참고: 이 내용은 2021. 12. 6에 게시된 컨텐츠(Analysts Can Now Use SQL to Build and Deploy ML Models with Snowflake and Amazon SageMaker Autopilot)에서 번역되었습니다.
기계 학습(ML) 모델은 조직이 비즈니스 전반에 걸쳐 가치를 창출하는 패턴을 밝히고 이를 예측하는 데 도움이 되는 핵심 동인이 되어 왔습니다. 매우 중요함에도, 이러한 모델을 구축하고 배포하는 작업은 프로그래밍 및 ML 프레임워크 전문 지식을 갖춘 소수의 전문 데이터 과학자 및 엔지니어의 손에만 맡겨져 있습니다.
그러나 강력한 비즈니스 통찰력과 SQL 전문 지식을 보유한 분석가에 대한 차단을 해제하여 조직의 더 많은 부분에 기계 학습을 추가로 포함할 수 있다면 어떨까요? Snowflake와 Amazon SageMaker Autopilot의 통합을 통해 Snowflake의 데이터 액세스와 Amazon SageMaker Autopilot의 자동화된 기계 학습(AutoML) 기능을 결합하여 Snowflake 내부에서 SQL을 사용해 ML 모델을 손쉽게 구축 및 배포할 수 있습니다. 이제 이 기본 통합의 공개 미리 보기가 제공되며 AWS 이니셔티브 ‘데이터 분석을 위한 AI’(AIDA)에 포함됨을 알리게 되어 매우 기쁩니다.
Snowflake의 제품 관리 이사인 Torsten Grabs는 “Snowflake와 Amazon SageMaker Autopilot의 통합을 사용하여 팀이 데이터를 ML 기반 통찰력으로 변환하는 노력을 단순화하고 데이터를 직접 접하는 데이터 과학 팀을 넘어 데이터 과학의 힘을 확장할 수 있습니다.”라고 말했습니다. “성향 및 세분화 모델을 통해 고객의 디지털 뱅킹 경험을 맞춤화하는 Western Union과 같은 고객은 더 세분화된 모델을 통해 이러한 경험을 초개인화할 수 있습니다. 이를 통해 ML 모델 구축과 관련된 부담을 줄이고 Snowflake 내에서 최첨단 기계 학습 모델을 교육하고 배포하는 자동화를 통해 운영 비용을 절감할 수 있습니다.”
기본 통합을 통해 분석가 및 기타 SQL 사용자는 SageMaker Autopilot의 기능을 활용하여 회귀 및 분류 알고리즘을 사용하는 광범위한 사용 사례에 대해 Snowflake의 표 형식 데이터 세트를 사용하여 모델을 구축 및 배포할 수 있습니다. 여기에는 고객 이탈 예측, 고객 생애 가치, 가격 및 판매 예측과 같은 인기 있는 판매 및 마케팅 사용 사례뿐 아니라 예측 유지 관리와 같은 산업별 사용 사례도 포함됩니다.
얼마나 쉽게 시작할 수 있는지 보여주기 위해 SQL을 사용하여 ML 모델을 빌드하고 배포하는 방법에 대한 빠른 시작 가이드를 만들었습니다. 이는 다음 사항을 다룹니다.
- 사전 필요조건 및 지식
- 일회성 설정 프로세스를 위한 간단한 3단계
- SageMaker Autopilot을 사용하는 AutoML용 Snowflake SQL 함수
- 교육 시작: aws_autopilot_create_model ()
- 상태 확인: aws_autopilot_describe_model()
- 예측 보기: aws_autopilot_predict_outcome()
- 모델 최적화 아이디어
quickstarts.snowflake.com에서 시작하십시오.