머신 러닝

Rekognition

• Amazon Rekognition은 기계 학습을 이용해 객체, 사람, 텍스트와 이미지와 비디오의 장면을 찾는 서비스다.
• 얼굴을 분석하고 비교하여 사용자 확인을 하며 이미지 내의 인물 수를 셀 수 있다.
• 익숙한 얼굴을 저장해 자체 데이터베이스를 생성하거나 이미지 속 인물이 궁금할 때 유명인 얼굴의 데이터베이스와 비교할 수 있다.
• Amazon Rekognition의 사용 사례로는 촬영한 사진이나 비디오의 라벨링 콘텐츠 조정, 텍스트 탐지 얼굴 탐지 및 분석을 들 수 있다.
• 성별이나 연령 범위 얼굴에 나타나는 표정을 탐지할 수 있다.
• 얼굴 검색 및 확인이나 유명인 얼굴 인식에도 쓰이며 이동 경로를 따라가므로 스포츠 경기 분석에도 사용된다. 
• 모든 연령에 적절한지 확인하는 콘텐츠 조정 기능도 있고 경주하는 이미지에서 텍스트를 탐지해 각 주자의 번호를 알 수도 있다.
• 얼굴 탐지 및 분석과 감정 분석도 가능하다. 
• 보안 애플리케이션에는 얼굴 검색 및 확인 기능을 쓸 수 있다.

Transcribe

• 오디오를 넣으면 자동으로 텍스트로 변환한다.
• 자동 음성 인식(ASR)이라는 딥러닝 프로세스를 사용하여 음성을 텍스트로 매우 빠르고 정확하게 변환한다.
• Redaction을 사용하여 개인 식별 정보(PII)를 자동으로 제거할 수 있다.
• 예를 들어 누군가의 나이, 이름, 사회보장번호가 있다면 자동으로 제거된다.
• 다국어 오디오를 자동으로 언어 식별할 수 있다.
• Amazon Transcribe의 사용 사례는, AS 전화의 대본을 자동으로 폐쇄 자막이나 자막으로 만드는 것이다.
• 또한 완전히 검색 가능한 아카이브를 만들기 위해 미디어 자산에 대한 메타데이터를 만든다.

Polly

• 딥 러닝 기술을 사용해 텍스트를 음성으로 변환한다. 말하는 애플리케이션을 만들 수 있다.
• Amazon Polly는 어휘 목록과 SSML을 활용한다.
• 먼저 '발음 어휘 목록'을 사용해 사용자 지정 발음을 생성할 수 있다.
• 어휘 목록을 업로드해서 SynthesizeSpeech 작업에 사용하면 된다.
• 두 번째 기능은 SSML 기능
• SSML은 '음성 합성 마크업 언어'라는 뜻으로 보다 다양한 사용자 지정 음성을 만들 수 있는 기능이다.
• Amazon Polly 서비스 페이지에서 텍스트를 자연스러운 음성으로 변환할 수 있다.

Amazon Translate

• 자연스럽고 정확한 언어 번역 기능을 제공한다. Translate를 통해 콘텐츠를 현지화할 수 있다.
• 즉 해외 사용자를 위한 웹사이트와 애플리케이션 등에 적용 가능하다.
• 또한 대량의 텍스트를 효율적으로 번역할 수 있다.

Lex & Connect

• Lex를 사용하여 자동 음성 인식을 할 수 있다. 음성을 인식하는 ASR이라서 말을 텍스트로 바꿔준다.
• Lex가 자연어 이해를 통해 말의 의도를 파악하고 문장을 이해할 수 있다.
• Amazon Lex 기술은 챗봇 구축이나콜 센터 봇 구축에 도움을 준다.
• Amazon Connect라는 가상 고객 센터가 있다. 전화를 받고 고객 응대 흐름을 생성하는 클라우드 기반 서비스다.
• 다른 고객 관계 시스템 혹은 관리 시스템인 CRM 및 AWS 서비스와 통합할 수 있다.
• Amazon Connect는 기존 고객 센터 방식에 비해 초기 비용이 없고 비용이 약 80% 저렴하다.
• 정리하면 Lex는 ASR이고 Connect는 고객 센터

Comprehend

• 자연어를 처리하는 NLP(Natural Language Processing) 완전 관리형 서버리스 서비스.
• 머신 러닝을 사용하여 텍스트에서 인사이트와 관계를 도출한다.
• 분석 중인 텍스트가 긍정적인지 부정적인지 파악하는 감정 분석을 할 수 있다.
• 토큰화 및 품사를 사용하여 텍스트를 분석할 수 있고 음성을 식별한다.
• 텍스트 파일 모음을 주제에 따라 정리하고 주제를 식별한다.
• 대량의 데이터가 있으면 Comprehend가 그 데이터의 의미를 이해하려고 시도하는 것이다.
• 따라서 텍스트 혹은 구조화되지 않은 데이터를 이런 기능을 사용해 구조화하는 것
• 시험에서 NLP가 보이면 Amazon Comprehend를 떠올려야 한다.

Comprehend Medical Overview

• 비정형 의료 텍스트에서 유용한 정보를 탐지해서 반환해 주는 서비스
• 의사 소견서나 퇴원 요약서, 검사 결과서 의료 사례 기록을 발견하면 NLP, 즉 자연어 처리를 사용해 텍스트를 탐지한다.
• 문서와 문서 속의 보호된 개인 건강 정보(PHI)를 DetectPHI API로 탐지해낸다.
• 아키텍처 관점에서 보면 Amazon S3에 문서를 저장하고 Comprehend Medical API를 실행하는 거고 Kinesis Data Firehose로 실시간으로 데이터를 분석하거나 Amazon Transcribe를 사용해 음성을 텍스트로 변환한 후 텍스트 형식의 콘텐츠를 Amazon Comprehend Medical 서비스에 전달하는 것이다.
• Amazon Comprehend Medical로 텍스트에서 정보를 추출해 인사이트를 얻을 수 있다는 게 핵심이다.

SageMaker

• SageMaker는 완전 관리형 서비스이며 머신 러닝 모델을 구축하는 개발자와 데이터 과학자를 위한 서비스다.
• SageMaker는 높은 수준의 머신 러닝 서비스로 조직의 실제 개발자와 데이터 과학자가 머신 러닝 모델을 만들고 구축하기 위해 사용한다.
• 라벨링과 구축, 훈련 및 조정, 적용 모두 SageMaker에서 가능하다.

Forecast

• 완전 관리형 서비스이며 머신 러닝을 사용하여 매우 정확한 예측을 제공한다. (데이터 자체를 확인하는 것보다 50% 더 정확)
• 관리형 서비스는 예측 시간을 몇 달에서 몇 시간으로 줄여준다.
• 예측이 필요한 것은 모두 사용 사례가 된다. 제품 수요 계획과 재무 계획 자원 계획 등

예시

• 과거 시계열 데이터에 제품 특징, 가격, 할인 웹사이트 트래픽, 상점 위치 기본적으로 모델을 향상시킬 데이터를 추가한다.
• 그리고 Amazon S3에 이를 업로드한 뒤에 Amazon Forecast 서비스를 시작한다.
• 그러면 예측 모델이 생성되고 이 모델을 사용하여 미래의 비옷 판매량이 내년에 $500,000라고 예측하는 것이다.

Kendra

• 머신 러닝으로 제공되는 완전 관리형 문서 검색 서비스.
• 문서(text, pdf, HTML PowerPoint, MS Word, FAQ 등) 내에서 답변을 추출할 수 있게 도와준다.
• Amazon Kendra는 이런 문서를 인덱싱하여 머신 러닝으로 작동되는 지식 인덱스를 내부적으로 구축한다.
• 최종 사용자 관점에서는 자연어 검색 능력이 도움이 된다.
• 예를 들어 사용자가 Amazon Kendra에 'IT의 지원 데스크 위치가 어디야?'라고 물으면 Kendra는 '1층입니다'라고 대답할 수 있다.
• 이게 가능한 이유는 Kendra가 모든 리소스를 검색하여 IT 지원 데스크의 위치가 1층임을 알 수 있기 때문
• 물론 일반적인 검색도 가능하다. 사용자의 상호 작용 및 피드백에서 학습하고 선호되는 검색 결과를 내놓는 증분식 학습도 가능
• 검색 결과를 조정할 수도 있다.
• 데이터의 중요성 및 새로움 또는 사용자 정의 필터를 기반으로 조정 가능하다.
• 시험 문제에서 문서 검색 서비스를 보게 되면 Amazon Kendra를 생각하면 된다.

Personalize

• 실시간 맞춤화 추천으로 애플리케이션을 구축한다.
• 예를 들어 맞춤화된 제품 추천 그리고 재순위화(re-ranking) 또는 맞춤화된 직접 마케팅
• Amazon Personalize API를 사용하여 Amazon Personalize 서비스에 실시간 데이터를 통합할 수 있다.
• 맞춤화를 위해 SMS나 이메일을 보낼 수도 있다.
• ML 솔루션을 구축, 훈련 및 배포할 필요가 없다. 제공되는 번들 그대로 사용하면 된다.
• 사용 사례는 소매 상점, 미디어 그리고 엔터테인먼트 등
• 시험을 대비해서는 추천 및 맞춤화된 추천을 위한 머신 러닝 서비스가 나올 때마다 Amazon Personalize를 생각하면 된다.

Textract

• 텍스트, 손글씨, 폼, 테이블, PDF, 이미지 또는 스캔을 한 문서의 텍스트 데이터를 추출한다. AI나 머신 러닝이 사용된다.
• 텍스트를 추출하는 사용 사례는 여럿 있지만 금융 서비스에서는 송장이나 재무 보고서를 처리하고 건강 보험의 경우 의료 기록과 보험 청구에 사용되고 공공 기관의 경우 세금 양식, 신분증 및 여권 등에 사용된다.