AWS 썸네일형 리스트형 AWS Serverless 2편 1편에서 생성한 Lambda의 스펙을 다시 한번 살펴보고 이번에는 구체적으로 해석해보자. ApiFunction: Type: AWS::Serverless::Function Properties: FunctionName: Fn::Sub: ${StageName}-mlops-api-function Handler: lambda_invoke.lambda_handler Runtime: python3.7 CodeUri: s3://your-bucket/serverless/code.zip Environment: Variables: LOG_LEVEL: Ref: LogLevel STAGE_NAME: Ref: StageName 애플리케이션의 기능을 구현한 코드는 "your-bucket"이라는 이름의 s3 버킷에 "serverle.. 더보기 AWS Serverless 1편 1. Serverless Architecture 서버리스 아키텍처는 개발자가 서버를 관리할 필요 없이 애플리케이션을 구축하고 실행하는 방식이다. "Serverless"라고 해서 서버가 없는 것이 아니다. 애플리케이션은 여전히 서버에서 실행되지만 모든 서버 관리는 AWS가 해준다. 개발자는 애플리케이션의 핵심 기능을 위한 코드 작성에만 집중하게 되고 프로비저닝, 확장 및 유지 등 서버 리소스 관리에는 신경 쓸 필요가 없다. 따라서 서버리스 아키텍처를 사용하면 개발자는 시간과 에너지를 절약하면서 서비스 안정성을 확보할 수 있다. 참고 링크 : https://aws.amazon.com/ko/serverless/ 서버리스 애플리케이션은 기본적으로 AWS Lambda에서 시작된다. 앞으로 두 편에 걸쳐 AWS L.. 더보기 Amazon SageMaker Amazon SageMaker는 머신러닝 모델을 구축, 훈련 및 배포할 수 있는 완전 관리형 서비스이다. 본 글은 4/21에 AWS에서 진행한 TdML Gameday 사전교육 내용을 바탕으로 작성한 것으로, 본격적으로 SageMaker를 사용하기에 앞서 정리해두면 좋은 내용이다. 나중에 조금이라도 덜 헤매기 위하여! 1. ML Workflow 단계별 필요한 SageMaker 서비스 머신러닝 모델을 상용화하기까지의 과정은 크게 4단계(Prepare(준비), Build(모델 개발), Train & Tune(훈련), Deploy & Manage(배포 & 관리))로 나눌 수 있다. 각 단계별로 SageMaker가 어떠한 서비스들을 지원해주는지 알아보자. 1-1. Prepare(준비) 머신러닝 모델을 개발하는데 .. 더보기 이전 1 다음