기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
사용자 지정 훈련 작업
에서 AWS Amazon Rekognition, Amazon Rekognition Custom Labels, SageMaker AI Canvas 및 SageMaker AI는 대부분의 이미지 분류 엔드포인트 훈련 사례를 처리할 것으로 예상됩니다. 컨테이너 속성을 더 잘 제어해야 하는 훈련 작업의 경우 Amazon Elastic Container Service(Amazon ECS) 또는 Amazon Elastic Kubernetes Service(Amazon EKS)에 ML 모델을 배포할 수 있습니다.
다음은 컨테이너 속성을 더 잘 제어해야 하는 상황의 예입니다.
-
별도로 버전이 지정된 여러 모델 아티팩트를 로드하는 모델이 있습니다. 예를 들어 임베딩에 대해 훈련된 별도의 버전이 지정된 다중 계층 지각 분류자를 제공하는 데 사용되는 문장 임베딩 모델을 로드할 수 있습니다.
-
모델 아티팩트를 사용하거나 필요로 하지 않는 엔드포인트가 있습니다. 한 가지 사례는 데이터 페이로드를 가져와 클러스터 레이블을 반환하는 클러스터링 엔드포인트입니다. 이는 여전히 SageMaker AI를 통해 제공될 수 있지만 모든 SageMaker AI 모델에는 연결된 아티팩트가 있어야 하므로 더미 Amazon Simple Storage Service(Amazon S3) 아티팩트 경로를 제공해야 합니다.
-
SageMaker AI에서 지원하지 않는 Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스 유형을 사용하려고 합니다. 일반적으로 비용 또는 성능상의 이유로 SageMaker AI 엔드포인트에 사용할 수 없는 인스턴스 유형을 사용하려는 경우 Amazon ECS 또는 Amazon EKS를 사용하여 모든 Amazon EC2 인스턴스 유형을 사용할 수 있습니다.
