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

# 다음 단계 및 리소스
<a name="whats-next"></a>

이 가이드에서는 프로덕션에 가져오려는 기계 학습 모델의 수명 주기를 계획할 때 몇 가지 고려 사항을 안내합니다. 여기에는 데이터, 훈련, 배포 및 모니터링의 4가지 영역에서 발생하는 문제와 모범 사례가 설명되어 있으며 추가 관련 리소스가 포함되어 있습니다.

AWS 는 클라우드 아키텍트가 다양한 애플리케이션, 워크로드 및 기술 도메인을 위한 안전하고 성능이 뛰어나며 복원력이 뛰어나고 효율적인 인프라를 구축할 수 있도록 지원하는 Well-Architected Framework를 제공합니다. 자세한 내용은 AWS Well-Architected에서 제공하는 [Machine Learning 렌즈를](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html) 참조하세요.

## 리소스
<a name="resources"></a>

**Amazon SageMaker AI 설명서**
+ [Amazon SageMaker AI 특성 저장소](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-getting-started.html)
+ [특성 저장소 보안 및 액세스 제어](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-security.html)
+ [Shapley 값](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-shapley-values.html)
+ [Amazon SageMaker AI 디버거](https://docs.aws.amazon.com/sagemaker/latest/dg/train-debugger.html)
+ [Amazon SageMaker AI 파이프라인](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-sdk.html)
+ [Amazon SageMaker AI 기본 프로젝트 템플릿](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-templates-sm.html)
+ [SageMaker AI 실시간 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [Amazon SageMaker AI 모델 자동 조정](https://docs.aws.amazon.com/sagemaker/latest/dg/endpoint-auto-scaling.html)
+ [Amazon SageMaker AI 비동기 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [SageMaker AI 모델 모니터](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-capture.html)

**AWS 개발자 도구**
+ [AWS CodePipeline](https://aws.amazon.com/codepipeline/)

**AWS 블로그 게시물**
+ [Amazon SageMaker AI 특성 저장소의 주요 기능 이해](https://aws.amazon.com/blogs/machine-learning/understanding-the-key-capabilities-of-amazon-sagemaker-feature-store/)
+ [PyDeequ를 사용하여 대규모 데이터 품질 테스트](https://aws.amazon.com/blogs/big-data/testing-data-quality-at-scale-with-pydeequ/)
+ [Amazon SageMaker AI 실험](https://aws.amazon.com/blogs/aws/amazon-sagemaker-experiments-organize-track-and-compare-your-machine-learning-trainings/)
+ [CodePipeline 및를 사용하여 Amazon SageMaker 엔드포인트를 안전하게 배포하고 모니터링 AWS CodeDeploy](https://aws.amazon.com/blogs/machine-learning/safely-deploying-and-monitoring-amazon-sagemaker-endpoints-with-aws-codepipeline-and-aws-codedeploy/)
+ [Amazon SageMaker AI에 섀도 ML 모델 배포](https://aws.amazon.com/blogs/machine-learning/deploy-shadow-ml-models-in-amazon-sagemaker/)
+ [Amazon SageMaker AI를 사용하여 프로덕션 환경에서 ML 모델 테스트](https://aws.amazon.com/blogs/machine-learning/a-b-testing-ml-models-in-production-using-amazon-sagemaker/)