2020-12-16 10시 개발자 글 모음 | "Trojan.Ransom.LockBi" 외 10개 이야기

Amazon SageMaker Clarify – 데이터 편향성 감지를 통한 기계 학습 모델의 투명성 개선 by AWS Korea

데이터 세트에서 SageMaker Clarify로 계산된 바이어스 지표를 확인한 다음 데이터 처리 파이프라인에 자체 바이어스 감소 기술을 추가할 수 있습니다
전체 데이터 세트에 대한 SHAP 값을 추가로 분석하면 특성 및 특성 값의 상대적 중요도를 파악하는 데 도움이 되며 잠재적으로 예측 문제와 바이어스를 발견할 수 있습니다
모델을 훈련한 후 다음 단계는 데이터 세트에서 바이어스 지표를 계산할 기본 제공 컨테이너 이미지를 사용하여 SageMaker Clarify 바이어스 분석 작업을 실행하는 것입니다

Amazon SageMaker Edge Manager를 사용하면 ML 엣지 개발자가 클라우드 또는 엣지 디바이스에서 동일한 친숙한 도구를 쉽게 사용할 수 있습니다
풍부한 엣지 투 클라우드 및 CI/CD 워크플로 기능을 통해 기계 학습 모델을 모든 디바이스 워크플로에 효과적으로 도입하여 생산성을 높일 수 있습니다
SageMaker Edge Manager를 사용하면 엣지 디바이스에 배포된 ML 모델을 보다 쉽게 작업할 수 있습니다

추측할 수 있듯이 모델 성장은 모델 훈련에 필요한 시간과 하드웨어 리소스에도 영향을 미치기 때문에 GPU(그래픽 처리 장치)는 오랫동안 대형 DL 모델을 훈련하고 미세 조정하는 데 선호되는 옵션입니다
또한 모델 훈련에 대한 이러한 확장형 접근 방식 덕분에 메모리 병목 현상 없이 매우 큰 모델로 작업할 수 있을 뿐 아니라 많은 수의 작고 비용 효율적인 GPU를 활용할 수도 있습니다
파티션이 순전파 및 역전파를 동시에 실행할 수 없으므로 모든 GPU가 자체 마이크로배치에서 순방향 패스를 완료할 때까지 기다렸다가 해당하는 역방향 패스를 실행하도록 할 수 있습니다

by=c("TOT_REG_CD"="tot_oa_cd")) putAdmPopu(admJoined$popu) rm(admJoined) rm(popu) numCores <- parallel::detectCores()-1 result <- distributeValue(numCores) print(paste0("인구 집계(파일 총계) :"
toGrid) { if (fromGrid >= toGrid) { print("그리드 설정 오류") return(NULL) } temp <- gridPopu %>% mutate(x = as
time(sggSimple <- sggBndry %>% ms_simplify()) #정상적으로 읽고 변환되었는지 확인 ggplot() + geom_sf(data = sggSimple) sggcoord <- sggSimple %>% st_coordinates() sggcoord <- as

오늘 Amazon SageMaker가 수백 또는 수천 기가바이트의 데이터 세트에 대한 모델을 더 쉽게 훈련할 수 있는 새로운 데이터 병렬 처리 라이브러리를 지원한다는 것을 발표하게 되어 기쁩니다
데이터 세트와 모델이 점점 커지고 정교해짐에 따라 대규모 분산 훈련 작업을 수행하는 기계 학습(ML) 실무자는 Amazon Elastic Compute Cloud (EC2) p3 및 p4 인스턴스와 같은 강력한 인스턴스를 사용하는 경우에도 점점 더 긴 훈련 시간에 직면해야 합니다
훈련 작업이 여러 GPU에서 몇 시간 또는 며칠 동안 지속될 경우 SageMaker Data Parallelism 라이브러리를 사용하면 시간과 비용을 절약하고 실험과 혁신을 더 빠르게 할 수 있습니다

YouTrack Lite를 사용하면 완전히 사용자 지정 가능한 테이블 뷰에 이슈를 나열할 수 있습니다
현재 작업에서 여러 이슈를 동시에 처리해야 하거나 하나의 이슈에 집중하고 개발 문제 및 시간 추적을 포함한 모든 세부 정보를 추적해야 하는 모든 경우에 필요에 맞는 인터페이스를 자유롭게 선택할 수 있습니다
필요할 때마다 한 번의 클릭으로 YouTrack Classic과 Lite를 번갈아 사용할 수 있습니다

class Task(private val block:(()->Unit)->Unit){ //---1 private var isStop = false private val stop:()->Unit = {isStop = true} operator fun invoke():Boolean{ //---2 block(stop) return isStop } } val list = setOf( Task{ //run something ---3 }
isStop = true} //---2 } private var isStop = false operator fun invoke():Boolean{ block(stop) return isStop } } val list = setOf( Task{ //run something }
()->Unit = {isStop = true} //---2 } private var isStop = false operator fun invoke():Boolean{ block(stop) //---3 return isStop } } val list = setOf( Task{ //run something }

최근 다크 웹 유출 정보 공개 사이트에 국내 기업 정보가 기재되었고 유출한 자료가 다크 웹에 공개될 수 있다고 협박을 받고 있는 것으로 알려졌습니다
LockBit’ 랜섬웨어는 파라미터에 따라 특정 파일/경로와 로컬 PC와 연결된 네트워크 리소스 전체를 암호화한다는 점이 특징입니다
추가로 로컬 드라이브와 네트워크 드라이브로 연결된 모든 파일이 암호화 대상에 포함되기 때문에 폐쇄망을 사용하는 기업 또한 랜섬웨어 공격에 주의가 필요합니다