IT

3.4 구축 ML 확장 구축은 서비스를 신속, 유연하게 확장할 수 있도록 하는데 목적을 두고 진행했고, 모두 SageMaker의 Jupyter Notebook을 통해 Python Code로 구현되어 있다. 3.4.1 SageMaker를 통한 Machine Learning 학습 ML 학습은 SageMaker를 통해 총 3단계로 이루어 진다. 1. 인스턴스를 통해 DynamoDB로부터 데이터를 불러와 전처리한다. 2. 해당 데이터가 ML 학습에 적합한지 분석한다. 3. 여러 ML 훈련을 통해 최적의 ML 알고리즘을 선택하여 모델을 생성 및 저장한다. DynamoDB Data 전처리 [그림 3.4-1]과 같이 Python boto3 api를 통해 설문조사 데이터가 저장되어 있는 DynamoDB survey 테..

3. Machine Learning 확장 3.1 시스템 개요 확장될 서비스는 설문조사 내용을 바탕으로 Machine Learning(이하 ML)을 통해 사용자가 선호 할 만한 레스토랑을 추천하는 시스템이 필요하다. 3.2 시스템 설계 서비스 명세 서비스 명 서비스 내용 Recommend Service - 저장된 설문조사 데이터를 ML을 이용하여 사용자에게 레스토랑을 추천 API 명세 ML 예측 API가 존재한다. API의 명세와 절명은 [부록]에서 확인할 수 있다. 시스템 구성도 확장될 ML 서비스의 전체적인 구성도는 [그림 3.2.1]과 같이 데이터 전처리기, ML 예측기, ML 학습기, storage로 구성되며 기계학습 모델을 만드는 부분([그림3.2.2])과 고객에게 적합한 레스토 랑을 예측하는 부..

2.4 구축 2.4.1 개발 [개발 환경] Microservices, Web Language Java Framework Spring Boot IDE Intelli J Tools Postman, VMware VCS Git App Language Java Framework Android IDE Android Studio Tools Postman VCS Git [개발 내용] APP 안드로이드 프레임워크 기반 APP으로 예약 서비스를 위해 microservices와 REST 통신 WEB Spring Boot 프레임워크 기반 WEB Front로 설문 서비스를 위해 microservices와 REST 통신 Microservices Spring Boot 프레임워크 기반 backend로 app과 web에 REST UR..

2. Microservices 2.1 시스템 개요 사용자에게 Push 메시지를 보내기 위해 토큰을 관리하는 서비스, 레스토랑 예약 서비스, 레스토랑 예약 시 사용자에게 제공되는 여러가지 정보들을 관리하는 서비스, 예약이 완료된 사용자에게 설문조사를 Push하는 서비스, 설문 조사 자료를 관리하는 서비스, 설문조사자료 를 이용하여 사용자가 좋아할 만한 레스토랑을 추천해주는 서비스가 필요하다. 2.2 시스템 설계 서비스 명세 서비스 명 서비스 내용 Push Service - 사용자의 전화번호와 토큰을 매핑하여 관리 - FCM을 이용해 사용자에게 설문조사 URL을 Push Survey Service - 설문조사 정보를 관리 Survey Push Service - 레스토랑을 예약한 사용자들에게 설문조사를Push..

1. 개요 1.1 프로젝트 명 Microservices구축시 EKS 와 Serverless 비교 및 Machine Learning Service 확장 1.2 프로젝트 기간 2019.01.14 ~ 2019.02.11 1.3 프로젝트 계획 작업 이름 시작일 종료일 프로젝트 계획 19-01-14 19-01-19 프로젝트 설계 19-01-19 19-01-24 Microservices 구현 - 시스템 설계 - 인프라 설계 - K8s 테스트 - EKS 구축 - Fargate 구축 19-01-24 19-02-03 Machine Learning 구현 - 시스템 설계 - 인프라 설계 - 구축 19-02-03 19-02-08 결과 정리 19-02-08 19-02-11 1.4 서비스 소개 “레스토랑 예약 App”으로 사용자..

Machine Learning 빅피처Machine Learning은 방대한 데이터를 Machine이 학습하고 학습 결과를 만드는 큰 흐름을 가진다. 예를 들어 꽃에 대한 어떤 데이터가 있을 때 Machine은 해당 데이터들을 학습하여 최적화를 한다. 그 뒤 새로운 꽃에 대한 데이터가 Machine에 입력되면 어떤 종류의 꽃인지 알려준다. Machine Learning Detail데이터Machine Learning에서 사용되는 데이터 하나는 여러 feature를 수치화해서 가지고 있다. 예를 들어 꽃 하나를 꽃잎의 길이, 꽃잎의 폭, 꽃의 종류 세가지 feature로 표현할 수 있다.파란색 붓꽃을 1, 빨간색 붓꽃을 2라고 할 때 index 꽃잎의 길이(cm) 꽃잎의 폭(cm) 꽃의 종류 1번꽃 0.2 0..