의 이미지 분류 모델의 예 AWS - AWS 권장 가이드
애완동물 입양 웹 사이트속도 모니터링 시스템

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

의 이미지 분류 모델의 예 AWS

이 섹션에서는 훈련, 배포 및 유지 관리를 위한 이미지 분류 솔루션을 선택하는 방법에 대한 몇 가지 예를 제공합니다.

애완동물 입양 웹 사이트

애완동물 입양 웹 사이트는 고양이 및 개 사진이 업로드될 때 자동으로 품종으로 레이블을 지정하려고 합니다. 이들은 비교적 일정한 속도로 하루에 약 5,000회의 호출을 예상합니다. 전체 고양이 및 개 품종 세트는 Amazon Rekognition에서 사용할 수 없으므로이 사용 사례의 후보가 아닙니다.

이미지 분류 모델 구축에 설명된 4단계 프로세스를 사용하여 조직은 다음과 같이 이미지 분류 솔루션을 선택합니다.

  1. 팀은 서비스 요구 사항을 결정합니다. 엔드포인트는 1초 이내에 즉시 응답해야 합니다. 웹 사이트 직원에는 기계 학습 직원이 없으므로 최소한의 유지 관리 노력이 우선입니다.

  2. 팀은 다음과 같은 비용 편익 분석을 수행합니다.

    훈련

    배포

    예상 월별 비용

    장점

    Amazon Rekognition Custom Labels

    (Amazon Rekognition) Autoscaling을 사용하는 추론 단위(IU) 1개

    $2,900

    자체 관리형 훈련, 최소한의 유지 관리

    Amazon SageMaker AI Canvas

    SageMaker AI 실시간 엔드포인트

    $600 + Canvas 사용 비용

    코드 없는 솔루션, 배포 컴퓨팅 크기 제어

    Transfer Learning을 사용하는 Amazon SageMaker AI 딥 러닝 모델

    SageMaker AI 실시간 엔드포인트

    $600 + 직원 시간

    유연성, 모델 선택 및 유지 관리 필요

  3. 팀은 배포 인프라를 결정합니다. Amazon Rekognition Custom Labels는 1단계에 정의된 서비스 요구 사항을 충족하므로 훈련 및 배포용으로 선택됩니다. 배포는에서 완전히 관리됩니다 AWS.

  4. 팀은 모델 유지 관리 워크플로를 결정합니다. 재훈련 워크플로를 AWS Step Functions 관리할 상태 시스템을 선택합니다. 필요에 따라 상태 시스템을 시작하여 모델을 재훈련하고 재배포합니다. 품종 유형이 느리게 변경되고 새 데이터 획득도 느리기 때문에 이는 드문 이벤트일 것으로 예상됩니다.

속도 모니터링 시스템

고속도로 모니터링 시스템용 고속 카메라는 차량의 이미지를 캡처하여 이미지 분류 서비스로 전송하여 차량 유형을 예측합니다. Amazon Rekognition에는 필요한 클래스에 필요한 레이블이 이미 포함되어 있습니다. 조직은 하루에 약 400,000개의 이미지를 예상하며, 시간당 최대 이미지 수는 10,000개입니다. 즉각적인 처리는 필요하지 않습니다. 이 조직에는 오픈 소스 사전 훈련된 모델이 요구 사항을 충족할 수 있도록 권장하는 데이터 과학자가 직원으로 구성되어 있습니다. 그러나 이러한 비용에는 더 많은 선결제 비용과 유지 관리가 수반됩니다.

  1. 팀은 서비스 요구 사항을 결정합니다. 즉각적인 응답은 필요하지 않지만 이미지는 24시간 이내에 처리해야 합니다.

  2. 팀은 다음과 같은 비용 편익 분석을 수행합니다.

    훈련

    배포

    예상 월별 비용

    장점

    Amazon Rekognition

    Amazon Rekognition

    $7,000

    에서 완전 자동화된 유지 관리 처리 AWS

    SageMaker AI 사전 훈련 모델

    SageMaker AI 배치 변환

    1,500 USD + 인건비

    유연성, 모델 선택 및 유지 관리 필요

    SageMaker AI 사전 훈련 모델

    SageMaker AI 서버리스 엔드포인트

    $500 + 인건비

    유연성, 모델 선택 및 유지 관리 필요

  3. 팀은 배포 인프라를 결정합니다. 조직에 이미 모델 선택 및 유지 관리를 관리할 수 있는 데이터 과학 팀이 있기 때문에 SageMaker AI 모델을 사용하고 SageMaker AI 서버리스 엔드포인트를 배포하기로 선택합니다.

  4. 팀은 모델 유지 관리 워크플로를 결정합니다. 모델 예측 신뢰도에 대한 통계를 제공하고 통계가 구성된 허용 오차를 벗어나는 경우 알림을 보내는 모니터링 파이프라인을 생성합니다.