Amazon SageMaker 기반 고품질 데이터 생성 및 심화 기계학습 기법 - 김필호 솔루션즈 아키텍트, AWS / 강정희 솔루션즈 아키텍트, AWS :: AWS Summit Seoul 2019

© 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Amazon SageMaker 기반 고품질
데이터 생성 및 심화 기계학습 기법
김필호
AWS AI/ML Specialist SA
강정희
AWS Solutions Architect

발표자료 바로 공개
발표자료는 발표 종료 후 해당
사이트에서 바로 보실 수
있습니다

Amazon SageMaker Ground Truth (GT)
Ground Truth 데모 – 강정희 SA
GT Active Learning 소개
SageMaker Semantic Algorithm 소개
Amazon SageMaker Neo 소개
목차

S U M M I T © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.
Put machine learning in the
hands of every developer
Our mission at AWS

The Amazon ML stack: 가장 넓고 깊은 기능
R E K O G N I T I O N
I M A G E
P O L L Y T R A N S C R I B E T R A N S L A T E C O M P R E H E N D L E XR E K O G N I T I O N
V I D E O
Vision Speech Language Chatbots
A M A Z O N
S A G E M A K E R
B U I L D T R A I N
F O R E C A S T
Forecasting
T E X T R A C T P E R S O N A L I Z E
Recommendations
D E P L O Y
Pre-built algorithms & notebooks
Data labeling (G R O U N D T R U T H )
One-click model training & tuning
Optimization (N E O )
One-click deployment & hosting
F r a m e w o r k s I n t e r f a c e s I n f r a s t r u c t u r e
E C 2 P 3
& P 3 D N
E C 2 C 5 F P G A s G R E E N G R A S S E L A S T I C
I N F E R E N C E
Reinforcement learningAlgorithms & models ( A W S M A R K E T P L A C E
F O R M A C H I N E L E A R N I N G )
I N F E R E N T I A
AI SERVICES
ML SERVICES
M L F R A M E W O R K S &
I N F R A S T R U C T U R E
App 개발자용
ML 개발자 및
데이타 과학자용
ML 연구자 및
학계용

AMAZON
SAGEMAKER
Data labeling
(G R O U N D
T R U T H )
오늘 세션에서 다룰 SageMaker 서비스들
Optimization
(N E O )
Neo
Semantic
Segmentation
Algorithm

머신러닝 사이클
비즈니스 문제
데이터 준비
모델 개발
모델 배포

이전까지만 해도 ML 은 여전히 복잡한 문제였습니다.
1
2
3
1
2
3

Amazon SageMaker: ML 개발, 훈련 그리고 배포 모두를 지원
1
2
3
1
2
3

고품질의 레이블링 작업을
좀 더 쉽게 하는 방법

Amazon SageMaker: ML 개발, 훈련 그리고 배포 모두를 지원
훈련용 데이터
수집 및 준비

왜 데이터 레이블링이 필요할까요?
“Five”
“Two”
“Three
“Seven”
입력 데이터 ML 모델 & 알고리즘 예측
Input
layer
Hidden
layers
Output
layer

왜 데이터 레이블링이 힘들까요?
• ML 모델은 매우 큰 훈련 데이터가 필요합니다.
• 빠르게 데이터를 구축하기 위해선 많은
사람이 필요합니다.
• 레이블링 작업도 높은 정확도를 갖추기가
쉽지 않습니다.
• ML 모델 개발 완료까지의 전체 시간 중 80%
까지의 시간을 차지 합니다.

고품질의 데이터는 ML 모델의 성능을 향상 시킵니다

레이블링 작업에 ML을 적용하여 정밀한 훈련 데이터셋
구축을 도와 드리고 작업 비용을 70%까지 줄입니다

Amazon SageMaker Ground Truth
ML 훈련용 데이터를 쉽고 정확하게 레이블링함
손쉬운 인력 지원 정확한 결과 획득
K E Y F E A T U R E S
머신 러닝을 통한 자동
레이블링
이미지 영역 검출, segmentation
또는 텍스트 레이블링시 미리
제공하는 workflow를 또는 직접
레이블링 UI를 만들 수 있습니다.
레이블 관리
빠른 레이블링 지원
Private and public
human workforce

레이블링 작업환경: 미리 제공되는 환경 및 Custom 지원
Bounding boxes Image classification Semantic segmentation
Text classification Custom
https://docs.aws.amazon.com/sagemaker/latest/dg/sms-custom-templates-step2.html

학습 데이터 생성 방법
Mechanical
turk workers
Private labeling
workforce
Third-party
vendors

SageMaker Ground Truth 동작법
Raw Data

Raw Data Human
Annotations

Raw Data Human
Annotations
Active Learning
Model
Automatic Annotations
Training
Data

Raw Data Human
Annotations
Active Learning
Model
Automatic Annotations
Training
Data
Human Annotations

Demo 소개 : 회전 초밥을 지켜라
AWS Expo 현장에서 체험 가능 합니다.

실시간 이미지 분석을 위한 서비스 선택
조직의 요구사항과 데이터와 전문인력 유무에 따라 적절한 서비스를 선택합니다.
AWS 서비스 특징 지원 클라이언트 플랫폼
이미지 분석
서비스 활용
• Amazon Rekognition Image • 범용적인 컴퓨터 비전 기능들을 손쉽게 활용
• API를 사용한 가장 간단한 개발
• 프레임 단위나 원하는 시점에 API로 호출하여 비
용 조절
• 가장 다양한 클라이언트
언어 지원
비디오 분석
서비스 활용
• Amazon Kinesis Video Stream
• Amazon Rekognition Video
• 범용적인 컴퓨터 비전 기능들을 손쉽게 활용
• 이미지 분석만으로는 어려운 추가적인 분석 가능
(e.g. person tracking, behavior tracking)
• 높고 안정적인 네트워크 대역을 요구
• Kinesis Video Stream
(Producer)
o C++, Java, Android
엣지 디바이스
환경에서 컴퓨터
비전 추론
• Amazon Sagemaker
• AWS Greengrass ML Inference
or
• AWS DeepLens
• 조직의 특화된 비지니스 요구사항 해결 가능
• 로컬 추론을 통해 오프라인 시나리오를 지원하며
빠른 응답 가능
• 데이터 수집과 머신러닝 전문가 필요
• 적절한 성능의 클라이언트 하드웨어 필요
• DeepLens
o Python 2.7
• Greengrass ML
Inference
o Python 2.7, Node.JS
6.10, or Java 8

SageMaker를 활용한 손쉬운 End-to-End ML 환경 구성
훈련용 데이터
수집 및 준비
Ground Truth를
활용한 레이블링
SageMaker 내장
알고리즘
Object Detection 활용
Edge device에서의
추론을 위해
Greengrass ML
Inference 활용
제공되는Notebook
샘플을 참조하여
생성된 데이터를
바로 학습에 활용
SageMaker Neo를
활용한 Edge device
환경 성능 최적화

데이터 생성

Ground Truth를 이용한 레이블링 작업 구성하기

Private team을 통한 레이블링 과정

생성된 매니페스트 확인

생성된 데이터를 통한 모델 학습
제공되는Notebook 샘플을 참조하여 생성된 데이터(증강 매니페스트,
Augmented Manifest)를 바로 학습에 활용
object_detection_augmented_manifest_training
: Ground Truth 이후 학습 과정에 대한 예제
object_detection_tutorial
: 자동화된 데이터 레이블링 모델 훈련 예제

생성된 데이터를 통한 모델 학습
• Ground Truth에 의해 생성된 데이터 포맷인 증강
매니페스트(Augmented Manifest)는 JSON Lines 형식
• 특별한 데이터 변환 과정 없이 바로 트레이닝
데이터로 활용 할 수 있음
• Labeling Job name을 AttributeNames로 전달
{"source-
ref":"s3://DATA_BUCKET/1.jpg","TrainLabel":{"annotations":[],"image_size"
:[{"width":640,"depth":3,"height":480}]}, …}
{"source-
ref":"s3://DATA_BUCKET21.jpg","TrainLabel":{"annotations":[{"class_id":0,"
width":383,"top":2,"height":136,"left":126}],"image_size":[{"width":640,"de
pth":3,"height":480}}, …}
한 라인이 하나의 데이터로 독립된 JSON 형태
https://github.com/awslabs/amazon-sagemaker-
examples/blob/master/ground_truth_labeling_jobs/object_detection_augmented_manifest_training/obje
ct_detection_augmented_manifest_training.ipynb

자동화된 데이터 레이블링 모델 훈련 예
• Iter. 1: 라벨링이 작업이 제대로 동작하는지를
확인하는 단계로 Mechanical Turk 작업자들이
10개의 무작위로 추출된 조그만 데이터셋을
라벨링 해봅니다.
• Iter. 2: 또다른 190개의 무작위로 추출된
이미지를 라벨링 해서 자동라벨링 ML 모델
생성시 사용될 validation dataset을 만듭니다.
• Iter. 3: 이번에는 200개의 무작위 추출
이미지에 대해 라벨링을 하여 training
데이터셋을 만듭니다.
• 이 과정에 Ground Truth는 여러 Mechanical
Turk 작업자들간의 의견차이를 자동으로 합병
정리 (Label consolidation) 합니다.
https://aws.amazon.com/blogs/machine-learning/annotate-data-for-less-with-amazon-sagemaker-ground-truth-and-automated-data-labeling/
Automated labeling Training instance type Inference instance type
Image classification ml.p3.2xlarge ml.c5.xlarge
Object detection ml.p3.2xlarge ml.c5.4large
Text classification ml.c5.2xlarge ml.m4.xlarge

bulldog sharpei bulldog bulldog bulldog
레이블 의견 차이 합병 방법 (Consolidation): 투표 기반

bulldog sharpei bulldog bulldog
레이블 의견 차이 합병 방법 (Consolidation): 확률 기반
P(x1, x2, x3, x4|B) =
Y
i
P(xi|B) = 0.7 ⇤ 0.1 ⇤ 0.5 ⇤ 0.3 ⇡ 0.01
P(x1, x2, x3, x4|S) =
Y
i
P(xi|S) = 0.3 ⇤ 0.9 ⇤ 0.5 ⇤ 0.7 ⇡ 0.1
P(S|x1, . . . x4)
P(B|x1, . . . x4)
=
P(x1, . . . x4|S)
P(x1, . . . x4|B)
⇡ 10
<latexit sha1_base64="UUx5g10II1jlXy57R66lrcTmrlU=">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</latexit><latexit sha1_base64="UUx5g10II1jlXy57R66lrcTmrlU=">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</latexit><latexit sha1_base64="UUx5g10II1jlXy57R66lrcTmrlU=">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</latexit><latexit sha1_base64="UUx5g10II1jlXy57R66lrcTmrlU=">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</latexit>
0.7 0.9 0.5 0.3
bulldog 0.1
sharpeii 0.9
Probabilities of
correct labels

자동 레이블링
1. ML 알고리즘을 사용하여 Validation
데이터셋에 대해 bounding box 들과
신뢰도를 계산함
2. 신뢰도에 기반하여 사람이 수작업으로 한
레이블 대비 mIoU (mean Intersection
over Union) 기반 어느 정도의 정확도를
threshold (θ) 로 할지를 결정 (ex. 0.6)
3. 알고리즘을 이용하여 남은 레이블링 되지
않은 데이터셋에 대해 bounding box들과
신뢰도를 검출 및 계산
4. 레이블링 되지 않은 데이터셋 중 θ 값
이상인 데이터들을 선택함

Active Learning
• 이 단계에서부터 더이상 랜덤으로 라벨링할 이미지를 선택하지 않습니다.
• 대신에 ML 모델이 수작업 라벨링이 필요한 이미지를 선택해서 보여주게 됩니다.

자동 생성 레이블 vs. 수작업 레이블 비교

분류 (Classification) 실험 결과
Ground Truth
Ground Truth
Ground Truth
Ground Truth
Ground Truth

Semantic Segmentation 화면 예

Semantic Segmentation Mask 생성 예
Pascal VOC 2012 데이터셋

SageMaker Semantic Segmentation Algorithms
https://arxiv.org/pdf/1605.06211.pdf https://arxiv.org/pdf/1612.01105.pdf
https://arxiv.org/pdf/1706.05587.pdf
Fully-Convolutional Network (FCN) Figure 3. Overview of our proposed PSPNet. Given an input image (a), we first use CNN to get the feature map of the last convolutional
layer (b), then a pyramid parsing module is applied to harvest different sub-region representations, followed by upsampling and concatena-
tion layers to form the final feature representation, which carries both local and global context information in (c). Finally, the representation
is fed into a convolution layer to get the final per-pixel prediction (d).
call it pyramid pooling module for global scene prior con-
struction upon the final-layer-feature-map of the deep neu-
ral network, as illustrated in part (c) of Fig. 3.
The pyramid pooling module fuses features under four
different pyramid scales. The coarsest level highlighted in
red is global pooling to generate a single bin output. The
following pyramid level separates the feature map into dif-
ferent sub-regions and forms pooled representation for dif-
ferent locations. The output of different levels in the pyra-
mid pooling module contains the feature map with varied
sizes. To maintain the weight of global feature, we use 1⇥1
convolution layer after each pyramid level to reduce the di-
mension of context representation to 1/N of the original
one if the level size of pyramid is N. Then we directly up-
sample the low-dimension feature maps to get the same size
feature as the original feature map via bilinear interpolation.
Finally, different levels of features are concatenated as the
final pyramid pooling global feature.
Figure 4. Illustration of auxiliary loss in ResNet101. Each blue
box denotes a residue block. The auxiliary loss is added after the
res4b22 residue block.
map, we use the pyramid pooling module shown in (c) to
gather context information. Using our 4-level pyramid, the
pooling kernels cover the whole, half of, and small portions
of the image. They are fused as the global prior. Then we
concatenate the prior with the original feature map in the
final part of (c). It is followed by a convolution layer to
2
96
384
256 4096
4096 21
21
backward/learning
forward/inference
pixelwise prediction
segmentation g.t.
256
384
Fig. 1. Fully convolutional networks can efficiently learn to make dense
predictions for per-pixel tasks like semantic segmentation.
lowing sections explain FCN design, introduce our architec-
ture with in-network upsampling and skip layers, and de-
scribe our experimental framework. Next, we demonstrate
improved accuracy on PASCAL VOC 2011-2, NYUDv2,
SIFT Flow, and PASCAL-Context. Finally, we analyze design
choices, examine what cues can be learned by an FCN, and
calculate recognition bounds for semantic segmentation.
2 RELATED WORK
Our approach draws on recent successes of deep nets for
image classification [1], [2], [3] and transfer learning [18],
[19]. Transfer was first demonstrated on various visual
recognition tasks [18], [19], then on detection, and on both
instance and semantic segmentation in hybrid proposal-
classifier models [5], [14], [15]. We now re-architect and
fine-tune classification nets to direct, dense prediction of
semantic segmentation. We chart the space of FCNs and
relate prior models both historical and recent.
Ganin and Lempitsky [16]; and image restoration and depth
estimation by Eigen et al. [23], [25]. Common elements of
these approaches include
• small models restricting capacity and receptive fields;
• patchwise training [10], [11], [12], [13], [16];
• refinement by superpixel projection, random field regu-
larization, filtering, or local classification [11], [12], [16];
• “interlacing” to obtain dense output [4], [13], [16];
• multi-scale pyramid processing [12], [13], [16];
• saturating tanh nonlinearities [12], [13], [23]; and
• ensembles [11], [16],
whereas our method does without this machinery. However,
we do study patchwise training (Section 3.4) and “shift-and-
stitch” dense output (Section 3.2) from the perspective of
FCNs. We also discuss in-network upsampling (Section 3.3),
of which the fully connected prediction by Eigen et al. [25]
is a special case.
Unlike these existing methods, we adapt and extend
deep classification architectures, using image classification
as supervised pre-training, and fine-tune fully convolution-
ally to learn simply and efficiently from whole image inputs
and whole image ground thruths.
Hariharan et al. [14] and Gupta et al. [15] likewise adapt
deep classification nets to semantic segmentation, but do so
in hybrid proposal-classifier models. These approaches fine-
tune an R-CNN system [5] by sampling bounding boxes
and/or region proposals for detection, semantic segmenta-
tion, and instance segmentation. Neither method is learned
end-to-end. They achieve the previous best segmentation
results on PASCAL VOC and NYUDv2 respectively, so we
directly compare our standalone, end-to-end FCN to their
semantic segmentation results in Section 5.
Combining feature hierarchies We fuse features across
Conv1
+
Pool1
Image 4
Block1
8
Block2
16
Block3
16
Block4
rate=2
output
stride
3x3 Conv
rate=6
3x3 Conv
rate=18
16
Concat
+
1x1 Conv
(a) Atrous Spatial
Pyramid Pooling
(b) Image Pooling
3x3 Conv
rate=12
1x1 Conv
Figure 5. Parallel modules with atrous convolution (ASPP), augmented with image-level features.
put resolution. For example, when output stride = 8, the
last two blocks (block3 and block4 in our notation) in the
output stride 8 16 32 64 128 256
mIOU 75.18 73.88 70.06 59.99 42.34 20.29
Pyramid-scene-parsing network (PSP)
DeepLab-V3

SageMaker Fully-Convolutional Network Examples
Estimator config
Hyperparameters
Inference
https://github.com/awslabs/amazon-sagemaker-examples/blob/master/introduction_to_amazon_algorithms/semantic_segmentation_pascalvoc/semantic_segmentation_pascalvoc.ipynb

Semantic Recognition FCN 인식 예
https://github.com/awslabs/amazon-sagemaker-examples/blob/master/introduction_to_amazon_algorithms/semantic_segmentation_pascalvoc/semantic_segmentation_pascalvoc.ipynb
• Pascal VOC 2012 데이터셋에 대해 SageMaker FCN을 이용하여 훈련한 후
• Resnet-50 pretrained encoder와 FCN을 이용하여 21 클래스들에 대해 학습한 결과입니다.

https://github.com/neo-ai
Apache Software License

Neo 는 ML을 위한 컴파일러이자 실행환경입니다
TensorFlow, MXNet,
PyTorch, 또는
XGBoost 모델들은
공통 포멧으로 변환
ML 모델내부의
패턴들을 파악한 후
실행비용을 줄임
메모리 최적화를 위한
입력 형태의 패턴을
파악
저레벨 컴파일러를
통한 설치 환경에 맞는
machine code 생성
Parse
Model
Optimize
Graph
Optimize
Tensors
Generate
Code

Neo 는 오픈소스입니다
Compiler
Runtime
프로세스 개발사들은 특정
하드웨어를 위한 최적화 기능을
결합할 수 있습니다.
디바이스 제작사들은 Neo 실행
환경을 Edge 디바이스및 IoT에
적용할 수 있습니다.
github.com/neo-ai
Apache Software License

Neo 에는 많은 오픈소스들이 결합되어 있습니다
Neo-TVM Neo-Treelite
LLVM CUDA OpenCL
TensorFlow
Parser
MXNet
Parser
PyTorch
Parser
ONNX
Parser
XGBoost
Parser
Contrib Backend EC2 Instance Device
Neo-Runtime
Contrib Runtime
Contrib Compiler
Compiled Model
COMPILER RUNTIME
Decision Tree ModelsDeep Learning Models
FPGAX86 ASICGPURISC-VAARCH64

• 관련 자료
• SageMaker Ground Truth: https://aws.amazon.com/sagemaker/groundtruth/
• SageMaker 개발자 문서: https://docs.aws.amazon.com/sagemaker/index.html
• SageMaker Neo: https://aws.amazon.com/sagemaker/neo/
• 관련 세션
• [오전 9시] 인공지능/기계학습 기반의 디지털 트랜스포메이션과 글로벌 사례
• [오전 11시10분] 아마존닷컴처럼 Amazon Forecast로 시계열 예측하기
• [오전 11시10분] Deep Learning 모델의 효과적인 분산 트레이닝과 모델 최적화 방법
• [오후 05시20분] 개인화 및 추천 기능의 맞춤형 AI 서비스 혁명: Amazon Personalize
안내 사항

여러분의 피드백을 기다립니다!
#AWSSummit 해시태그로
소셜미디어에 여러분의
행사소감을 올려주세요.
AWS Summit Seoul 2019
모바일 앱과 QR코드를 통해
강연평가 및 설문조사에
참여하시고 재미있는 기념품을
받아가세요.
내년 Summit을 만들 여러분의
소중한 의견 부탁 드립니다.

감사합니다!

Amazon SageMaker 기반 고품질 데이터 생성 및 심화 기계학습 기법 - 김필호 솔루션즈 아키텍트, AWS / 강정희 솔루션즈 아키텍트, AWS :: AWS Summit Seoul 2019

More Related Content

What's hot (18)

Similar to Amazon SageMaker 기반 고품질 데이터 생성 및 심화 기계학습 기법 - 김필호 솔루션즈 아키텍트, AWS / 강정희 솔루션즈 아키텍트, AWS :: AWS Summit Seoul 2019 (20)

More from Amazon Web Services Korea (20)

Recently uploaded (20)

Amazon SageMaker 기반 고품질 데이터 생성 및 심화 기계학습 기법 - 김필호 솔루션즈 아키텍트, AWS / 강정희 솔루션즈 아키텍트, AWS :: AWS Summit Seoul 2019