기계 학습 추론 수행

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

를 사용하면 클라우드 훈련 모델을 사용하여 로컬에서 생성된 데이터에서 엣지 디바이스에 기계 학습(ML) 추론을 수행할 AWS IoT Greengrass수 있습니다. 이를 통해 로컬 추론 실행의 낮은 지연 시간과 비용 절감이라는 이점을 얻을 수 있습니다. 그러면서도 모델 훈련 및 복잡한 처리에 필요한 클라우드 컴퓨팅 능력을 활용할 수 있습니다.

AWS IoT Greengrass 는 추론을 더 효율적으로 수행하는 데 필요한 단계를 제공합니다. 어디서나 추론 모델을 훈련하고 기계 학습 구성 요소로 로컬에 배포할 수 있습니다. 예를 들어 Amazon SageMaker AI의 딥 러닝 모델 또는 Amazon Lookout for Vision의 컴퓨터 비전 모델을 구축하고 훈련할 수 있습니다. 그런 다음 이러한 모델을 Amazon S3 버킷에 저장할 수 있으므로 이러한 모델을 구성 요소의 아티팩트로 사용하여 코어 디바이스에서 추론을 수행할 수 있습니다.

AWS IoT Greengrass ML 추론 작동 방식

AWS 는 디바이스에서 기계 학습 추론을 수행하기 위한 1단계 배포를 생성하는 데 사용할 수 있는 기계 학습 구성 요소를 제공합니다. 또한 이러한 구성 요소를 템플릿으로 사용하여 특정 요구 사항에 맞는 사용자 지정 구성 요소를 생성할 수도 있습니다.

기계 학습 추론을 수행하기 위해 생성하는 각 배포는 추론 애플리케이션을 실행하고, 기계 학습 프레임워크를 설치하고, 기계 학습 모델을 다운로드하는 하나 이상의 구성 요소로 구성됩니다. AWS제공된 구성 요소를 사용하여 샘플 추론을 수행하려면 해당 모델 및 런타임 구성 요소를 종속성으로 자동으로 포함하는 추론 구성 요소를 코어 디바이스에 배포합니다. 배포를 사용자 지정하려면 샘플 모델 구성 요소를 사용자 지정 모델 구성 요소로 연결하거나 교체하거나 AWS제공된 구성 요소의 구성 요소 레시피를 템플릿으로 사용하여 사용자 지정 추론, 모델 및 런타임 구성 요소를 생성할 수 있습니다.

사용자 지정 구성 요소를 사용하여 기계 학습 추론을 수행하려면

AWS제공된 구성 요소를 시작하려면 섹션을 참조하세요자습서: TensorFlow Lite를 사용하여 샘플 이미지 분류 추론 수행.

사용자 지정 기계 학습 구성 요소를 생성하는 방법에 대한 자세한 내용은 기계 학습 구성 요소 사용자 지정 섹션을 참조하세요.

AWS IoT Greengrass 버전 2의 차이점은 무엇인가요?

AWS IoT Greengrass 는 모델, 런타임 및 추론 코드와 같은 기계 학습의 기능 단위를 구성 요소로 통합하여 1단계 프로세스를 사용하여 기계 학습 런타임을 설치하고, 훈련된 모델을 다운로드하고, 디바이스에서 추론을 수행할 수 있도록 합니다.

AWS제공 기계 학습 구성 요소를 사용하면 샘플 추론 코드 및 사전 훈련된 모델을 사용하여 기계 학습 추론을 수행할 수 있는 유연성이 있습니다. 사용자 지정 모델 구성 요소를 연결하여가 AWS 제공하는 추론 및 런타임 구성 요소와 함께 사용자 지정 훈련 모델을 사용할 수 있습니다. 완전히 사용자 지정된 기계 학습 솔루션이 필요한 경우 퍼블릭 구성 요소를 템플릿으로 사용하여 사용자 지정 구성 요소를 생성하고 원하는 런타임, 모델 또는 추론 유형을 사용할 수 있습니다.

요구 사항

기계 학습 구성 요소를 생성하고 사용하려면 다음이 있어야 합니다.

지원되는 모델 소스

AWS IoT Greengrass 는 Amazon S3에 저장된 사용자 지정 훈련된 기계 학습 모델 사용을 지원합니다. Amazon SageMaker AI 엣지 패키징 작업을 사용하여 SageMaker AI Neo 컴파일 모델에 대한 모델 구성 요소를 직접 생성할 수도 있습니다. 에서 SageMaker AI Edge Manager를 사용하는 방법에 대한 자세한 내용은 섹션을 AWS IoT Greengrass참조하세요Greengrass 코어 디바이스에서 Amazon SageMaker AI Edge Manager 사용. Amazon Lookout for Vision 모델 패키징 작업을 사용하여 Lookout for Vision 모델의 모델 구성 요소를 생성할 수도 있습니다. 에서 Lookout for Vision을 사용하는 방법에 대한 자세한 내용은 섹션을 AWS IoT Greengrass참조하세요Greengrass 코어 디바이스에서 Amazon Lookout for Vision 사용.

모델이 포함되는 S3 버킷은 다음과 같은 요구 사항을 충족해야 합니다.

지원되는 기계 학습 런타임

AWS IoT Greengrass 를 사용하면 원하는 기계 학습 런타임을 사용하여 사용자 지정 훈련된 모델로 기계 학습 추론을 수행할 수 있는 사용자 지정 구성 요소를 생성할 수 있습니다. 사용자 지정 기계 학습 구성 요소를 생성하는 방법에 대한 자세한 내용은 기계 학습 구성 요소 사용자 지정 섹션을 참조하세요.

기계 학습을 더 효율적으로 시작하는 프로세스를 만들기 위해는 다음 기계 학습 런타임을 사용하는 샘플 추론, 모델 및 런타임 구성 요소를 AWS IoT Greengrass 제공합니다.

AWS제공 기계 학습 구성 요소

다음 표에는 기계 학습에 사용되는 AWS제공 구성 요소가 나열되어 있습니다.