AWS Certified AI Practitioner 개념정리 -1

그냥 시험 대비용으로 문제풀면서 정리한 개념들이다.

일단 각각의 서비스들이 무엇인지 간단하게만 정리하고, 각각의 세부 기능을 묻는 문제들이 나오는것으로 보아, 어떤 것을 하려고 할 때 어떤 기능을 써야하는지 알아내면 될 것 같다.

 

Amazon Rekognition

-이미지랑 비디오를 분석해주는 서비스. 컴퓨터 비전 등, S3에 저장된 파일을 가지고 분석해줄 수 있음.

 

Amazon SageMaker

-머신러닝 서비스임. 빠르게 빌드해서 ML을 배포할 수 있는 그런 서비스라고 보면 됨.

-Sage(현명한) + Maker(만드는 것) → "지혜를 만들어내는 도구"

-Amazon SageMaker는 AI 모델을 학습하고, 배포하고, 최적화하는 머신러닝 플랫폼

 

Amazon DeepRacer

-RL 즉 강화학습 Reinforcement Learning을 활용하여 자율주행 모델을 개발하고, 레이싱 환경에서 테스트할 수 있게 해주는

자율주행 레이싱 플랫폼 임. 이걸로 자율주행 레이싱 대회에 참가할 수 있다고 함.

(신기하네)

 

Amazon Textract

-문서에서 텍스트, 필드, 테이블, 서식정보를 자동으로 추출하는 AWS 서비스 임. OCR도 되고, 여러가지 스캔 이미지 에서 정보 분석해주는 서비스라고 보면됨.

 

Amazon Comprehend

-자연어 처리, NLP(Natural Language Processing) 서비스 라고 보면 됨. 

-기계학습을 기반으로하며, 감정분석, 키워드 추출, 엔터티 인식, 문서 분류등의 기능을 제공함.

-감정이 긍정, 부정, 죽립, 혼합 어떤건지 알아낼 수 있다고 함.

-고객 문의사항을 분석하는데 좋겠지요

 

Amazon Bedrock

-AWS에서 제공하는 생성형 AI서비스, 여러 대형 언어모델 LLM 을 쉽게 사용 할 수 있는 API기반 서비스.

-직접 구축한 LLM을 학습시킬 필요 없이, 이걸로 LLM 구축하면, 자동으로 인프라를 관리할 수 있다.

-Claude 나, Amazon Titan 등등을 선택할 수 있다.

-Textract로 분석하고 이걸로 Bedrock에 연계할 수 있다.

 

Amazon Personalize

-AWS에서 제공하는 AI기반 맞춤 추천 서비스.

-Netflix, Spotify같은 곳에서 추천해주는 알고리즘처럼 개인별로 추천해줄 수 있는 AI 서비스임.

-사용자의 행동데이터를 알아서 분석해서, 맞춤 추천을 제공함.

-맞춤형 추천, 유사항목 추천, 사용자 그룹별 추천, 실시간 추천 가능함.

 

Amazon Q - Amazon Q는 소프트웨어 개발을 가속화하고 회사의 내부 데이터를 활용하기 위한 생성형 AI 기반 어시스턴트입니다. Amazon Q는 코드, 테스트 및 디버그를 생성합니다. 개발자 요청에서 생성된 새 코드를 변환하고 구현할 수 있는 다단계 계획 및 추론 기능이 있습니다.

 

머신러닝 칩들 2개

 

AWS Trainium - AWS Trainium은 AWS가 100B+ 매개변수 모델의 딥 러닝(DL) 트레이닝을 위해 특별히 구축한 머신 러닝(ML) 칩입니다. 각 Amazon Elastic Compute Cloud(Amazon EC2) Trn1 인스턴스는 최대 16개의 Trainium 가속기를 배포하여 클라우드에서 DL 트레이닝을 위한 고성능, 저비용 솔루션을 제공합니다.

 

AWS Inferentia - AWS Inferentia는 AWS에서 저렴한 비용으로 고성능 추론을 제공하기 위해 특별히 제작한 ML 칩입니다. AWS Inferentia 가속기는 AWS에서 딥 러닝(DL) 및 생성 AI 추론 애플리케이션을 위해 Amazon EC2에서 가장 낮은 비용으로 고성능을 제공하도록 설계되었습니다.

 

AWS Region 관련

-Each AWS Region 에는 적어도 3개의 AZ(Availability Zones)를 가지고 있다.

-Each Availability Zone에는 적어도 1개 또는 그 이상의 개별 데이터 센터를 가지고 있다.

 

모델 추론 vs 모델평가의 차이점

 

Model inference is the process of a model generating an output (response) from a given input (prompt).

모델 추론은 모델이 주어진 입력(프롬프트)으로부터 출력(응답)을 생성하는 과정입니다.

Model evaluation is the process of evaluating and comparing model outputs to determine the model that is best suited for a use case.

모델 평가는 모델 출력을 평가하고 비교하여 사용 사례에 가장 적합한 모델을 결정하는 프로세스입니다.

 

 Foundation Models(FM) 이란?

-GPT 시리즈: OpenAI의 GPT-3, GPT-4 등은 텍스트 생성, 번역, 질문 응답 등 여러 언어 기반 태스크에 활용되는 대표적인 Foundation Models입니다.

-Foundation Models(FM)**는 AI 분야에서 대규모 데이터셋을 기반으로 사전 학습(pre-training)된 모델들을 의미합니다. 이 모델들은 다양한 태스크에 적용될 수 있는 범용적인 능력을 갖추고 있으며, 특정 작업에 맞게 미세 조정(fine-tuning)하거나 추가 학습을 통해 활용됩니다. 

 

지도학습, 비지도학습, 자기지도학습 차이점

 

 

• 지도학습: 정답(라벨)이 있는 데이터를 이용해 모델이 명확한 목표를 학습하도록 하는 방식.
• 비지도학습: 정답 없이 데이터 자체의 패턴이나 구조를 찾아내는 방식.
• 자기지도학습: 정답이 없는 데이터를 활용해, 데이터 자체에서 정답을 만들어내고 이를 예측하도록 학습하는 방식.

Negative prompting

-Negative Prompting(네거티브 프롬프트)**는 주로 텍스트-투-이미지 생성 모델(예: Stable Diffusion, Midjourney 등)에서 사용되는 기법으로, 모델이 생성할 이미지에서 원하지 않는 요소나 특징을 명시적으로 배제하도록 지시하는 방법입니다. 쉽게 말해, 원하는 결과를 얻기 위해 "이것은 빼주세요"라고 모델에 알려주는 역할을 합니다.

-> 싫은거 빼달라고 할때 사용 하는 기법임