Amazon SageMaker AI - Amazon Timestream

Amazon Timestream for LiveAnalytics와 유사한 기능을 원하는 경우 Amazon Timestream for InfluxDB를 고려해 보세요. 간소화된 데이터 수집과 실시간 분석을 위한 10밀리초 미만의 쿼리 응답 시간을 제공합니다. 여기에서 자세히 알아보세요.

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

Amazon SageMaker AI

Amazon SageMaker 노트북을 사용하여 기계 학습 모델을 Amazon Timestream과 통합할 수 있습니다. 시작하는 데 도움이 되도록 Timestream의 데이터를 처리하는 샘플 SageMaker 노트북을 생성했습니다. 데이터는 데이터를 지속적으로 전송하는 다중 스레드 Python 애플리케이션에서 Timestream으로 삽입됩니다. 샘플 SageMaker 노트북과 샘플 Python 애플리케이션의 소스 코드는 GitHub에서 제공됩니다.

  1. 데이터베이스 생성 및 테이블 생성에 설명된 지침에 따라 데이터베이스와 테이블을 생성합니다.

  2. GitHub의 지침에 따라 다중 스레드 Python 샘플 애플리케이션의 GitHub 리포지토리를 복제합니다.

  3. GitHub의 지침에 따라 샘플 Timestream SageMaker 노트북의 GitHub 리포지토리를 복제합니다.

  4. README의 지침에 따라 Timestream에 지속적으로 데이터를 수집하기 위한 애플리케이션을 실행합니다.

  5. 지침에 따라 여기에 설명된 대로 Amazon SageMaker용 Amazon S3 버킷을 생성합니다.

  6. 최신 boto3가 설치된 Amazon SageMaker 인스턴스를 생성합니다. 여기에 설명된 지침 외에도 아래 단계를 따르세요.

    1. 노트북 인스턴스 생성 페이지에서 추가 구성을 클릭합니다.

    2. 수명 주기 구성 - 선택 사항을 클릭하고 새로운 수명 주기 구성 생성을 선택합니다.

    3. 수명 주기 구성 생성 마법사 상자에서 다음을 수행합니다.

      1. 구성에 원하는 이름(예: on-start)을 입력합니다.

      2. 노트북 시작 스크립트에서 \Github의 스크립트 콘텐츠를 복사하여 붙여 넣습니다.

      3. 붙여넣은 스크립트에서 PACKAGE=scipy를 PACKAGE=boto3으로 바꿉니다.

  7. 구성 생성을 클릭합니다.

  8. AWS Management Console에서 IAM 서비스로 이동하여 노트북 인스턴스를 위해 새로 생성된 SageMaker 실행 역할을 찾습니다.

  9. 실행 역할에 AmazonTimestreamFullAccess에 대한 IAM 정책을 연결합니다.

    참고

    AmazonTimestreamFullAccess IAM 정책은 특정 리소스에 국한되지 않으며 프로덕션 사용에는 부적합합니다. 프로덕션 시스템의 경우 특정 리소스에 대한 액세스를 제한하는 정책 사용을 고려하세요.

  10. 노트북 인스턴스의 상태가 InService인 경우 Jupyter 열기를 선택하여 해당 인스턴스에 대한 SageMaker 노트북을 시작합니다.

  11. 업로드 버튼을 선택하여 노트북에 파일 timestreamquery.py 및 Timestream_SageMaker_Demo.ipynb를 업로드합니다.

  12. 선택Timestream_SageMaker_Demo.ipynb

    참고

    커널을 찾을 수 없음 팝업이 나타나면 conda_python3을 선택하고 커널 설정을 클릭합니다.

  13. 훈련 모델의 데이터베이스 이름, 테이블 이름, S3 버킷 이름 및 리전과 일치하도록 DB_NAME, TABLE_NAME, bucket 및 ENDPOINT를 수정합니다.

  14. 재생 아이콘을 선택하여 개별 셀을 실행합니다.

  15. Leverage Timestream to find hosts with average CPU utilization across the fleet 셀에 도달하면 출력이 최소 2개의 호스트 이름을 반환하는지 확인합니다.

    참고

    출력에 호스트 이름이 2개 미만인 경우 더 많은 스레드와 호스트 규모로 Timestream에 데이터를 수집하는 샘플 Python 애플리케이션을 다시 실행해야 할 수 있습니다.

  16. Train a Random Cut Forest (RCF) model using the CPU utilization history 셀에 도달하면 훈련 작업에 대한 리소스 요구 사항에 따라 train_instance_type을 변경합니다.

  17. Deploy the model for inference 셀에 도달하면 추론 작업에 대한 리소스 요구 사항에 따라 instance_type을 변경합니다.

    참고

    모델을 훈련하는 데 몇 분가량 소요될 수 있습니다. 훈련이 완료되면 셀 출력에 완료됨 - 훈련 작업 완료 메시지가 표시됩니다.

  18. Stop and delete the endpoint 셀을 실행하여 리소스를 정리합니다. SageMaker 콘솔에서 인스턴스를 중지하고 삭제할 수도 있습니다.