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

# SageMaker AI 프로젝트는 무엇인가요?
SageMaker 프로젝트

SageMaker 프로젝트는 조직이 데이터 사이언티스트를 위한 개발자 환경과 MLOps 엔지니어를 위한 CI/CD 시스템을 설정하고 표준화하는 데 도움이 됩니다. 또한 프로젝트는 조직이 종속성 관리, 코드 리포지토리 관리, 빌드 재현성 및 아티팩트 공유를 설정하는 데 도움이 됩니다.

Amazon S3 버킷에 저장된 사용자 지정 템플릿을 사용하거나 또는 SageMaker AI의 템플릿을 사용하여 AWS Service Catalog SageMaker 프로젝트를 프로비저닝할 수 있습니다. AWS Service Catalog에 대한 자세한 내용은 [AWS Service Catalog란 무엇입니까](https://docs.aws.amazon.com/servicecatalog/latest/dg/what-is-service-catalog.html)?를 참조하십시오. SageMaker 프로젝트를 통해 MLOps 엔지니어와 조직 관리자는 자체 템플릿을 정의하거나 SageMaker AI에서 제공하는 템플릿을 사용할 수 있습니다. SageMaker AI에서 제공하는 템플릿은 소스 버전 관리, 자동화된 ML 파이프라인, ML 사용 사례에서 빠르게 반복을 시작할 수 있는 코드 세트를 통해 ML 워크플로를 부트스트랩합니다.

## SageMaker AI 프로젝트는 언제 사용해야 하나요?


**중요**  
2024년 9월 9일부터 AWS CodeCommit 리포지토리를 사용하는 프로젝트 템플릿은 더 이상 지원되지 않습니다. 새 프로젝트의 경우 타사 Git 리포지토리를 사용하는 사용 가능한 프로젝트 템플릿 중에서 선택하세요.

노트북은 모델 구축 및 실험에 유용하지만 코드를 공유하는 데이터 사이언티스트와 ML 엔지니어 팀은 코드 일관성과 엄격한 버전 관리를 유지하기 위해 보다 확장 가능한 방법이 필요합니다.

모든 조직은 AWS 환경에 대한 보안 및 거버넌스를 제공하는 자체 표준 및 관행 세트를 가지고 있습니다. SageMaker AI는 ML 워크플로 및 CI/CD를 빠르게 시작하려는 조직을 위한 퍼스트 파티 템플릿 세트를 제공합니다. 템플릿에는 AWS CodeBuild AWS CodePipeline및와 같이 CI/CD에 AWS네이티브 서비스를 사용하는 프로젝트가 포함됩니다 AWS CodeCommit. 템플릿은 Jenkins 및 GitHub와 같은 타사 도구를 사용하는 프로젝트를 생성할 수 있는 옵션도 제공합니다. SageMaker AI에서 제공하는 프로젝트 템플릿 목록은 [SageMaker AI에서 제공하는 프로젝트 템플릿 사용](sagemaker-projects-templates-sm.md) 섹션을 참조하세요.

조직은 프로비저닝하고 관리하는 MLOps 리소스를 엄격하게 제어해야 하는 경우가 많습니다. 이러한 책임에는 IAM 역할 및 정책 구성, 리소스 태그 적용, 암호화 적용, 여러 계정의 리소스 분리 등 특정 작업이 포함됩니다. SageMaker 프로젝트는 조직이 템플릿을 사용하여 ML 워크플로에 필요한 리소스를 정의하는 사용자 지정 CloudFormation 템플릿 제공을 통해 이러한 모든 작업을 지원할 수 있습니다. 데이터 사이언티스트는 템플릿을 선택하여 ML 워크플로를 부트스트랩하고 사전 구성할 수 있습니다.

시작하려면 Amazon S3 버킷 내에 사용자 지정 템플릿을 생성하고 저장하는 것이 좋습니다. 이렇게 하면 조직의 지원되는 모든 리전에서 버킷을 생성할 수 있습니다. S3는 버전 관리를 지원하므로 여러 버전의 템플릿을 유지하고 필요한 경우 롤백할 수 있습니다. Amazon S3 버킷의 템플릿 스토어에서 프로젝트를 생성하는 방법에 대한 자세한 내용은 섹션을 참조하세요[Amazon S3 버킷의 템플릿 사용](sagemaker-projects-templates-custom.md#sagemaker-projects-templates-s3).

또는 사용자 지정 템플릿을 Service Catalog 제품으로 생성하고 Studio 또는 Studio Classic UI의 **조직 템플릿에서 프로비저닝할 수도 있습니다**. Service Catalog는 조직에서 사용이 승인된 제품 카탈로그를 생성하고 관리하는 데 도움이 되는 서비스입니다 AWS. 사용자 지정 템플릿을 만드는 방법에 대한 자세한 내용은 [Build Custom SageMaker AI Project Templates – Best Practices](https://aws.amazon.com/blogs/machine-learning/build-custom-sagemaker-project-templates-best-practices/)를 참조하세요.

두 옵션 중 하나를 사용할 수 있지만 서비스 카탈로그를 통해 S3 버킷을 사용하는 것이 좋습니다. 따라서 서비스 카탈로그의 복잡성을 관리할 필요 없이 SageMaker AI를 사용할 수 있는 지원되는 리전에서 버킷을 생성할 수 있습니다.

SageMaker 프로젝트는 Git 리포지토리를 관리하는 데 도움이 되므로 팀 간에 더 효율적으로 협업하고, 코드 일관성을 유지하고, CI/CD를 지원할 수 있습니다. SageMaker 프로젝트는 다음 작업에 도움이 될 수 있습니다.
+ ML 수명 주기의 모든 엔터티를 하나의 프로젝트로 구성합니다.
+ 모범 사례를 통합한 모델 훈련 및 배포를 위한 표준 ML 인프라를 설정하는 원클릭 접근 방식을 설정합니다.
+ ML 인프라용 템플릿을 만들고 공유하여 여러 사용 사례를 지원합니다.
+ SageMaker AI에서 제공하는 사전 구축된 템플릿을 활용하여 모델 구축에 빠르게 집중하거나 조직별 리소스 및 지침이 포함된 사용자 지정 템플릿을 생성합니다.
+ 프로젝트 템플릿을 확장하여 원하는 도구와 통합합니다. 예시는 [Create a SageMaker AI Project to integrate with GitLab and GitLab Pipelines](https://aws.amazon.com/blogs/machine-learning/build-mlops-workflows-with-amazon-sagemaker-projects-gitlab-and-gitlab-pipelines/)을 참조하세요.
+ ML 수명 주기의 모든 엔터티를 하나의 프로젝트로 구성합니다.

## SageMaker AI 프로젝트에는 무엇이 있나요?


고객은 자신의 사용 사례에 가장 적합한 리소스로 프로젝트를 유연하게 설정할 수 있습니다. 아래 예시는 모델 훈련 및 배포를 포함한 ML 워크플로의 MLOps 설정을 보여줍니다.

![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/projects/projects-ml-workflow.png)


SageMaker AI에서 제공하는 템플릿을 사용하는 일반적인 프로젝트에는 다음이 포함될 수 있습니다.
+ ML 솔루션을 빌드하고 배포하기 위한 샘플 코드가 있는 하나 이상의 리포지토리. 다음은 필요에 맞게 수정할 수 있는 실제 예시입니다. 이 코드를 소유하고 있으며 버전 관리 리포지토리를 작업에 활용할 수 있습니다.
+ 다음 다이어그램과 같이 데이터 준비, 훈련, 모델 평가 및 모델 배포를 위한 단계를 정의하는 SageMaker AI 파이프라인입니다.  
![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/projects/pipeline-in-project-simple.png)
+ 새 버전의 코드를 체크인할 때마다 SageMaker AI 파이프라인을 실행하는 CodePipeline 또는 Jenkins 파이프라인입니다. CodePipeline에 대한 자세한 내용은 [What is AWS CodePipeline을 참조하세요.](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html) Jenkins에 대한 자세한 내용은 [Jenkins 사용자 설명서](https://www.jenkins.io/doc/)를 참조하세요.
+ 모델 버전이 포함된 모델 그룹. SageMaker AI 파이프라인 실행의 결과 모델 버전을 승인할 때마다 SageMaker AI 엔드포인트에 배포할 수 있습니다.

각 SageMaker AI 프로젝트에는 프로젝트에서 생성된 모든 SageMaker AI 및 AWS 리소스에 태그로 적용되는 고유한 이름과 ID가 있습니다. 이름과 ID를 사용하여 프로젝트와 관련된 모든 엔터티를 볼 수 있습니다. 다음이 포함됩니다.
+ 파이프라인
+ 등록된 모델
+ 배포된 모델(엔드포인트)
+ 데이터세트
+ 서비스 카탈로그 제품
+ CodePipeline과 Jenkins 파이프라인
+ CodeCommit 및 타사 Git 리포지토리

## SageMaker AI Pipelines을 사용하려면 프로젝트를 생성해야 하나요?


아니요.SageMaker 파이프라인은 훈련 작업, 처리 작업 및 기타 SageMaker AI 작업과 마찬가지로 독립 실행형 엔터티입니다. SageMaker AI 프로젝트를 사용하지 않고 SageMaker Python SDK를 사용하여 노트북 내에서 직접 파이프라인을 생성, 업데이트 및 실행할 수 있습니다.

프로젝트는 코드를 구성하고 프로덕션 품질 시스템에 필요한 운영 모범 사례를 채택하는 데 도움이 되는 추가 계층을 제공합니다.