• International Journal of Advanced Culture Technology
• /
• 제6권4호
• /
• pp.303-308
• /
• 2018

Demand is increasing rapidly in recent years than supply to machine learning professionals. To alleviate this gap, user-friendly machine learning software that can be used by non-specialists has emerged, which is Machine Learning-as-a-Service(MLaaS). MLaaS provides services that enable businesses to easily leverage ML capabilities without expertise. In this paper, we will compare and analyze features, interfaces, supporting programming language, ML framework, and Machine Learning services of MLaaS, to help companies easily use ML service.

• 전자통신동향분석
• /
• 제37권5호
• /
• pp.44-53
• /
• 2022

The Internet of Things (IoT) is growing exponentially, with the number of IoT devices multiplying annually. Accordingly, the paradigm is changing from cloud computing to edge computing and even tiny edge computing because of the low latency and cost reduction. Machine learning is also shifting its role from the cloud to edge or tiny edge according to the paradigm shift. However, the fragmented and resource-constrained features of IoT devices have limited the development of artificial intelligence applications. Edge MLaaS (Machine Learning as-a-Service) has been studied to easily and quickly adopt machine learning to products and overcome the device limitations. This paper briefly summarizes what Edge MLaaS is and what element of research it requires.

• 인터넷정보학회논문지
• /
• 제20권6호
• /
• pp.73-84
• /
• 2019

최근 서비스로서의 머신러닝(MLaaS) 개념은 데이터 자체를 제외하고 네트워크 서버, 스토리지 또는 데이터 과학자 없이도 생산적인 서비스 모델을 구축할 수 있다는 점에서 기계학습을 다루는 대부분의 산업 분야와 연구 그룹들의 많은 관심을 받고 있다. 그러나 과학 분야에서는 양질의 빅데이터를 확보하는 가정 자체가 커다란 도전이 된다. 즉, 연구자 간 연구 결과물의 공유가 쉽지 않을 뿐 아니라 과학기술 데이터의 비정형성 문제를 해결해야하는 문제가 선행된다. 본 논문에서 제안된 KISTI-ML 플랫폼은 과학기술 데이터를 위한 AI 모델 고속 개발 도구로서, 머신러닝에 익숙하지 않은 연구자들을 위해 웹 기반 GUI 인터페이스를 제공하고 연구자는 자신의 데이터를 이용하여 머신러닝 코드를 손쉽게 생성하고 구동할 수 있다. 또한 승인된 커뮤니티 멤버들을 중심으로 데이터셋 및 특징 추출에 사용되는 데이터전처리, 학습 네트워크 설계 등이 포함되는 프로그래밍 코드를 공유할 수 있는 환경을 제공한다.

• 한국인터넷방송통신학회논문지
• /
• 제24권3호
• /
• pp.63-67
• /
• 2024

최근 스마트 물류, 핀테크, 엔터테인먼트 등 다양한 산업 분야의 인공지능 워크로드들이 클라우드 상에서 실행되고 있다. 본 논문은 이기종 GPU 클러스터로 구성된 다중 테넌트 클라우드 시스템에서 다양한 인공지능 워크로드가 실행될 때 발생하는 스케줄링 문제를 다룬다. 전통적인 스케줄링은 이러한 환경에서 GPU 이용률을 크게 저하시켜 시스템의 성능을 떨어뜨린다. 이러한 문제를 해결하기 위해, 본 논문에서는 유전 알고리즘 기반의 최적화 기법을 사용하는 새로운 스케줄링 접근 방식을 제안하고, 이를 프로세스 기반 이벤트 시뮬레이션 프레임워크에 구현하였다. 알리바바의 MLaaS 클러스터에서 수집한 광범위한 인공지능 작업들의 트레이스를 재현하는 실험을 통해 제안하는 스케줄링이 기존 스케줄링에 비해 GPU 이용률을 크게 개선함을 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 추계학술대회
• /
• pp.430-432
• /
• 2022

오픈액세스, 오픈데이터, 오픈소스 등 과학기술 분야의 오픈사이언스 운동에 대한 최근의 관심 증가에 따라, 공적 자금을 투입한 연구 산출물을 공유하고 활용하려는 움직임이 구체화 및 활성화되고 있다. 이런 흐름에 따라, 최근 국내에서 연구수행의 핵심적인 자원인 연구데이터를 공유하고 활용하는 체제를 구축하고 활성화하려는 많은 노력이 진행되고 있다. 이러한 노력은 주로 연구데이터를 모아서 분야 및 기관별로 모으고 이를 국가 연구데이터 플랫폼인 DataON과 연계하여 검색 및 활용하는 것에 초점을 맞추고 있다. 그러나 선진국에서는 이러한 연구데이터 뿐만 아니라, IaaS, PaaS, SaaS, MLaaS 등 다양한 형태의 연구개발 관련 컴퓨팅 리소스를 공유하고 활용할 수 있는 체제를 구축하고 있다. EOSC(European Open Science Cloud), ARDC(Australian Research Data Commons), CSTCloud(China S&T Cloud) 등이 대표적인 사례라고 할 수 있고 국내에서는 이러한 컴퓨팅 리소스의 공유를 수월하게 수행할 수 있도록, KRDC(Korea Research Data Commons)를 설계하고, 핵심 프레임워크를 개발하고 있다. 본 연구에서는 KRDC의 필요성, 개념, 구성, 향후 계획을 소개한다.

• 정보보호학회논문지
• /
• 제30권6호
• /
• pp.1031-1041
• /
• 2020

클라우드 컴퓨팅 환경에서 기계학습 서비스를 제공하는 Machine-Learning-as-a-Service(MLaaS) 등이 활발히 개발됨에 따라 보다 다양한 분야에서 인공지능 기술을 손쉽고 효과적인 방법으로 활용할 수 있게 되었다. 클라우드 환경에서는 가상화 기술을 통해 각 사용자에게 논리적으로 독립된 컴퓨팅 공간을 제공하는데, 최근 시스템의 취약점을 이용해 클라우드 테넌트(tenant) 사이에 다양한 부채널이 존재할 수 있다는 연구 결과가 발표되고 있다. 본 논문에서는 이러한 멀티-테넌시(multi-tenancy) 환경에서 멜트다운 취약점을 이용하여 딥러닝 모델의 내부 정보를 추출할 수 있는 현실적인 공격 시나리오를 제시한다. 이후 TensorFlow 딥러닝 서비스에 대한 실험을 통해 92.875%의 정확도와 1.325kB/s의 속도로 인공신경망의 모든 정보를 추출할 수 있음을 보인다.