우 코드 도구를 사용하여 반복 가능한 프로세스를 갖는 방법을 보여줍니다. Amazon SageMaker 자동 조종 장치 환경에 원활하게 통합될 수 있으므로 이 종단 간 워크플로를 직접 조율할 필요가 없습니다. MLOps 모범 사례를 준수하면서 CI/CD를 사용하여 낮은 코드/노코드 도구 코드를 MLOps 환경에 통합하는 방법을 보여줍니다.

솔루션 개요

조정된 워크플로를 시연하기 위해 공개적으로 사용 가능한 UCI Adult 1994 Census 소득 데이터 세트 개인의 연간 소득이 $50,000 이상인지 예측합니다. 이것은 이진 분류 문제입니다. 소득 목표 변수에 대한 옵션은 $50,000 초과 또는 $50,000 미만입니다.

다음 표에는 데이터 세트의 주요 구성 요소가 요약되어 있습니다.

다음 표에는 속성 정보가 요약되어 있습니다.

이 게시물에서는 조직이 Autopilot 및 Amazon SageMaker 데이터 랭글러.

Autopilot은 ML 모델 구축의 어려운 작업을 제거합니다. 표 형식의 데이터 세트를 제공하고 예측할 대상 열을 선택하기만 하면 Autopilot이 자동으로 다양한 솔루션을 탐색하여 최상의 모델을 찾습니다. 그런 다음 클릭 한 번으로 모델을 프로덕션에 직접 배포하거나 권장 솔루션을 반복하여 모델 품질을 더욱 향상시킬 수 있습니다.

Data Wrangler는 데이터 가져오기, 준비, 변환, 기능화 및 분석을 위한 종단 간 솔루션을 제공합니다. Data Wrangler 데이터 준비 흐름을 ML 워크플로에 통합하여 코딩을 거의 또는 전혀 사용하지 않고 데이터 전처리 및 기능 엔지니어링을 단순화하고 능률화할 수 있습니다. 고유한 Python 스크립트 및 변환을 추가하여 워크플로를 사용자 지정할 수도 있습니다. Autopilot에 데이터를 제출하기 전에 데이터 랭글러를 사용하여 데이터 세트에 대한 전처리를 수행합니다.

SageMaker 프로젝트는 조직이 ML 수명 주기와 관련된 다양한 단계를 자동화하기 위한 환경을 설정하고 표준화하는 데 도움이 됩니다. 노트북은 모델 구축 및 실험에 유용하지만 코드를 공유하는 데이터 과학자 및 ML 엔지니어 팀은 코드 일관성과 엄격한 버전 제어를 유지하기 위해 보다 확장 가능한 방법이 필요합니다.

공통 모델 구축 및 배포 패러다임을 시작하는 데 도움이 되도록 SageMaker 프로젝트는 일련의 자사 템플릿을 제공합니다(1P 템플릿). 1P 템플릿은 일반적으로 모델 구축 및 모델 학습을 위한 리소스 생성에 중점을 둡니다. 템플릿에는 다음과 같이 CI/CD용 AWS 네이티브 서비스를 사용하는 프로젝트가 포함됩니다. AWS 코드빌드 과 AWS 코드 파이프라인. SageMaker 프로젝트는 조직에서 사용자 지정 템플릿 제안을 지원할 수 있습니다. AWS 클라우드 포메이션 Terraform 스택을 실행하고 ML 워크플로에 필요한 리소스를 생성하기 위한 템플릿입니다.

조직에서는 단순한 모델 교육 및 배포 이상의 사용 사례를 지원하기 위해 1P 템플릿을 확장할 수 있습니다. 사용자 지정 프로젝트 템플릿 ML 프로젝트에 대한 표준 워크플로를 만드는 방법입니다. 여러 템플릿을 만들고 사용할 수 있습니다. AWS 자격 증명 및 액세스 관리 (IAM) 정책에서 해당 템플릿에 대한 액세스를 관리합니다. 아마존 세이지 메이커 스튜디오, 각 사용자가 자신의 사용 사례 전용 프로젝트에 액세스하고 있는지 확인합니다.

SageMaker 프로젝트 및 모범 사례에 따른 맞춤형 프로젝트 템플릿 생성에 대한 자세한 내용은 다음을 참조하십시오. 맞춤형 SageMaker 프로젝트 템플릿 구축 – 모범 사례.

이러한 사용자 지정 템플릿은 다음과 같이 생성됩니다. AWS 서비스 카탈로그 Studio UI에서 조직 템플릿으로 프로비저닝됩니다. 여기서 데이터 과학자는 템플릿을 선택하고 ML 워크플로를 부트스트랩하고 미리 구성할 수 있습니다. 프로젝트는 AWS Service Catalog 제품을 사용하여 프로비저닝됩니다. 프로젝트 템플릿은 조직에서 각 팀의 프로젝트를 프로비저닝하는 데 사용됩니다.

이 게시물에서는 SageMaker 프로젝트, AWS Service Catalog 및 Amazon SageMaker 파이프 라인 모델 교육 및 배포 단계를 용이하게 하기 위해 Data Wrangler 및 Autopilot을 인간과 통합합니다. 루프의 인간은 성공적인 ML 빌드 및 배포 워크플로를 위해 공동으로 작업하는 MLOps 사례에 관련된 다양한 페르소나입니다.

다음 다이어그램은 엔드투엔드 로우 코드/코드 없음 자동화 워크플로우를 보여줍니다.

워크 플로우에는 다음 단계가 포함됩니다.

1. 운영 팀 또는 플랫폼 팀은 CloudFormation 템플릿을 시작하여 사용자 지정 SageMaker 템플릿을 프로비저닝하는 데 필요한 전제 조건을 설정합니다.
2. SageMaker에서 템플릿을 사용할 수 있는 경우 데이터 과학 리드는 템플릿을 사용하여 SageMaker 프로젝트를 생성합니다.
3. SageMaker 프로젝트 생성은 두 개의 시드 코드를 추가하는 AWS Service Catalog 제품을 시작합니다. AWS 코드 커밋 저장소 :
   • 모델 구축 파이프라인의 시드 코드에는 다음을 전처리하는 파이프라인이 포함되어 있습니다. UCI 기계 학습 성인 데이터 세트 Data Wrangler를 사용하여 Autopilot을 사용하여 완전한 가시성을 갖춘 ML 모델을 자동으로 생성하고, 처리 단계를 사용하여 모델의 성능을 평가하고, 모델 성능을 기반으로 모델 레지스트리에 모델을 등록합니다.
   • 모델 배포를 위한 시드 코드에는 모델 레지스트리에서 승인된 최신 모델을 찾고 CodePipeline을 사용하여 CI/CD 파이프라인의 일부로 CloudFormation 템플릿을 배포하기 위한 구성 파일을 생성하는 CodeBuild 단계가 포함됩니다. CloudFormation 템플릿은 스테이징 및 프로덕션 환경에 모델을 배포합니다.
4. 첫 번째 시드 코드 커밋은 DAG(방향성 비순환 그래프)를 사용하여 인코딩된 일련의 상호 연결된 단계인 SageMaker 파이프라인을 트리거하는 CodePipeline을 사용하여 CI/CD 파이프라인을 시작합니다. 이 경우 관련 단계는 다음과 같습니다. 데이터 처리 데이터 랭글러 흐름을 사용하여 Autopilot을 사용하여 모델 훈련, 모델 생성, 모델을 평가하고 평가가 통과되면 모델 등록.

Autopilot을 사용하여 SageMaker 파이프라인을 생성하는 방법에 대한 자세한 내용은 다음을 참조하십시오. Amazon SageMaker 파이프라인 내에서 직접 Amazon SageMaker Autopilot 실험을 시작하여 MLOps 워크플로를 쉽게 자동화.

5. 모델이 등록된 후 모델 승인자는 Studio에서 모델을 승인하거나 거부할 수 있습니다.
6. 모델이 승인되면 두 번째 시드 코드와 통합된 CodePipeline 배포 파이프라인이 트리거됩니다.
7. 이 파이프라인은 스테이징 환경을 위한 SageMaker 서버리스 확장 가능 엔드포인트를 생성합니다.
8. 준비 끝점에서 테스트할 배포 파이프라인에 자동화된 테스트 단계가 있습니다.
9. 테스트 결과는 다음 위치에 저장됩니다. 아마존 단순 스토리지 서비스 (아마존 S3). 승인하기 전에 모든 아티팩트를 검토할 수 있는 프로덕션 배포 승인자를 위해 파이프라인이 중지됩니다.
10. 승인되면 모델은 확장 가능한 서버리스 엔드포인트 형태로 프로덕션에 배포됩니다. 프로덕션 애플리케이션은 이제 추론을 위해 엔드포인트를 사용할 수 있습니다.

배포 단계는 다음으로 구성됩니다.

12. AWS CloudFormation을 사용하여 Autopilot 및 기타 리소스에 대한 사용자 지정 SageMaker 프로젝트 템플릿을 생성합니다. 이것은 일회성 설정 작업입니다.
13. 사용자 지정 템플릿을 사용하여 SageMaker 프로젝트를 생성합니다.

다음 섹션에서는 이러한 각 단계를 보다 자세히 진행하고 프로젝트 세부 정보 페이지를 탐색합니다.

사전 조건

이 연습에는 다음과 같은 사전 요구 사항이 포함됩니다.

AWS CloudFormation으로 솔루션 리소스 생성

다운로드하여 실행할 수 있습니다. CloudFormation 템플릿 AWS CloudFormation 콘솔을 통해 AWS 명령 줄 인터페이스 (AWS CLI), SDK 또는 간단히 선택하여 발사 스택:

CloudFormation 템플릿은 다음에서도 사용할 수 있습니다. AWS 샘플 GitHub 코드 리포지토리. 저장소에는 다음이 포함됩니다.

• A CloudFormation 템플릿 Autopilot용 사용자 지정 SageMaker 프로젝트 템플릿을 설정하려면
• 시드 코드 ML 코드로 SageMaker 파이프라인을 설정하여 데이터 처리 및 교육 단계를 자동화합니다.
• A 프로젝트 폴더 생성될 사용자 지정 SageMaker 프로젝트 템플릿에 매핑된 AWS Service Catalog에서 사용하는 CloudFormation 템플릿의 경우

CloudFormation 템플릿은 여러 매개변수를 입력으로 사용합니다.

다음은 AWS Service Catalog 제품 정보 매개변수입니다.

• 제품명 – SageMaker 프로젝트 사용자 지정 MLOps 템플릿이 연결될 AWS Service Catalog 제품의 이름
• 여행지 설명 – AWS Service Catalog 제품에 대한 설명
• 제품 소유자 – 서비스 카탈로그 제품의 소유자
• 제품 유통업체 – 서비스 카탈로그 제품의 유통업체

다음은 AWS Service Catalog 제품 지원 정보 매개변수입니다.

• 제품 지원 설명 – 이 제품에 대한 지원 설명
• 제품 지원 이메일 – AWS Service Catalog 제품을 지원하는 팀의 이메일 주소
• 제품 지원 URL – AWS Service Catalog 제품에 대한 지원 URL

다음은 소스 코드 저장소 구성 매개변수입니다.

• GitHub 리포지토리의 압축된 버전에 대한 URL – AWS 샘플 리포지토리를 포크하지 않는 경우 기본값을 사용합니다.
• GitHub 리포지토리의 이름 및 분기 – zip의 루트 폴더와 일치해야 합니다. AWS 샘플 리포지토리를 포크하지 않는 경우 기본값을 사용하십시오.
• StudioUserExecutionRole – Studio 사용자 실행 IAM 역할의 ARN을 제공합니다.

이 템플릿에서 CloudFormation 스택을 시작한 후 AWS CloudFormation 콘솔에서 해당 상태를 모니터링할 수 있습니다.

스택이 완료되면 다음 값을 복사합니다. CodeStagingBucketName 열쇠를 출력 CloudFormation 스택의 탭을 클릭하고 나중에 사용할 수 있도록 텍스트 편집기에 저장합니다.

새 사용자 지정 템플릿을 사용하여 SageMaker 프로젝트 생성

SageMaker 프로젝트를 생성하려면 다음 단계를 완료하십시오.

1. Studio에 로그인합니다. 자세한 내용은 다음을 참조하십시오. Amazon SageMaker 도메인에 온보딩.
2. Studio 사이드바에서 홈 아이콘을 선택합니다.
3. 왼쪽 메뉴에서 배포 메뉴에서 다음을 선택합니다. 프로젝트.
4. 왼쪽 메뉴에서 프로젝트 만들기.
5. 왼쪽 메뉴에서 조직 템플릿 새 사용자 지정 MLOps 템플릿을 보려면
6. 왼쪽 메뉴에서 프로젝트 템플릿 선택.

1. 럭셔리 프로젝트 세부 정보, 프로젝트의 이름과 설명을 입력합니다.
2. 럭셔리 MLOpsS3버킷, 이전에 저장한 S3 버킷의 이름을 입력합니다.

1. 왼쪽 메뉴에서 프로젝트 만들기.

SageMaker가 리소스를 프로비저닝 및 구성하고 있음을 나타내는 메시지가 나타납니다.

프로젝트가 완료되면 성공 메시지가 표시되고 이제 프로젝트가 목록에 표시됩니다. 프로젝트 명부.

프로젝트 세부 정보 살펴보기

프로젝트 세부 정보 페이지에서 프로젝트와 관련된 다양한 탭을 볼 수 있습니다. 각 탭에 대해 자세히 살펴보겠습니다.

저장소

이 탭에는 이 프로젝트와 관련된 코드 리포지토리가 나열됩니다. 당신은 선택할 수 있습니다 복제 저장소 아래에 로컬 경로 SageMaker 프로젝트에 의해 CodeCommit에서 생성된 두 개의 시드 코드 리포지토리를 복제합니다. 이 옵션은 SageMaker 프로젝트 자체에서 코드 리포지토리에 대한 Git 액세스를 제공합니다.

리포지토리 복제가 완료되면 로컬 경로가 로컬 경로 열. Studio에서 리포지토리 코드가 포함된 로컬 폴더를 여는 경로를 선택할 수 있습니다.

폴더는 탐색 창에서 액세스할 수 있습니다. 파일 브라우저 아이콘을 사용하여 폴더 목록을 숨기거나 표시할 수 있습니다. 여기에서 코드를 변경하거나 Git 아이콘을 선택하여 변경 사항을 준비, 커밋 및 푸시할 수 있습니다.

파이프 라인

이 탭에는 데이터 준비, 모델 훈련 및 모델 배포 단계를 정의하는 SageMaker ML 파이프라인이 나열됩니다. SageMaker ML 파이프라인에 대한 자세한 내용은 다음을 참조하십시오. SageMaker 파이프라인 생성 및 관리.

현재 실행 중인 파이프라인을 선택하여 최신 상태를 볼 수 있습니다. 다음 예에서는 Data Wrangler 데이터 흐름을 사용하여 DataProcessing 단계를 수행합니다.

이전에 복제한 코드 리포지토리의 로컬 경로에서 데이터 흐름에 액세스할 수 있습니다. 파일 브라우저 아이콘을 선택하여 경로를 표시합니다. pipelines 모델 빌드 리포지토리의 폴더입니다.

. pipelines 폴더에서 autopilot 폴더를 엽니다.

. autopilot 폴더를 열고 preprocess.flow 파일.

데이터 랭글러 흐름을 여는 데 약간의 시간이 걸립니다.

이 예에서는 원본과 대상 간에 세 가지 데이터 변환이 수행됩니다. 각 변환을 선택하여 자세한 내용을 볼 수 있습니다.

Data Wrangler에서 변환을 포함하거나 제거하는 방법에 대한 지침은 다음을 참조하십시오. 데이터 변환.

자세한 내용은 Amazon SageMaker Data Wrangler 및 Amazon SageMaker Autopilot을 사용한 통합 데이터 준비 및 모델 교육 - 1부.

검토가 완료되면 전원 아이콘을 선택하고 아래에서 Data Wrangler 리소스를 중지합니다. 앱 실행 과 커널 세션.

실험

이 탭에는 프로젝트와 관련된 Autopilot 실험이 나열됩니다. 자동 조종 장치에 대한 자세한 내용은 다음을 참조하세요. Amazon SageMaker Autopilot으로 모델 개발 자동화.

모델 그룹

이 탭에는 프로젝트에서 파이프라인 실행으로 생성된 모델 버전 그룹이 나열됩니다. 파이프라인 실행이 완료되면 여기에서 파이프라인의 마지막 단계에서 생성된 모델에 액세스할 수 있습니다.

모델 그룹을 선택하여 모델의 최신 버전에 액세스할 수 있습니다.

다음 예에서 모델 버전의 상태는 다음과 같습니다. 대기중. 모델 버전을 선택하고 선택할 수 있습니다. 업데이트 상태 상태를 업데이트합니다.

왼쪽 메뉴에서 승인 선택하고 업데이트 상태 모델을 승인합니다.

모델 상태가 승인되면 CodePipeline 내의 모델 배포 CI/CD 파이프라인이 시작됩니다.

배포된 파이프라인을 열어 저장소의 다양한 단계를 볼 수 있습니다.

이전 스크린샷에 표시된 것처럼 이 파이프라인에는 XNUMX단계가 있습니다.

• 출처 – 이 단계에서 CodePipeline은 CodeCommit 리포지토리 코드를 S3 버킷으로 확인합니다.
• 짓다 – 이 단계에서는 모델 코드 배포를 위해 CloudFormation 템플릿이 준비됩니다.
• 배포 – 이 단계는 세 개의 하위 단계로 구성됩니다.
  • DeployResources스테이징 – 첫 번째 하위 단계에서 CloudFormation 스택이 배포되어 서버리스 SageMaker 엔드포인트 준비 환경에서.
  • 테스트 스테이징 – 두 번째 하위 단계에서는 엔드포인트에서 CodeBuild를 사용하여 자동화된 테스트를 수행하여 추론이 예상대로 발생하는지 확인합니다. 테스트 결과는 이름이 S3 버킷에서 제공됩니다. sagemaker-project-<project ID of the SageMaker project>.

다음에서 SageMaker 프로젝트 ID를 얻을 수 있습니다. 설정 SageMaker 프로젝트의 탭. S3 버킷 내에서 프로젝트 이름 폴더를 선택합니다(예: sagemaker-MLOp-AutoP) 그 안에서 TestArtifa/ 폴더를 엽니다. 테스트 결과를 보려면 이 폴더에서 개체 파일을 선택합니다.

이전에 복제한 코드 리포지토리의 로컬 경로에서 테스트 스크립트에 액세스할 수 있습니다. 파일 브라우저 아이콘을 선택하여 경로를 봅니다. 이것은 배포 저장소가 됩니다. 해당 리포지토리에서 테스트 폴더를 열고 다음을 선택합니다. test.py 파이썬 코드 파일.

사용 사례에 따라 이 테스트 코드를 변경할 수 있습니다.

• 배포 승인 – 세 번째 하위 단계에서는 프로덕션에 배포하는 마지막 단계 전에 추가 승인 프로세스가 있습니다. 당신은 선택할 수 있습니다 검토 진행하려면 승인하십시오.

• 배포프로드 – 이 단계에서는 프로덕션 환경을 위한 서버리스 SageMaker 엔드포인트를 생성하기 위해 CloudFormation 스택이 배포됩니다.

종점

이 탭에는 추론을 위해 배포된 모델을 호스팅하는 SageMaker 엔드포인트가 나열됩니다. 모델 배포 파이프라인의 모든 단계가 완료되면 모델이 SageMaker 엔드포인트에 배포되고 SageMaker 프로젝트 내에서 액세스할 수 있습니다.

설정

이것은 프로젝트 페이지의 마지막 탭이며 프로젝트에 대한 설정을 나열합니다. 여기에는 프로젝트의 이름과 설명, 프로젝트 템플릿에 대한 정보 및 SourceModelPackageGroupName, 프로젝트에 대한 메타데이터.

정리

이 게시물의 예시와 관련된 추가 인프라 비용을 피하려면 CloudFormation 스택을 삭제해야 합니다. 또한 SageMaker 엔드포인트, 실행 중인 모든 노트북, 설정 중에 생성된 S3 버킷을 삭제해야 합니다.

결론

이 게시물에서는 SageMaker Projects, Data Wrangler, Autopilot, Pipelines 및 Studio를 사용하여 ML 모델의 교육 및 배포를 자동화하고 표준화하는 사용하기 쉬운 ML 파이프라인 접근 방식에 대해 설명했습니다. 이 솔루션은 표준화된 리포지토리 구조에서 AutoML 작업(전처리, 학습 및 후처리)을 수행하는 데 도움이 되며 전문 데이터 과학자에게 필요에 따라 워크플로를 보고 검증하고 수정한 다음 사용자 지정 파이프라인을 생성할 수 있는 기능을 제공할 수 있습니다. SageMaker 프로젝트에 통합할 수 있는 템플릿입니다.

사용 사례에 대한 사전 처리 및 파이프라인 단계로 파이프라인을 수정하고 종단 간 워크플로를 배포할 수 있습니다. 사용자 정의 템플릿이 각각의 사용 사례에서 어떻게 작동했는지 의견을 통해 알려주십시오.

저자 소개

 비샬 나익 Amazon Web Services(AWS)의 선임 솔루션 아키텍트입니다. 그는 AWS 솔루션 및 모범 사례를 통해 고객이 비즈니스 요구 사항을 달성하고 복잡한 문제를 해결하도록 돕는 것을 즐기는 빌더입니다. 그의 핵심 초점 영역에는 기계 학습, DevOps 및 컨테이너가 포함됩니다. 여가 시간에 Vishal은 시간 여행과 대체 우주 주제에 대한 단편 영화를 만드는 것을 좋아합니다.

시카르 콰트라 Amazon Web Services의 AI/ML 전문 솔루션 아키텍트이며 선도적인 글로벌 시스템 통합업체와 협력하고 있습니다. 그는 AI/ML 및 IoT 도메인에서 500개 이상의 특허를 보유한 최연소 인도 마스터 발명가 중 한 명이라는 칭호를 얻었습니다. Shikhar는 조직을 위한 비용 효율적이고 확장 가능한 클라우드 환경의 설계, 구축 및 유지를 돕고 GSI 파트너가 AWS에서 전략적 산업 솔루션을 구축하도록 지원합니다. Shikhar는 여가 시간에 기타 연주, 작곡, 마음챙김 연습을 즐깁니다.

자니샤 아난드 SageMaker Canvas 및 SageMaker Autopilot을 포함하는 SageMaker Low/No Code ML 팀의 선임 제품 관리자입니다. 그녀는 커피를 즐기고 활동적인 생활을 하며 가족과 시간을 보냅니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• EVM 금융. 탈중앙화 금융을 위한 통합 인터페이스. 여기에서 액세스하십시오.
• 퀀텀미디어그룹. IR/PR 증폭. 여기에서 액세스하십시오.
• PlatoAiStream. Web3 데이터 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/bring-sagemaker-autopilot-into-your-mlops-processes-using-a-custom-sagemaker-project/