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

# 신제품 수요 예측을 위한 권장 AWS 아키텍처
<a name="architecture"></a>

AI/ML 파이프라인을 여러 제품 및 리전으로 확장할 때 재현성, 신뢰성 및 확장성에 대한 기계 학습 운영(MLOps) 모범 사례를 따르는 것이 좋습니다. 자세한 내용은 Amazon SageMaker AI 설명서의 [ MLOps 구현](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html)을 참조하세요. 다음 이미지는 신제품 출시에 대한 수요를 예측하는 ML 모델을 구현하기 위한 예제 AWS 아키텍처를 보여줍니다.



![데이터 엔지니어링, DevOps 및 데이터 과학 계층으로 구성된 AWS 아키텍처입니다.](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/forecast-demand-new-product/images/architecture-diagram.png)


예제 AWS 아키텍처는 데이터 엔지니어링, DevOps, 데이터 과학의 세 가지 계층으로 구성됩니다.

데이터 엔지니어링 계층은를 사용한 [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html) 다음 [Amazon Simple Storage Service(Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)에 비용 효율적인 방식으로 데이터를 저장하여 기업 데이터 소스에서 데이터를 수집하는 데 중점을 둡니다. AWS Glue는 다양한 데이터 스토어 간에 데이터를 분류, 정리, 변환 및 안정적으로 전송하는 데 도움이 되는 완전 관리형 서버리스 ETL 서비스입니다. Amazon S3는 업계 최고의 확장성, 데이터 가용성, 보안 및 성능을 제공하는 객체 스토리지 서비스입니다. 또한 데이터 엔지니어링 계층은 Amazon SageMaker AI에서 배치 [변환을 사용하여 오프라인 배치](https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html) 추론 배포를 보여줍니다. 배치 변환은 Amazon S3에서 입력 데이터를 가져와 [Amazon API Gateway](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html)를 통해 하나 이상의 HTTP 요청으로 추론 파이프라인 모델로 전송합니다. Amazon API Gateway는 모든 규모의 APIs를 생성, 게시, 유지 관리, 모니터링 및 보호하는 데 도움이 되는 완전 관리형 서비스입니다. 마지막으로 데이터 엔지니어링 계층은 시스템 전반의 성능에 대한 가시성을 제공하고 경보를 설정하고, 변경 사항에 자동으로 대응하고, 운영 상태에 대한 통합 보기를 확보하는 데 도움이 되는 서비스인 [Amazon CloudWatch](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html)의 사용을 보여줍니다. CloudWatch는 사용자가 지정한 Amazon S3 버킷에 로그 파일을 저장합니다.

DevOps 계층은 실시간 추론 배포를 위해 API Gateway, CloudWatch 및 [Amazon SageMaker AI 모델 모니터](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html)를 사용합니다. Model Monitor를 사용하면 데이터 드리프트 및 이상과 같은 모델 품질 편차에 대한 자동 알림 트리거 시스템을 설정할 수 있습니다. [Amazon CloudWatch Logs](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/WhatIsCloudWatchLogs.html)는 모델 모니터에서 로그 파일을 수집하여 모델 품질이 사전 설정한 특정 임계값에 도달하면 알려줍니다. DevOps 계층에는 코드 전송 파이프라인 자동화를 [AWS CodePipeline](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html) 위한 사용도 표시됩니다.

데이터 과학 계층은 [Amazon SageMaker AI Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html) 및 [Amazon SageMaker AI 특성 저장소](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store.html)를 사용하여 기계 학습 수명 주기를 관리하는 방법을 보여줍니다. SageMaker AI Pipelines은 데이터 사전 처리에서 모델 모니터링에 이르기까지 모든 ML 단계를 자동화하는 데 도움이 되는 특별히 구축된 워크플로 오케스트레이션 서비스입니다. 직관적인 UI 및 Python SDK를 사용하면 반복 가능한 end-to-end ML 파이프라인을 대규모로 관리할 수 있습니다. 여러 와의 기본 통합을 AWS 서비스 통해 MLOps 요구 사항에 따라 ML 수명 주기를 사용자 지정할 수 있습니다. 특성 저장소는 ML 모델의 특성을 저장, 공유 및 관리하기 위해 특별히 구축된 완전 관리형 리포지토리입니다. *기능은* ML 모델에 대한 입력이며 훈련 및 추론 중에 사용됩니다.