Danny's Blog

Amazon LexWhat it isAmazon Lex lets you build conversational chatbots quickly using voice or text. Think pizza-ordering bots, hotel-booking bots, or customer support assistants. It supports multiple languages and integrates tightly with AWS Lambda, Amazon Connect, Comprehend, andKendra. How it works (simple flow) User utterance: “I want to book a hotel.” Intent detection: Lex matches this to the BookHotel intent. Slot collection: Lex asks for required slots (city, check-in date, nights, room ...

Amazon Lex기본 개념 Amazon Lex는 음성이나 텍스트로 대화형 챗봇을 빠르게 만들 수 있는 서비스입니다. 예시: 고객이 호텔 예약을 하거나 피자를 주문할 수 있는 챗봇. 여러 언어를 지원하며, AWS Lambda, Amazon Connect, Comprehend, Kendra와 통합됩니다. 사용자의 의도(Intent)를 자동으로 파악해 알맞은 Lambda 함수를 호출하여 요청을 처리합니다. 필요한 경우 챗봇이 사용자에게 추가 정보를 요청하는데, 이를 **Slot(입력 매개변수)**라고 부릅니다. 동작 방식 사용자가 “호텔 예약하고 싶어요”라고 입력. Lex는 미리 정의된 **Intent(호텔 예약)**를 인식. 필요한 Slot(도시, 체크인 날짜, 숙박일수 등)을 질문하여 채움. 모든 Slot이 채워지면 Lambda 함수를 호출해 예약 처리. 결과를 사용자에게 응답 (“예약이 완료되었습니다”). 시험 포인트 Intent: 사용자가 원하는 목적(예: 호텔 예약)....

Amazon PollyWhat It Does Amazon Polly is a Text-to-Speech (TTS) service that converts written text into lifelike speech using deep learning. With Polly, you can create applications that actually speak to users—for example, an audiobook generator, a voice-enabled chatbot, or accessibility tools for visually impaired users. Key Features (Exam Focus) Lexicons (Custom Pronunciation Dictionary) You can define how certain words should be pronounced. Example: AWS → Amazon Web Services, W3C →...

Amazon Polly기본 개념 Amazon Polly는 텍스트를 사람처럼 자연스러운 음성으로 바꿔주는 서비스입니다. 딥러닝 기반 음성 합성(TTS, Text-to-Speech) 기술을 사용해 실제 사람 목소리처럼 들리게 합니다. 이 기능을 활용하면 “말하는 애플리케이션”을 만들 수 있습니다. 예: 뉴스 읽기 앱, 시각장애인용 리더, 고객센터 챗봇 등. 주요 기능 Lexicon (발음 사전) 특정 단어를 원하는 방식으로 읽도록 설정 가능. 예: AWS → Amazon Web Services, W3C → World Wide Web Consortium. SSML (Speech Synthesis Markup Language) 발음·억양·속도·강세 등을 조정하는 마크업 언어. 예: "Hello, <break time='1s'/> how are you?" → “헬로” 후 1초 쉬고 “하우 아 유?” 시험 포인트: Polly에서...

AWS AI 관리형 서비스 (AWS AI Managed Services)1. 왜 AWS AI 관리형 서비스인가? 사전 학습된 ML 모델 제공 → 별도의 훈련 필요 없음 고가용성 & 빠른 응답성 중복성 & 리전 배포: 여러 AZ/Region 배포로 장애에도 안정적 최적화된 성능: 특수 CPU/GPU 사용으로 비용 절감 토큰 기반 과금: 사용한 만큼만 지불 (Pay-as-you-go) Provisioned Throughput: 예측 가능한 워크로드에 대해 안정적 성능 제공 👉 시험 포인트: AWS AI 서비스는 Fully Managed, Serverless, Pay-per-use 구조임 Amazon Comprehend (자연어 처리, NLP) 완전 관리형(Serverless) NLP 서비스 주요 기능: 언어 식별(Language Detection) 키 구문, 인물, 장소, 조직, 브랜드, 이벤트 추출 감정 분석(Sentiment A...

AWS AI Managed ServicesWhy AWS AI Managed Services?AWS AI Managed Services provide pre-trained ML models designed for specific use cases, without requiring you to build or train models from scratch. Key Benefits: Responsiveness and Availability: Always accessible, deployed across multiple Availability Zones and AWS Regions. Redundancy and Reliability: Services remain available even if one AZ experiences downtime. Performance: Use of specialized CPUs and GPUs optimized for ML workloads → cost ...

Hyperparameter Tuning1. What is a Hyperparameter? Definition: Settings that define how the model is structured and how the learning algorithm works. Set before training begins (they are not learned from the data). Examples: Learning rate Batch size Number of epochs Regularization 👉 Exam Tip: Hyperparameters are not learned during training. They are chosen before training and tuned for best performance. 2. Why Hyperparameter Tuning Matters Goal: Find the best combination of hyperparameter...

하이퍼파라미터 튜닝 (Hyperparameter Tuning)1. 하이퍼파라미터란? 정의: 모델 구조와 학습 방식을 결정하는 설정값 특징: 학습이 시작되기 전에 정해짐 데이터 자체가 아니라, 학습 알고리즘의 동작 방식에 영향을 줌 대표 예시: 학습률(Learning rate) 배치 크기(Batch size) 에포크 수(Number of epochs) 정규화(Regularization) 👉 시험 포인트:하이퍼파라미터는 모델 학습 과정에서 자동으로 학습되는 값이 아니라, 사전에 설정하는 값이다. 2. 하이퍼파라미터 튜닝(Hyperparameter Tuning) 목적: 최적의 하이퍼파라미터 값을 찾아 모델 성능을 극대화\ 효과: 정확도 향상 과적합(Overfitting) 감소 일반화 성능 강화 방법: Grid Search: 가능한 모든 조합 탐색 Random Search: 임의의 조합을 탐색 자동화 서비스: Amazon SageMaker Automatic Model ...

머신러닝 프로젝트 단계 (Phases of Machine Learning Project)1. 비즈니스 목표 정의 목표: 어떤 문제를 해결할지 명확히 정의 이해관계자(Stakeholders): 프로젝트의 가치, 예산, 성공 기준을 설정 KPI(핵심 성과 지표): 반드시 정의해야 함 → 모델이 실제로 비즈니스 목표에 기여하는지 판단하는 기준 👉 시험 포인트:머신러닝 프로젝트의 첫 단계는 항상 비즈니스 문제를 정의하는 것. KPI 설정은 AWS 시험에서 자주 강조됨. 2. 문제 정의와 ML 문제로 전환 (ML Problem Framing) 비즈니스 문제 → ML 문제로 변환 머신러닝이 정말 필요한지, 다른 해결책(예: 단순 규칙 기반)이 더 나은지 판단 데이터 과학자, 데이터 엔지니어, ML 아키텍트, 도메인 전문가가 함께 협업 3. 데이터 처리 (Data Processing) 데이터 수집 및 통합: 중앙에서 접근 가능하도록 정리 전처리 및 시각화: 데이터 품질 확인, 이상...

Phases of a Machine Learning Project1. Define Business Goals Every ML project starts with defining the business objective. Stakeholders must agree on: The value the project will provide The budget The success criteria KPI (Key Performance Indicators) are critical to measure whetherthe ML model actually achieves business goals. 👉 Exam Tip: AWS often asks about the importance of KPIs in framing an ML project. The first step is always business problem definition, not jumping into training a ...