모레 모레

머신 러닝을 위한 피처 엔지니어링(Feature engineering)데이터 처리라고도 불리는 피처 엔지니어링은 가공되지 않은 데이터를 머신 러닝 모델 개발 사용할 수 있는 기능으로 전환하는 프로세스입니다. 이 항목에서는 피처 엔지니어링의 주요 개념과 피처 엔지니어링이 ML 수명 주기 관리에서 수행하는 역할을 설명합니다.머신 러닝에서 특성은 모델 트레이닝에 사용되는 입력 데이터입니다. 특성은 모델이 학습할 어떤 엔터티의 속성입니다. 가공되지 않은 데이터는 처리 작업을 수행한 후 ML 모델의 입력 데이터로 사용해야 합니다. 올바른 피처 엔지니어링은 모델 개발 프로세스의 효율성을 향상하고 더 단순하고 유연하며 정확한 모델을 만들 수 있습니다.피처 엔지니어링이란 무엇입니까?피처 엔지니어링은 데이터로 모델을 트..

GPU와 VPU의 차이점은 무엇인가요?그래픽 처리 장치(GPU)와 비전 처리 장치(VPU)의 차이점을 알아보세요.소형의 견고한 PC가 팬이 없는 솔리드 스테이트 시스템에서 최첨단 성능을 구현하는 강력한 그래픽 하드웨어를 필요로 하는 컴퓨팅 집약적 작업을 처리하는 경우가 점점 더 흔해지고 있습니다. 이는 전력 소비, 냉각 용량, 비용 및 시스템 안정성을 동등하게 해야 하기 때문에 구현하기 어려운 작업입니다.Assured Systems는 견고한 디자인을 유지하면서도 추가 처리 능력이 필요한 머신 비전, 학습 및 AI 애플리케이션을 위한 광범위한 산업용 GPU 가속 PC를 구축합니다. 이러한 시스템은 일반적으로 VPU(Vision Processing Unit) 또는 GPU(Graphics Processing ..

모델 서빙(Model Serving)이란? 모델 서빙은 머신러닝 모델을 실제 애플리케이션 환경에서 사용할 수 있도록 배포하고 관리하는 과정입니다. 이는 모델을 API 형태로 노출하여 다른 시스템이나 애플리케이션이 이를 호출하고 결과를 활용할 수 있도록 합니다. OpenVINO 모델 서버 OpenVINO란?  • OpenVINO(Open Visual Inference & Neural Network Optimization)는 Intel에서 제공하는 도구로, 딥러닝 모델의 추론 성능을 최적화하고 가속화하는 데 사용됩니다. • OpenVINO는 다양한 하드웨어(Intel CPU, GPU, VPU 등)에서 최적화된 추론을 지원하며, 특히 컴퓨터 비전과 관련된 작업에 유리합니다. OpenVINO 모델 서버  • O..

데이터셋(dataset)은 모델 개발과 훈련에서 핵심적인 역할을 하는 데이터의 모음을 의미합니다. 데이터셋은 기계 학습 및 데이터 분석의 기초가 되며, 모델의 성능과 정확도를 좌우할 수 있습니다. 데이터셋에 대한 설명은 다음과 같습니다.데이터셋의 정의데이터셋은 특정한 목적이나 문제를 해결하기 위해 수집된 데이터의 집합입니다. 이러한 데이터셋은 다양한 형태로 존재할 수 있으며, 일반적으로 구조화된 형태(예: 테이블 형식의 데이터)와 비구조화된 형태(예: 이미지, 텍스트, 오디오)로 나뉩니다.데이터셋의 구성 요소샘플(Sample) 또는 인스턴스(Instance):데이터셋은 여러 개의 샘플로 구성됩니다. 각각의 샘플은 관찰된 데이터 포인트 하나를 의미합니다.예를 들어, 사람의 키와 몸무게 데이터를 다루는 경우..

양사의 기술 확인을 위한 회의를 주관하기 위해서는 명확한 아젠다 설정과 회의록 작성을 통해 회의의 목적과 결과를 명확히 하는 것이 중요합니다. 다음은 아젠다와 회의록에 포함될 수 있는 주요 내용들입니다.회의 아젠다회의 개요회의 목적: 양사의 기술 역량 및 협업 가능성 확인회의 일시 및 장소참석자 목록소개 및 환영 인사회의 주최자의 환영 인사 및 회사 소개참석자 소개 (각사 대표자 및 주요 기술 담당자)기술 소개각사의 주요 기술 및 제품 소개A사의 기술 및 제품 설명B사의 기술 및 제품 설명기술 비교 및 분석기술의 장단점 및 차별화 포인트 논의시장 내 기술적 위치 및 경쟁력 분석협업 가능성 논의협업의 필요성 및 기대 효과가능한 협업 분야 및 방식상호 기술 지원 및 통합 가능성질의응답참석자들의 질의응답 시간..

정의 및 개요정의:OpenShift Container Platform은 Red Hat이 제공하는 Kubernetes 기반의 컨테이너 오케스트레이션 플랫폼입니다.개요:이 플랫폼은 애플리케이션의 개발, 배포, 운영을 자동화하여 일관된 환경을 제공합니다.다양한 클라우드 환경에서 작동하며, 멀티클라우드 및 하이브리드 클라우드 배포를 지원합니다.주요 기능컨테이너 오케스트레이션:Kubernetes를 기반으로 컨테이너화된 애플리케이션의 스케일링, 로드 밸런싱, 배포 등을 자동화합니다.다중 클라우드 지원:온프레미스, 퍼블릭 클라우드, 프라이빗 클라우드 환경에서 일관된 애플리케이션 배포 및 관리를 지원합니다.DevOps 통합:CI/CD 파이프라인을 통해 개발과 운영을 자동화하여 DevOps 문화를 촉진합니다.보안 및 규..

Uber가 겪었던 AI 및 머신러닝 확장성 문제에는 여러 가지가 있습니다. 이 문제들을 해결하기 위해 Uber는 Michelangelo라는 내부 머신러닝 플랫폼을 구축했습니다. 주요 문제점과 그에 대한 해결책을 아래에 정리했습니다.1. 복잡한 데이터 파이프라인문제점: Uber의 다양한 서비스는 실시간 데이터를 필요로 합니다. 이를 위해 데이터의 일관성과 신뢰성을 유지하면서도 실시간으로 데이터를 처리하고 제공하는 것이 매우 복잡했습니다.해결책: Uber는 중앙화된 Feature Store를 구축하여 데이터 팀들이 생성한 피처들을 쉽게 공유하고 관리할 수 있도록 했습니다. 이를 통해 데이터 일관성을 유지하고 재사용성을 높였습니다​​​​.2. 모델 학습 및 배포의 확장성 문제문제점: 대규모 데이터를 처리하고 ..

1. 개요OpenShift AI는 Red Hat OpenShift를 기반으로 한 AI 및 머신러닝 플랫폼으로, 멀티클라우드 환경에서 AI 모델의 개발, 배포 및 관리에 최적화된 솔루션입니다. 이 보고서는 OpenShift AI의 필요성, 주요 구성 요소, 장점, 워크플로우 및 실제 사례를 통해 OpenShift AI의 활용 방안을 제시합니다.2. OpenShift AI의 필요성현대의 AI 및 MLOps 환경은 복잡성과 확장성, 유지 보수의 어려움 등의 문제를 겪고 있습니다. OpenShift AI는 이러한 문제를 해결하기 위해 멀티클라우드 및 하이브리드 클라우드 환경에서 일관된 개발 및 배포 환경을 제공합니다.3. 주요 구성 요소OpenShift Container Platform: Kubernetes 기..

OpenShift의 Virtualization기능을 활용하여 VMware의 가상서버를 컨테이너 가상 환경으로 전환하기 위해서는 VMware의 현재 상태를 분석하여 OpenShift의 컨테이너 환경을 설계해야 합니다.AS-IS 분석 (현재 상태 분석)비용라이선스 비용: VMware의 높은 라이선스 비용운영비용: 하드웨어 및 유지보수 비용확장성: 필요 시 추가적인 라이선스와 하드웨어 투자 필요성능 및 확장성확장성 한계: 기존 인프라의 확장성 한계리소스 관리: VM 기반의 리소스 관리의 비효율성운영 효율성수동 작업: 많은 수동 관리 및 운영 작업자동화 부족: 자동화 도구 부족으로 인한 운영의 비효율성혁신과 개발DevOps 도입 어려움: DevOps와 CI/CD 파이프라인의 도입 및 관리의 어려움애플리케이션 개..