초록

XHTML 2는 월드 와이드 웹에서 광범위한 목적을 위해 문서를 나타내도록 고안된 범용 마크업 언어다. 이를 위해, 그것은 모든 사람들에게 가능한 모든 마크업 관용어를 공급하기 위해 노력하는 것이 아니라 일반적으로 유용한 요소들을 공급하기 위해 시도한다.

xhtml이 무엇인가?

XHTML 2는 월드 와이드 웹에서 광범위한 목적을 위해 문서를 나타내도록 고안된 범용 마크업 언어다. 이를 위해 그것은 모든 사람에게 모든 것이 되려고 하지 않고, 가능한 모든 마크업 관용어를 공급하지만, 일반적으로 유용한 요소 집합을 공급하기 위해 [p.52]와 div [p.41]의 범위[p.52]와 div [p.41] 요소들을 스타일시트와 결합하여 사용할 수 있고, 메타데이터로부터 속성을 얻을 수 있다.

xhtml의 설계 목표

XHTML 2 설계 시 설계를 지시하는 데 도움이 되도록 다수의 설계 목표를 염두에 두었다. 여기에는 다음이 포함된다. 가능한 일반적인 XML: XML에 기능이 있는 경우 복제하는 대신 이 기능을 사용하십시오. 프리젠테이션이 적고 구조가 더 넓다: 프리젠테이션을 정의하는 데 스타일시트를 사용하라. 보다 유용성: XML의 제약조건 내에서 언어를 쓰기 쉽게 만들고 그 결과 문서를 사용하기 쉽게 만드십시오. 더 많은 접근성: 일부는 이를 '미래 자신을 위한 설계'라고 부른다. 설계는 가능한 한 포괄적이어야 한다. 더 나은 국제화: 그것은 월드 와이드 웹이기 때문에. 더 많은 기기 독립성: 전화기, PDA, 태블릿, 텔레비전 등과 같은 새로운 기기는 기기 유형별로 문서의 새 버전을 허가하는 대신 다른 기기에서 한 번 작성하고 다른 방식으로 렌더링할 수 있는 설계를 갖는 것이 필수적이다. 스크립팅 감소: 스크립팅을 통해 기능을 얻는 것은 저자에게 어렵고 문서를 보는 데 사용할 수 있는 사용자 에이전트의 유형을 제한한다. 우리는 현재 대표적인 용도를 식별하고, 그러한 용도를 마크업으로 포함시키려고 노력해왔다. Semantic Web과의 통합: XHTML2를 의미 웹 도구로 처리할 수 있게 함

하위호환성

HTML의 이전 버전은 특수 목적 언어였기 때문에, 새로운 문서를 이전 브라우저에서 여전히 사용할 수 있도록 새로운 버전과의 역호환성을 보장할 필요가 있었다. 그러나 XML과 스타일시트 덕분에, 이러한 엄격한 요소-뒤로의 호환성은 더 이상 필요하지 않다. XML 기반 브라우저는 작성 시 사용 중인 브라우저의 95% 이상을 의미하며, 업데이트할 필요 없이 새로운 마크업 언어를 처리할 수 있기 때문이다. XHTML 2의 대부분은 기존 브라우저에서 이미 작동하고 있다; 많지는 않지만, 전부는 아니다; 형태와 테이블이 HTML에 추가되었을 때와 마찬가지로, 사람들은 새로운 시설인 XHTML 2와 XML 이벤트의 일부 부분을 사용하기 전에 새로운 버전의 브라우저를 기다려야 했다. 여전히 그 기능을 이해하는 사용자 에이전트를 필요로 한다.

xhtml2와 표현

HTML의 첫 번째 버전은 문서의 구조가 아니라 문서 구조를 나타내도록 설계되었다. 나중에 브라우저 제조업체에 의해 프레젠테이션 지향 요소가 언어에 추가되었지만, HTML은 기본적으로 문서 구조 언어다. XHTML 2는 모든 프리젠테이션 요소를 제거하고 모든 프리젠테이션을 스타일 시트에 종속시킴으로써 HTML을 이러한 루트로 되돌린다. 이것은 스타일시트가 HTML의 현재 요소보다 더 많은 것을 할 수 있기 때문에 더 큰 유연성, 더 큰 접근성, 더 많은 장치 독립성, 그리고 더 강력한 프레젠테이션 가능성을 제공한다.

xhtml2와 연결

HTML의 원래 버전은 사용자 에이전트 및 기타 문서 프로세서의 기본 제공 지식에 의존했다. 이러한 지식의 대부분은 프레젠테이션(위 참조)과 관련이 있지만, 나머지 대부분은 문서 간의 관계, 소위 "링크"와 관련이 있다. 다양한 W3C 및 기타 노력, 특히 [XLINK [p.312]] 에서는 링크 특성을 정의하기 위한 문법을 만들려고 시도했다. 불행하게도, 이 문법들은 모두 XHTML의 요구조건에 미치지 못한다. 이 커뮤니티는 링크 특성을 설명하는 포괄적인 문법을 만들기 위한 노력을 계속하고 있다. HTML 작업 그룹은 그러한 문법이 일반적으로 유용하기는 하지만 XHTML 2의 정의에는 필요하지 않다고 결정했다. 대신에, 이 문서는 다른 자원에 연결하는 데 사용되는 요소와 속성의 특징에 명시되어 있다. 작업 그룹은 1) XHTML 2의 문제가 잘 경계되어 있고, 2) 일반적인 해결책이 더디며, 3) 구현자가 지원하고 사용자가 의존하기 더 쉬울 것이기 때문에 이 과정을 수강했다.

xhtml1와 xhtml2의 차이

XHTML 2는 HTML과 XHTML 1 저자가 인식할 수 있도록 설계되었으며, 이전 버전의 HTML 제품군에서 확인된 오류와 결함을 수정하고 개선의 기회를 잡는다. 가장 눈에 띄는 변화는 다음과 같다. 더 많은 구조화 가능성: 섹션과 제목: 이전 버전의 HTML에서 문서의 구조는 문서의 다양한 제목 수준에서 추론되어야 했다. 이것은 특히 작가가 시각적 효과를 위해 머리글 요소를 잘못 사용할 때 문제였다. XHTML 2는 문서 구조를 [p.44] 섹션과 관련된 요소로 명시적으로 표시하도록 한다.eader 요소 h [p.42] . 구분자: 이전 버전의 HTML에서는 hr 요소를 사용하여 텍스트의 섹션을 서로 분리했다. 돌이켜 보면, hr(수평 규칙의 경우)라는 이름은 오해의 소지가 있었다. 왜냐하면 hr은 반드시 수평이 아니었고, 규칙도 아니었기 때문이다(책들은 종종 구분자를 나타내기 위해 별표 3의 선과 같은 다른 활자법을 사용하는데, 스타일시트를 사용하여 이러한 자유를 줄 수 있다). 구조 특성을 강조하기 위해, 보다 광범위하게 사용할 수 있도록 하기 위해, 그리고 본질적인 방향성이 없다는 것을 명확히 하기 위해, hr는 구분자[p.45]로 이름을 바꾸었다. 선 깨짐: 이전 버전의 HTML에서는 텍스트에 마이크로 구조를 추가하기 위해, 기본적으로 텍스트의 일부를 '라인'으로 분할하는 데 사용하였다. 이 마이크로 구조는 이제 깨질 텍스트를 감싸는 l [p.51] 요소를 가진 XHTML 2에서 명시적으로 만들어진다. 다른 장점들 중에서, 이것은 자동으로 선을 번호를 매기거나 다른 색을 칠할 수 있는 능력과 같은 더 많은 현시적 기회를 제공한다. 단락 구조: 이전 버전의 HTML에서 p [p.43] 요소는 단순한 텍스트만 포함할 수 있었다. 그것은 사람들이 한 단락으로 인식하는 것에 더 가까이 다가갈 수 있도록 개선되었고, 이제는 목록과 표와 같은 것들을 포함할 수 있게 되었다. 이미지: HTML img 요소는 많은 단점을 가지고 있다. 그것은 오직 하나의 이미지에 대한 단일 자원만을 지정할 수 있게 해준다. [p.101] 요소의 fallback 기회를 제공하는 것이 아니라, 그것이 주는 유일한 fallback 옵션은 평범한 텍스트일 수 있고 어떤 식으로도 표시되지 않는 rotdesc 속성이다.그 이미지에 대한 긴 설명은 작성하기 어렵고 거의 지지하지 않는다. XHTML 2는 모든 이미지가 긴 설명을 가지고 있다는 전제하에 이미지와 텍스트를 동등성으로 처리함으로써 전혀 다른 접근방식을 취한다. XHTML 2에서 모든 요소는 요소 대신 로드할 리소스(예: 이미지)를 지정하는 @src [p.86] 특성을 가질 수 있다. 리소스를 사용할 수 없는 경우(네트워크 장애, 브라우저에서 처리할 수 없는 유형 또는 이미지가 꺼져 있음) 대신 요소가 사용된다. 기본적으로 longdesc는 문서로 이동되었지만, 이 동작은 [p.101] 요소의 폴백 동작을 모방하기도 한다.(HTML 4에서와 같이 일부 브라우저가 attit 속성에서 준 툴팁 효과를 얻기 위해 @title [p.62] 속성을 사용한다. 유형: HTML 4에서 외부 자원을 언급할 때의 @srctype[p.86] 속성은 순전히 사용자 에이전트에 대한 힌트였다. XHTML 2에서는 더 이상 힌트가 아니지만 사용자 에이전트가 수용해야 하는 리소스 유형을 지정한다. 표: 표의 내용 모델을 정리하여 단순화하는 동시에 동일한 기능성을 허용한다. 양방향 텍스트:보다는 양방향 무효화 기능을 묘사하기 위해 명시적인 요소를 사용하여 새로운 가치는 어떤 요소에 양방향적 무효화 허용하는 @ dir[p.79]특성으로 추가되었다. Edit:보다는 마크는 특성 @ 편집[p.83]어떤 요소에 동일한 목적으로 사용할 수 있는 정지 문서의 변화 뚜렷한 세세한 사항(요소를 사용해다. 연결하는 것: HTML3.2에서 하이퍼링크만[p.55]요소가 될 수가 있는 소스와 대상이다. HTML4와 XML표준을 1에 대한 하이퍼링크의, 어떤 요소가 될 수가 있는 목표였으나 여전히 단지[p.55]요소 근원이 될 수 있다. extensible2에 대한 하이퍼링크의 어떤 요소도 현재의 원천, 이후 @ href[p.65]및 관련 특성이 지금 어떤 요소에 나타날 것이다. 그래서 예를 들면<미스터리 한><한 href="home.html">대신에.Home</a></li>, 지금<미스터리 한 href="home.html"> 쓸 수 있다.Home</li>. 비록 이는 한[p.55]요소 이제 strictly-speaking 불필요한 것을 뜻하기 때문에 연관되어 있다. 메타 데이터:메타[p.97]와 연계[p.95]요소들과 RDF[RDF경우 p.312]에 대한 관계]설명한 일반화해 왔다. 게다가, 이러한 두 요소에 특성을 좀 더 일반적인 언어를 가로질러 적용될 수 있다. 제공함으로써 특정 요소의 사용을 분류하는 역할:문서에 의미를 추가하는에 지원은@ 역할[p.111]특성, 유용한 값의 초기 세트와 함께, 추가되었습니다. 예를 들어 단락 등<prole="note">을 표시할 수 있는 노트의 역할을 할 것이다.

보안 그룹은 EC2 인스턴스에 도달할 수 있는 프로토콜, 포트 및 소스 IP 범위를 지정할 인바운드 네트워크 방화벽과 유사하다. 각 EC2 인스턴스 하나 이상의 보안 그룹, 각각의 각 인스턴스에 적절한 교통 경로를 할당할 수 있습니다. 그래서 특정한 서브넷이나 IP주소는 EC2 인스턴스에 접근할 수 있보안 그룹들, 혹은 그들은 다른 보안 그룹은 EC2 사례와 접근을 제한하는 참조할 수 있도록 설정될 수 있다.특정 그룹의. 예를 들어 예제에서, AWS웹 위에 건축 주최인 웹 서버 클러스터에 대한 보안 그룹 TCP연결되어 있을 경우에만 포트 80과 443(HTTP와 HTTPS)에 어떤 호스트를 및 액세스 될 것입니다.직접적인 호스트 관리 위한 포트 22(시큐어 셸)응용 프로그램을 서버 보안 그룹에서 인스턴스로부터. 응용 프로그램 서버 클러스터의 보안단, 반면에, 그 웹 서버 보안 그룹에서 웹 요청을 처리하는 방법과 TCP위에 당신의 조직의 서브넷에서에 대한 액세스 될 것입니다.직접적인 호스트 관리 위한 포트 22(시큐어 셸)에. 위에 표시된 이 모델에서 지원 엔지니어는 회사 네트워크에서 애플리케이션 서버에 직접 로그인한 다음 애플리케이션 서버 상자에서 다른 클러스터에 액세스할 수 있다. 안보에 대한 더 깊은 고찰은, AWS보안 Center5에 갑니다. 이 센터 보안 게시판, 인증 정보 및 AWS의 보안 기능을 설명한 보안 whitepapers을 포함하고 있다. 하드웨어 부하 균형을 유지할 수 있는 일반적인 네트워크 기기 전통적인 웹 애플리케이션 구조들에서 사용했다. AWS이 탄성 하중 Balancing6 서비스, 호스트들에서 건강 검진을 지원하는 구성할 수load-balancing 해결책, 교통의 EC2 사례와 분포를 가로질러를 통해 이 기능을 제공합니다.다중 가용성 구역 및 동적 덧셈과 AmazonEC2호스트의 부하 균형 로테이션에서 제거하는 일이다. 탄성 부하 분산도 역동적이고 그load-balancing 용량는 동안 영구 CNAME을 사용하여 예측 가능한 진입 지점을 제공하는 등 교통 요구에 적응하는 축소를 기를 수 있다. 탄성 부하 분산 서비스는 또한 더 발달된 라우팅 요구에 부응해야 하는 끈적한 세션을 지원한다. 만약 당신의 애플리케이션이 더 고급load-balancing 역량이 필요하면 EC2 인스턴스에 있는 소프트웨어load-balancing 패키지(예를 들어, 제우스 HAProxy, nginx를)실행할 수 있다. 위해 DNS변경을 최소화하기 위해 당신은 그 loadbalancing EC2 인스턴스와 탄성 IP7 주소를 할당할 수 있다. 전통적인 웹 호스팅 아키텍처에서, 집주인 중 대부분은 구름 속에서, 집주인 중 대부분의 동적 IP주소를 가지고 있을 것이다 정적 IP주소를 갖고 있다. 비록 모든 EC2 인스턴스와 인터넷을 통해 주소가 고정될 것이다에는 공립과 사립 DNS항목이 있을 수 있을 때 당신은 실제 임상에, DNS항목과 IP주소를 동적으로 할당됩니다.인스턴스 및 그들은 수동으로 할당할 수 없다. 정적 IP 후 시작되는(AWSterminology에 탄성 IP주소)인스턴스를 실행하는 할당될 수 있어 반환됩니다. 당신은 같은 일관된 끝점, 마스터 데이터베이스, 중앙 파일 서버,EC2-hosted 하중을 유지하는 관계자들이 필요한 사례와 서비스에 대한 탄성 IP주소를 사용해야 합니다. 웹 서버와 같은 쉽게 타고에 확장 가능한 서버 역할, 검색 가능한 그들의 역동적인 엔드 포인트에 위치한 중앙 저장소와 그들의 IP주소 등록에 의해 만들어져야 한다. 발견 정보를 왜냐하면 대부분의 웹 응용 프로그램 아키텍처들은 항상에 있는 데이터베이스 서버, 데이터베이스 서버는 일반적인 보고다. 어디서 일관된 주소 지정할 필요가 있는 상황에서 인스턴스를 인스턴스에 발사된bootstrapping 스크립트에 수영장에서 탄성 IP주소 할당할 수 있습니다. 이 모델을 사용하여 새로 추가된 호스트는 부트스트래핑 단계의 일부로 데이터베이스로부터의 통신에 필요한 엔드포인트 목록을 요청할 수 있다.

데이터베이스의 위치는 시작 시 각 인스턴스로 전달되는 사용자 데이터 8로 제공될 수 있다. 또는 Amazon SimpleDB 서비스를 사용하여 구성 정보를 저장하고 유지 관리할 수 있다. Amazon SimpleDB는 널리 알려진 엔드포인트에서 이용할 수 있는 매우 가용한 서비스다.인메모리 애플리케이션 캐시는 자주 사용되는 정보를 캐슁하여 서비스 로드를 줄이고 데이터베이스 계층의 성능과 확장성을 향상시킬 수 있다. Amazon ElastiCache9는 클라우드에 인메모리 캐시를 쉽게 배포, 운영 및 확장할 수 있는 웹 서비스다. 생성한 인메모리 캐시는 로드에 따라 자동으로 확장되고 장애가 발생한 노드를 자동으로 대체하도록 구성할 수 있다. Amazon ElastiCache는 Memcached를 프로토콜로 준수하므로 현재 사내 솔루션에서 마이그레이션을 간소화하십시오. 많은 웹 애플리케이션은 대개 관계형 또는 NoSQL 데이터베이스의 형태로 지속성을 포함한다. AWS는 관계형 및 NoSQL 데이터베이스 인프라를 모두 제공한다. 또는 자신의 데이터베이스 소프트웨어를 Amazon EC2 인스턴스에 배포할 수 있다. 다음 표에는 이러한 옵션이 요약되어 있으며, 이 옵션에 대해서는 더 자세히 설명되어 있다.

고가용성 및 확장 가능한 웹 호스팅은 복잡하고 비용이 많이 드는 제안일 수 있다. 기존의 확장 가능한 웹 아키텍처들은 높은 수준의 신뢰성을 보장하기 위해 복잡한 솔루션을 구현할 필요가 있었을 뿐만 아니라, 높은 수준의 고객 서비스를 제공하기 위해 트래픽에 대한 정확한 예측을 요구하기도 했다. 교통량이 많은 기간과 교통 패턴의 급격한 변화는 고가의 하드웨어의 활용률을 낮추어 유휴 하드웨어를 유지하는 데 높은 운영 비용을 발생시키고, 활용도가 낮은 하드웨어에 대한 자본의 비효율적인 사용을 초래한다. Amazon Web Services는 IT 비용을 고객 트래픽 패턴과 실시간으로 일치시키는 인프라인 가장 까다로운 웹 애플리케이션을 위해 안정적이고 확장 가능하며 안전하며 성능이 뛰어난 인프라를 제공한다. 이 백서는 온디맨드 컴퓨팅 요구사항을 충족하는 데 필요한 확장성을 달성하는 데 도움이 되도록 클라우드를 모색하는 IT 관리자 및 시스템 설계자를 위한 것이다.확장 가능한 웹 호스팅은 잘 알려진 문제 공간이기 때문에, 기존의 웹 호스팅 모델을 묘사한 다음 그림은 어떠한 놀라움도 포함해서는 안 된다. 클라우드에서 구현되는 유사한 아키텍처와 비교하기 위해 이를 제시한다. 이 논문의 주제는 클라우드 구축이다. 이 전통적인 웹 호스팅 아키텍처는 아키텍처를 프레젠테이션, 애플리케이션 및 지속성 계층으로 분리하는 공통 3계층 웹 애플리케이션 모델을 구현한다. 프레젠테이션, 지속성 또는 애플리케이션 계층에 호스트를 추가하여 확장성을 제공한다. 또한 아키텍처에는 성능, 페일오버 및 가용성 기능이 내장되어 있다. 다음 섹션에서는 이러한 아키텍처가 Amazon Web Services 클라우드에 배치되어야 하는 이유와 방법을 살펴볼 것이다.기존의 웹 호스팅 아키텍처(그림 1)는 적은 수의 수정만으로 AWS 제품이 제공하는 클라우드 서비스에 쉽게 휴대할 수 있지만, 첫 번째 질문은 고전적인 웹 애플리케이션 호스팅 솔루션을 AWS 클라우드로 옮기는 것의 가치에 관한 것이다. 클라우드가 자신에게 적합하다고 판단하면 적합한 아키텍처가 필요할 겁니다. 이 섹션은 AWS 클라우드 솔루션을 평가하는 데 도움이 된다. 클라우드에 웹 애플리케이션을 배포하는 것과 사내 배포를 비교하고, 애플리케이션을 호스팅하기 위한 AWS 클라우드 아키텍처를 제공하며, 이 솔루션의 주요 구성 요소에 대해 설명하십시오. 웹 응용 프로그램 실행을 담당하는 경우 AWS가 원활하고 비용 효율적인 솔루션을 제공할 수 있는 다양한 인프라 및 아키텍처 문제에 직면하게 된다. 다음은 기존 호스팅 모델에 비해 AWS를 사용하면 얻을 수 있는 이점 중 일부에 불과하다.기존의 호스팅 모델에서는 최대 용량을 처리하기 위해 서버를 프로비저닝해야 하며, 사용하지 않는 사이클은 피크 기간을 벗어나면 낭비된다. AWS 호스팅된 웹 애플리케이션은 추가 서버의 온디맨드 프로비저닝을 활용할 수 있으므로 용량과 비용을 실제 트래픽 패턴에 맞게 지속적으로 조정할 수 있다. 예를 들어, 다음 그래프는 오전 9시부터 오후 3시까지 사용량이 가장 많고 나머지 시간 동안 사용량이 적은 웹 응용 프로그램을 보여준다. 필요한 경우에만 자원을 프로비저닝하는 실제 트래픽 추세에 기초한 자동 확장 접근방식은 낭비되는 용량을 줄이고 비용을 50% 이상 절감하게 될 것이다. 기존 호스팅 모델과 관련된 느린 프로비저닝의 더욱 심각한 결과는 예상치 못한 트래픽 급증에 제때 대응할 수 없다는 것이다.

인기 미디어에 이 사이트가 언급된 후 예상치 못한 트래픽 급증으로 인해 웹 응용 프로그램이 다운되는 것에 대한 많은 이야기들이 있다. 웹 애플리케이션이 일반적인 트래픽 급증에 맞춰 확장되도록 도와주는 동일한 온디맨드 기능도 예상치 못한 로드를 처리할 수 있다. 새 호스트는 몇 분 만에 시작하고 준비될 수 있으며 트래픽이 정상으로 돌아올 때와 마찬가지로 신속하게 오프라인 상태로 전환될 수 있다.프로덕션 웹 애플리케이션을 위한 기존의 호스팅 환경을 구축하는 하드웨어 비용은 프로덕션 기단과 함께 중단되지 않는다. 개발 라이프사이클의 각 단계에서 웹 애플리케이션의 품질을 보장하기 위해 매우 자주 사전 생산, 베타 및 시험 비행대를 만들어야 한다. 이 시험 하드웨어의 최대한 활용을 보장하기 위해 다양한 최적화가 이루어질 수 있지만, 이러한 병렬 기단은 항상 최적으로 활용되는 것은 아니다. 즉, 많은 고가의 하드웨어가 장기간 사용되지 않고 있다. AWS 클라우드에서는 테스트용 비행대가 필요할 때만 프로비저닝할 수 있다. 또한 부하 테스트 중에 AWS 클라우드에서 사용자 트래픽을 시뮬레이션할 수 있다. 또한 이러한 병렬 함대를 새로운 운영 릴리즈의 준비 환경으로 사용할 수 있으며, 이를 통해 현재 프로덕션에서 서비스 중단이 거의 없거나 전혀 없는 새로운 애플리케이션 버전으로 신속하게 전환할 수 있다.아래는 고전적인 웹 애플리케이션 아키텍처와 AWS 클라우드 컴퓨팅 인프라를 어떻게 활용할 수 있는지에 대한 또 다른 관점이다.다음 섹션에서는 AWS 클라우드에 구축된 웹 호스팅 아키텍처의 주요 구성요소를 개략적으로 설명하고, 그것들이 전통적인 웹 호스팅 아키텍처와 어떻게 다른지 설명한다.Edge 캐싱은 Amazon Web Service 클라우드 컴퓨팅 인프라에서 여전히 관련이 있다. 웹 애플리케이션 인프라의 기존 솔루션은 AWS클라우드에서제대로 작동해야 한다. 그러나 AWS를 사용할 때 한 가지 추가 옵션이 제공되는데, AWS는 웹 사이트 에지 캐싱에 Amazon CloudFront service1을 활용하는 것이다. Amazon CloudFront는 에지 위치의 글로벌 네트워크를 사용하여 동적, 정적 및 스트리밍 콘텐츠를 포함한 웹 사이트를 제공하는 데 사용할 수 있다. 콘텐츠에 대한 요청은 가장 가까운 가장자리 위치로 자동으로 라우팅되므로, 컨텐츠는 가능한 최고의 성능을 가지고 제공된다. Amazon CloudFront는 Amazon Simple Storage Service2(Amazon S3) 및 Amazon Elastic Compute Cloud3(Amazon EC2)와 같은 다른 Amazon Web Services와 함께 작동하도록 최적화되었다. Amazon CloudFront는 또한 파일의 원래 최종 버전을 저장하는 모든 비 AWS 원본 서버와 원활하게 작동한다. 다른 Amazon Web Services와 마찬가지로 Amazon CloudFront를 사용하기 위한 계약이나 월별 약속은 없다. 즉, 서비스를 통해 실제로 제공하는 콘텐츠에 대해서만 지불한다.웹 애플리케이션을 AWS 클라우드로 이동하려면 AWS가 제공하는 여러 가용성 영역을 활용하기 위해 일부 DNS를 변경해야 한다. DNS 라우팅 관리를 돕기 위해 AWS는 가용성과 확장성이 뛰어난 DNS 웹 서비스인 Amazon Route 534 를 제공한다. 도메인에 대한 쿼리는 가장 가까운 DNS 서버로 자동 라우팅되므로 가능한 최고의 성능으로 응답된다. 53번 경로는 Elastic Load Balancer에 대한 도메인 이름(예: www.example.com) 및 영역 정점 레코드 (example.com).에 대한 요청을 해결함 기존의 웹 호스팅 모델과 달리 인바운드 네트워크 트래픽 필터링은 가장자리로만 국한되지 않아야 하며 호스트 레벨에서도 적용되어야 한다. Amazon Elastic Compute Cloud(EC2)는 보안 그룹이라는 기능을 제공한다.

노드와의 연결 패턴, 입력과 출력 사이의 총 레이어 수와 레이어당 뉴런 수가 신경 네트워크의 아키텍처를 정의한다. 건축에는 두 가지 유형이 있다. 이러한 유형은 다음과 같이 기능성 인공신경망에 초점을 맞춘다.단층 지각론은 최초로 만들어진 신경 모델이다. 뉴런의 국소기억의 함량은 체중의 벡터로 구성되어 있다. 단일 레이어 지각론의 계산은 값이 가중치의 벡터의 해당 요소에 곱된 입력 벡터의 합계를 통해 수행된다. 출력에 표시되는 값은 활성화 함수의 입력이다. TensorFlow를 사용한 이미지 분류 문제에 대한 단일 레이어 Perceptron의 구현에 초점을 맞추자. 단일 계층 인식론을 예시하는 가장 좋은 예는 "논리적 회귀"의 표현을 통한 것이다. 이제, 훈련 로지스틱 회귀 분석의 다음과 같은 기본 단계를 고려해보자:  가중치는 훈련 시작 시에 무작위 값으로 초기화된다.  교육 세트의 각 요소에 대해, 오차는 원하는 출력과 실제 출력의 차이로 계산한다. 계산된 오차는 가중치를 조정하는 데 사용된다.  전체 훈련 세트에서 발생한 오류가 지정된 임계값 이상이 될 때까지, 최대 반복 횟수에 도달할 때까지 프로세스를 반복한다. 로지스틱 회귀 분석의 전체 코드는 다음과 같다.로지스틱 회귀 분석은 예측 분석으로 간주된다. 군수 회귀과 의존하고 2진과 하나 이상의 또는 독립적인 변수 공칭 변수 사이의 관계를 설명하기 위해 데이터를 설명하기 위해 사용된다.이 장에서는 선형 회귀 구현 TensorFlow를 사용하는 기본적인 예에 초점을 맞출 것이다. 위해 별개의 범주들의 분류를 위해 군수 회귀 또는 선형 회귀은 관리한 기계 학습 접근이다. 우리의 목표는 이 장에 이것들은 사용자 예측 변수들과 하나 이상의 독립 변수 간 관계를 예측할 수 있는 모델을 구축하는 것이다. 이 두 변수 간 관계는 선형으로 간주된다. y가 종속 변수이고 x가 독립 변수로 간주되는 경우, 두 변수의 선형 회귀 관계는 다음과 같은 방정식과 같다. 우리는 선형 회귀 분석을 위한 알고리즘을 설계할 것이다. 이를 통해  비용 함수  구배 강하 알고리즘의 두 가지 중요한 개념을 이해할 수 있게 된다 선형 회귀의 개략적 표현은 아래에 언급되어 있다. 선형 회귀 모듈을 설계하는 데 필요한 모듈을 가져오는 것이 중요하다. 우리는 Python 라이브러리 NumPy와 Matplotlib를 수입하기 시작했다. 로지스틱 회귀 분석에 필요한 계수 수를 정의하십시오.TFLearn은 TensorFlow 프레임워크에서 사용되는 모듈형 투명 심층 학습 측면으로 정의할 수 있다. TFLearn의 주된 동기는 새로운 실험을 촉진하고 보여주기 위해 TensorFlow에 더 높은 수준의 API를 제공하는 것이다. TFLearn의 다음과 같은 중요한 기능을 고려하십시오.

 TFLearn은 사용하기 쉽고 이해하기 쉽다.  고도로 모듈화된 네트워크 레이어, 최적기 및 그 안에 내장된 다양한 지표를 구축하기 위한 쉬운 개념을 포함한다.  TensorFlow 작업 시스템과의 완전한 투명성을 포함한다.  다중 입력, 출력 및 최적기를 수용하는 내장 텐서를 교육할 수 있는 강력한 도우미 기능을 포함한다.  쉽고 아름다운 그래프 시각화를 포함한다.  그래프 시각화에는 가중치, 구배 및 활성화에 대한 다양한 세부 사항이 포함되어 있다. 다음 명령을 실행하여 TFLearn 설치:Keras는 작고, 배우기 쉽고, TensorFlow 프레임워크 위에 높은 수준의 Python 라이브러리를 실행한다. 그것은 형태와 수학적인 세부사항의 개념을 유지하는 신경 네트워크를 위한 층을 만드는 것과 같은 깊은 학습 기법을 이해하는 데 중점을 두고 만들어졌다. freamework의 생성에는 다음 두 가지 유형이 있을 수 있다:  Sequential API  Functional API model Keras에서 심층 학습 모델을 만들기 위한 다음 여덟 가지 단계를 고려하십시오: Load 데이터 로드  모델의 정의  모델 컴파일  지정된 모델 적합  평가 predictions 필요한 예측  모드 저장el 아래와 같이 주피터 노트북을 사용하여 출력물을 실행 및 표시한다. 1단계: 딥러닝 모델을 실행하기 위해 먼저 데이터를 로드하고 로드된 데이터를 사전 처리한다.이 단계는 "라이브러리 및 모듈 가져오기"로 정의할 수 있으며, 이는 모든 라이브러리와 모듈을 초기 단계로 가져오는 것을 의미한다. 2단계: 이 단계에서 모델 아키텍처를 정의한다.이 장에서는 분산된 TensorFlow를 시작하는 방법에 대해 중점적으로 다룰 것이다. 그 목적은 개발자들이 TF 서버와 같이 다시 발생하는 기본적인 분산형 TF 개념을 이해할 수 있도록 돕는 것이다. 우리는 분배된 텐서플로우를 평가하는 데 주피터 노트북을 사용할 것이다. TensorFlow를 사용한 분산 컴퓨팅 구현은 다음과 같다. 1단계: 분산 컴퓨팅에 필요한 필수 모듈 가져오기: 여기서는 TensorFlow의 MetaGraph 형성에 초점을 맞출 것이다. 이는 TensorFlow의 수출 모듈을 이해하는 데 도움이 될 것이다. 메타그래프에는 이전에 훈련된 그래프에 대한 교육, 평가 수행 또는 추론 실행에 필요한 기본 정보가 수록되어 있다. 다음은 동일한 코드 조각:다층 지각은 인공신경망의 가장 복잡한 구조를 정의한다. 그것은 사실상 여러 층의 지각으로 형성된다. 다중 계층 지각 학습의 도표는 다음과 같다.MLP 네트워크는 일반적으로 감독되는 학습 포맷에 사용된다. MLP 네트워크의 대표적인 학습 알고리즘을 역전파의 알고리즘이라고도 한다. 이제 이미지 분류 문제를 위해 MLP와 함께 구현에 초점을 맞추겠다. 이 장에서, 우리는 x와 f(x)라고 불리는 알려진 일련의 지점들로부터 배워야 할 네트워크에 초점을 맞출 것이다. 하나의 숨겨진 계층이 이 단순한 네트워크를 구축할 것이다. Perceptron의 숨겨진 층에 대한 설명에 대한 코드는 다음과 같다.최적기는 특정 모델을 훈련시키기 위해 추가된 정보를 포함하는 확장된 등급이다. 최적기 클래스는 주어진 매개변수로 초기화되지만 텐서가 필요하지 않음을 기억해야 한다. 최적기는 특정 모델을 훈련하기 위해 속도와 성능을 향상시키기 위해 사용된다. TensorFlow의 기본 최적기는 다음과 같다. 이 챕터에서는 TensorFlow를 사용한 XOR 구현에 대해 알아보십시오. TensorFlow에서 XOR 구현을 시작하기 전에 XOR 테이블 값을 확인하십시오. 이것은 암호화 및 암호 해독 과정을 이해하는 데 도움이 될 것이다.XOR 암호 해독법은 기본적으로 적절한 키와 일치하는 랜덤 암호화 키를 생성하여 브뤼트 힘 방법으로는 해독하기 어려운 데이터를 암호화하는 데 사용된다. XOR Cipher를 이용한 구현의 개념은 XOR 암호화 키를 정의한 다음, 사용자가 암호화를 시도하는 이 키로 지정된 문자열에 있는 XOR 조작을 실시하는 것이다. 이제 우리는 아래에 언급된 텐서플로우를 이용한 XOR 구현에 초점을 맞출 것이다: 구배 최적화는 데이터 과학에서 중요한 개념으로 간주된다. 경사 강하 최적화의 구현을 이해하려면 아래 단계를 고려하십시오. 경사 강하 최적화를 정의하는 데 필요한 모듈 및 x 및 y 변수의 선언을 포함하십시오. 부분미분방정식(PDE)은 여러 독립변수의 알 수 없는 기능을 갖는 부분파생상품을 포함하는 미분방정식이다. 부분 미분 방정식과 관련하여, 우리는 새로운 그래프를 만드는 것에 초점을 맞출 것이다.

우리는 우리의 요구조건에 따라 텐서를 바꿀 수 있다. 첫 번째 값(-1)은 전달된 데이터의 양에 따라 해당 치수를 동적으로 형성하는 함수를 말한다. 두 개의 중간 치수는 이미지 크기(즉, 28 x 28)로 설정된다.28 x 28의 치수를 가진 두 개의 층의 Stride 2 풀링 후 출력물을 14 x 14 또는 최소 7 x 7 x,y 좌표와 64개의 출력 채널로 평탄화시키자. "밀도" 층과 완전히 연결된 것을 만들려면, 새로운 모양이 [-1, 7 x 7 x 64]가 되어야 한다. 이 계층에 대해 가중치와 바이어스 값을 설정한 다음 ReLU로 활성화할 수 있다.필요한 최적기와 함께 특정한 소프트맥스 활성화가 있는 또 다른 계층은 정확도 평가를 정의하며, 이는 초기화 연산자를 설정한다. 녹음 변수를 설정해야죠. 이것은 데이터의 정확성을 저장하기 위한 요약을 추가한다. 반복신경망은 순차적 접근법을 따르는 심층 학습 지향 알고리즘의 일종이다. 신경망에서는, 우리는 항상 각 입력과 출력이 다른 모든 계층과 독립되어 있다고 가정한다. 이러한 유형의 신경망은 순차적으로 수학적 계산을 수행하기 때문에 반복이라고 불린다. 반복적인 신경망을 훈련시키기 위해 다음 단계를 고려한다. 1단계: 데이터 세트의 특정 예를 입력하십시오. 2단계: 네트워크는 무작위로 초기화된 변수를 사용하여 예를 들어 몇 가지 계산을 계산한다. 3단계: 예측된 결과를 계산한다. 4단계: 실제 결과와 예상 값을 비교하면 오류가 발생한다. 5단계: 오류를 추적하기 위해 변수 또한 조정되는 동일한 경로를 통해 전파된다. 6단계: 출력을 얻기 위해 선언된 변수가 올바르게 정의되었음을 확신할 때까지 1단계부터 5단계까지의 단계를 반복한다. 7단계: 보이지 않는 새로운 입력을 얻기 위해 이러한 변수를 적용하여 체계적인 예측을 한다. 반복적인 신경망을 나타내는 체계적인 접근방식은 아래에 설명되어 있다. 이 섹션에서는 TensorFlow를 사용하여 반복적인 신경망을 구현하는 방법을 배우게 된다. 1단계: TensorFlow는 반복적인 신경 네트워크 모듈의 특정 구현을 위한 다양한 라이브러리를 포함한다. 위에서 언급한 바와 같이, 도서관은 반복적인 신경 네트워크 구현의 주요 부분을 구성하는 입력 데이터를 정의하는 데 도움을 준다. 2단계: 우리의 주된 동기는 반복적인 신경망을 사용하여 이미지를 분류하는 것이다. 여기서 우리는 모든 이미지 행을 픽셀의 순서로 간주한다. MNIST 영상 형상은 구체적으로 28*28 px로 정의된다. 이제 우리는 언급된 각 샘플에 대해 28단계의 28단계를 다룰 것이다. 입력 매개변수를 정의하여 순차 패턴이 수행되도록 할 것이다.3단계: RNN에서 정의된 함수를 사용하여 결과를 계산하여 최상의 결과를 얻으십시오.

여기서 각 데이터 형태를 현재 입력 형태와 비교하고 그 결과를 계산하여 정확도를 유지한다. 4단계: 이 단계에서, 우리는 계산 결과를 얻기 위해 그래프를 시작할 것이다. 이것은 또한 시험 결과의 정확도를 계산하는 데 도움이 된다.TensorFlow에는 TensorBoard라고 하는 시각화 도구가 포함되어 있다. 데이터 흐름 그래프를 분석하는 데 사용되며 기계 학습 모델을 이해하는 데도 사용된다. TensorBoard의 중요한 특징에는 수직 정렬에 있는 그래프의 매개변수와 세부사항에 대한 다양한 유형의 통계 뷰가 포함된다. 심층신경망은 최대 36,000개의 노드를 포함한다. TensorBoard는 이러한 노드를 높은 수준의 블록에서 붕괴시키고 동일한 구조를 강조하는데 도움이 된다. 이를 통해 계산 그래프의 1차 부분에 초점을 맞춘 그래프를 더 잘 분석할 수 있다. TensorBoard 시각화는 사용자가 노드를 이동, 확대/축소 및 확장하여 세부 정보를 표시할 수 있는 매우 대화형이라고 한다. 다음 도식표시는 TensorBoard 시각화의 완전한 작동을 보여준다.알고리즘은 노드를 상위 레벨 블록으로 축소하고, 고도 노드를 분리하는 구조가 동일한 특정 그룹을 강조한다. 따라서 만들어진 TensorBoard는 유용하며 기계 학습 모델의 튜닝에도 동일하게 중요하게 취급된다. 이 시각화 도구는 구성 로그 파일에 대해 설계되었으며 요약 정보와 표시해야 할 세부 정보가 포함되어 있다. 다음 코드의 도움을 받아 TensorBoard 시각화의 데모 예제에 초점을 맞추자.워드 임베딩은 단어와 벡터, 실제 숫자와 같은 별개의 개체로부터 매핑되는 개념이다. 그것은 기계학습에 있어서 입력에 중요하다. 이 개념에는 표준 기능이 포함되어 있어 이산 입력 객체를 유용한 벡터로 효과적으로 변환한다. 단어 엠베딩 입력의 예시는 다음과 같다. 워드2vec는 감독되지 않은 워드 임베딩 기법에 사용되는 가장 일반적인 방법이다. 그것은 주어진 입력 단어가 건너뛰기를 사용하여 단어의 문맥을 예측하는 방식으로 모델을 훈련시킨다. TensorFlow는 더 높은 수준의 정교함과 최적화 그리고 멀티스레딩 개념과 더 높은 수준의 추상화를 사용하여 이러한 종류의 모델을 구현하는 많은 방법을 가능하게 한다.단일층 지각변동을 이해하기 위해서는 인공신경망(ANN)을 이해하는 것이 중요하다. 인공신경망은 정보처리시스템이며, 그 메커니즘은 생물학적 신경회로의 기능성에 영감을 준다. 인공 신경 네트워크는 서로 연결된 많은 처리 단위를 가지고 있다. 다음은 인공신경망의 도식표현이다. 도표는 숨겨진 단위가 외부 계층과 통신한다는 것을 보여준다. 입력과 출력 단위는 네트워크의 숨겨진 레이어를 통해서만 통신한다.

이 섹션에서는 머신러닝과 딥러닝의 차이점에 대해 알아본다. 기계학습은 많은 양의 데이터와 함께 작용한다. 그것은 소량의 데이터에도 유용하다. 반면에 데이터의 양이 급격히 증가하면 심층 학습이 효율적으로 작용한다. 다음 도표는 데이터의 양으로 기계학습과 심층학습의 작용을 보여준다.딥러닝 알고리즘은 기존의 머신러닝 알고리즘과는 달리 하이엔드 머신에 크게 의존하도록 설계되었다. 딥러닝 알고리즘은 다수의 매트릭스 곱셈 연산을 수행하는데, 여기에는 대량의 하드웨어 지원이 필요하다.형상 공학은 데이터의 복잡성을 줄이고 그것이 작동하는 학습 알고리즘에 가시적인 패턴을 만들기 위해 도메인 지식을 특정 형상에 넣는 과정이다. 예제: 전통적인 기계 학습 패턴은 픽셀과 기능 엔지니어링 프로세스에 필요한 다른 속성에 초점을 맞춘다. 딥러닝 알고리즘은 데이터로부터 높은 수준의 기능에 초점을 맞춘다. 그것은 모든 새로운 문제의 새로운 특징 추출기를 개발해야 하는 과제를 줄인다.전통적인 기계 학습 알고리즘은 문제를 해결하기 위한 표준 절차를 따른다. 그것은 문제를 부분으로 나누고, 각각의 문제를 해결하고, 그것들을 결합하여 필요한 결과를 얻는다. 깊은 학습은 문제를 분열로 분해하는 대신 끝에서 끝까지 해결하는 데 초점을 맞춘다.실행 시간은 알고리즘을 훈련시키는 데 필요한 시간이다. 심층 학습은 보통 때보다 시간이 더 오래 걸리는 많은 매개변수를 포함하고 있기 때문에 훈련하는 데 많은 시간이 필요하다. 기계 학습 알고리즘은 상대적으로 실행 시간이 덜 필요하다. 해석가능성은 기계학습과 심층학습 알고리즘의 비교를 위한 주요 요인이다. 그 주된 이유는 심오한 학문이 여전히 산업에서 사용되기 전에 다시 한 번 생각하게 되기 때문이다.이 섹션에서는 머신러닝과 딥러닝의 다양한 응용에 대해 알아본다.  지문이나 번호판을 통한 차량 식별을 통한 얼굴 인식 및 출석 표시에 사용되는 컴퓨터 비전.  이미지 검색을 위한 텍스트 검색과 같은 검색 엔진의 정보 검색.  특정 표적 식별 기능을 갖춘 자동화된 이메일 마케팅.  암 종양의 의학 진단 또는 만성 질환의 이상 식별  사진 태그 지정과 같은 애플리케이션을 위한 자연스러운 언어 처리. 이 시나리오를 설명하는 가장 좋은 예는 페이스북에서 사용된다.  온라인 광고.데이터 과학과 기계 학습을 산업에서 사용하는 경향이 증가함에 따라, 각 조직들이 그들의 사업에 기계 학습을 주입하는 것이 중요해질 것이다.  딥러닝은 기계학습보다 더 중요해지고 있다. 딥러닝은 최첨단 공연에서 최고의 기술 중 하나로 입증되고 있다.  기계학습과 심층학습은 연구와 학문분야에서 유익한 것으로 판명될 것이다. 이 기사에서 우리는 기계학습에 대한 개요와 삽화와 차이점 또한 미래의 트렌드에 초점을 맞춘다. 많은 AI 애플리케이션은 주로 셀프 서비스를 추진하고 에이전트 생산성과 워크플로우의 신뢰성을 높이기 위해 머신러닝 알고리즘을 활용한다. 머신러닝과 딥러닝 알고리즘은 많은 기업들과 업계 리더들에게 흥미진진한 전망을 포함하고 있다.이 장에서는 TensorFlow의 기본에 대해 배워볼 것이다. 우리는 텐서의 데이터 구조를 이해하는 것으로 시작할 것이다.텐서는 TensorFlow 언어의 기본 데이터 구조로 사용된다. 텐서는 데이터 흐름 그래프라고 하는 흐름도에서 연결 가장자리를 나타낸다. 텐터는 다차원 배열 또는 목록으로 정의된다. 텐서는 다음과 같은 세 가지 매개변수로 식별된다. 텐서 안에 기술된 치수 단위를 계급이라고 한다. 텐터의 치수를 식별한다. 텐서 등급은 정의된 텐서의 순서 또는 n-치수로 설명할 수 있다.행과 기둥의 수는 텐서의 모양을 정의한다. 텐서플로우에는 다양한 치수가 포함된다. 치수는 아래에 간략하게 설명되어 있다.배열 순서는 "2차원 텐서"를 만드는 데 사용된다. 2차원 텐서의 생성에 대해서는 아래에 기술되어 있다.2차원 텐터의 특정 요소는 인덱스 번호로 지정된 행 번호와 열 번호를 사용하여 추적할 수 있다. 이 섹션에서는 텐서 취급 및 조작에 대해 배우겠다. 우선, 다음 코드를 고려해보자. 위의 소스 코드로 다차원 어레이를 만들었다. 이제, 우리가 텐서스를 관리하고 적절한 출력을 생성하는 그래프와 세션을 만들었음을 이해하는 것이 중요하다. 그래프의 도움으로 텐서 사이의 수학 계산을 명시하는 출력을 얻을 수 있다.기계학습 개념을 이해한 후, 우리는 이제 우리의 초점을 깊은 학습 개념으로 바꿀 수 있다. 심층학습은 기계학습의 한 분야로, 최근 수십 년 동안 연구자들이 취한 중요한 단계로 간주되고 있다.

심층 학습 구현의 예에는 이미지 인식 및 음성 인식과 같은 애플리케이션이 포함된다. 다음은 심층신경망의 두 가지 중요한 유형이다:  콘볼루션신경망  재귀신경망 챕터에서는 CNN, Convolutional Neural Networks에 초점을 맞출 것이다.Convolutional Neural 네트워크는 여러 계층의 어레이를 통해 데이터를 처리하도록 설계되었다. 이러한 유형의 신경 네트워크는 이미지 인식이나 얼굴 인식과 같은 어플리케이션에 사용된다. CNN과 다른 일반 신경 네트워크의 주된 차이점은 CNN이 2차원 배열로 입력하여 다른 신경 네트워크가 집중하는 특징 추출에 초점을 맞추기보다는 이미지에 직접 작용한다는 것이다. CNN의 지배적인 접근방식은 인식 문제에 대한 해결책을 포함하고 있다. 구글과 페이스북과 같은 일류 기업들은 더 빠른 속도로 활동을 하기 위해 인식 프로젝트를 위한 연구 개발에 투자했다. 경합신경망은 세 가지 기본 사상을 사용한다:  국소 각 분야  콘볼루션  풀링 이러한 생각을 자세히 이해하도록 한다. CNN은 입력 데이터 내에 존재하는 공간적 상관관계를 이용한다. 신경 네트워크의 각 동시 층은 일부 입력 뉴런을 연결한다. 이 특정 지역을 지역 수용 분야라고 한다. 국소 수용성 장은 숨겨진 뉴런에 초점을 맞춘다. 숨겨진 뉴런은 특정 경계 밖의 변화를 깨닫지 못한 채 언급된 필드 안에서 입력 데이터를 처리한다. 위의 표현을 관찰하면, 각 연결부는 한 층에서 다른 층으로 이동하는 것과 연관된 숨겨진 뉴런의 무게를 배운다. 여기서, 개별 뉴런은 때때로 변화를 일으킨다. 이 과정을 "콘볼루션"이라고 한다. 입력 계층에서 은닉 형상 맵으로의 연결 매핑은 "공유 가중치"로 정의되며, 포함된 바이어스를 "공유 편향"이라고 한다. CNN이나 회교신경망은 CNN 선언 직후 배치되는 풀링 레이어를 사용한다. 그것은 사용자의 입력을 회선망에서 나오는 형상 맵으로 삼고 응축된 형상 맵을 준비한다. 풀링 레이어는 이전 레이어의 뉴런으로 레이어를 만드는 데 도움이 된다.이 섹션에서는 CNN의 TensorFlow 구현에 대해 알아본다. 전체 네트워크의 실행과 적절한 치수가 필요한 단계는 다음과 같다. 1단계: CNN 모델을 계산하는 데 필요한 TensorFlow에 필요한 모듈과 데이터 세트 모듈을 포함하십시오. 데이터 자리 표시자의 선언과 함께 다양한 매개변수와 최적화 변수를 포함하는 run_cnn() 함수를 선언한다. 이러한 최적화 변수는 훈련 패턴을 선언할 것이다.

텐서플로우(TensorFlow)는 기계학습과 심층학습 개념을 가장 쉬운 방법으로 구현하기 위해 구글 팀이 고안한 소프트웨어 라이브러리 또는 프레임워크다. 많은 수학 식을 쉽게 계산하기 위해 최적화 기법의 연산 대수학을 결합한다. TensorFlow의 공식 웹사이트는 다음과 같다.이제 텐서플로우의 다음과 같은 중요한 특징들을 생각해 보자:  텐서라고 하는 다차원 어레이의 도움으로 수학 식을 쉽게 정의, 최적화, 계산하는 특징을 포함한다.  깊은 신경망의 프로그래밍 지원과 기계 학습 기법을 포함한다.  다양한 데이터 세트로 확장 가능한 연산 기능을 포함한다.  TensorFlow는 GPU 컴퓨팅을 사용하여 관리를 자동화함 또한 동일한 메모리와 사용되는 데이터의 최적화의 고유한 기능도 포함한다. TensorFlow가 왜 그렇게 인기가 있을까? TensorFlow는 문서화가 잘 되어 있고 많은 기계 학습 라이브러리를 포함하고 있다. 그것은 같은 것에 몇 가지 중요한 기능성과 방법을 제공한다. 텐서플로우(TensorFlow)는 '구글(Google)' 제품으로도 불린다. 그것은 다양한 기계학습과 심층학습 알고리즘을 포함한다. TensorFlow는 손으로 된 숫자 분류, 이미지 인식, 단어 삽입 및 다양한 시퀀스 모델 생성을 위한 심층 신경 네트워크를 훈련하고 실행할 수 있다.TensorFlow를 설치하려면 시스템에 "Python"을 설치하는 것이 중요하다. Python 버전 3.4+는 TensorFlow 설치로 시작하는 것이 가장 좋은 것으로 간주된다. Windows 운영 체제에 TensorFlow를 설치하려면 다음 단계를 고려하십시오. 사용자는 시스템에 TensorFlow를 설치하기 위한 메커니즘을 선택할 수 있다. 우리는 "pip"과 "anaconda"를 추천한다. Pip은 Python에서 모듈을 실행하고 설치하는 데 사용되는 명령이다. 텐서플로우를 설치하기 전에 아나콘다 프레임워크를 시스템에 설치해야 한다. 인공지능은 기계와 특수 컴퓨터 시스템에 의한 인간 지능의 시뮬레이션 과정을 포함한다. 인공지능의 예로는 학습, 추리, 자기 수정 등이 있다. AI 애플리케이션은 음성인식, 전문가 시스템, 영상인식, 기계 비전 등이다. 머신러닝(machine learning)은 인공지능의 한 분야로, 새로운 데이터와 데이터 패턴을 학습할 수 있는 시스템과 알고리즘을 다룬다. 기계학습과 심층학습 개념을 이해하기 위해 아래에 언급된 벤 다이어그램에 초점을 맞추자. 기계학습은 기계학습의 한 부분을 포함하며 심층학습은 기계학습의 한 부분이다. 기계학습 개념을 따르는 프로그램의 능력은 관찰된 데이터의 성능을 향상시키는 것이다. 데이터 변환의 주된 동기는 미래에 더 나은 결과를 얻기 위해 그것의 지식을 향상시키고 특정 시스템에 대해 원하는 출력에 더 가까운 출력을 제공하는 것이다. 머신러닝은 데이터의 패턴을 인식하는 능력을 포함하는 "패턴 인식"을 포함한다. 패턴은 바람직한 방식으로 출력을 표시하도록 훈련되어야 한다.

감독된 학습 또는 감독된 교육에는 교육 세트를 시스템에 입력으로 제공하는 절차가 포함되며, 각 예에는 원하는 출력 값이 라벨로 표시되어 있다. 이 유형의 교육은 원하는 출력 시스템에 대한 출력 오류를 나타내는 특정 손실 기능의 최소화를 사용하여 수행된다. 훈련을 완료한 후 각 모델의 정확도는 검증 세트라고도 불리는 훈련 세트에서 예제를 분리하여 측정한다."감독된 학습"을 설명하기 위한 가장 좋은 예는 정보가 포함된 수많은 사진을 제공하는 것이다. 여기서 사용자는 새로운 사진을 인식하도록 모델을 훈련시킬 수 있다. 감독되지 않은 학습 또는 감독되지 않은 훈련에는 자신이 속한 등급의 시스템에 의해 라벨이 지정되지 않은 훈련 예를 포함한다. 시스템은 공통의 특성을 공유하는 데이터를 찾아 내부 지식의 특징을 바탕으로 변경한다. 이러한 유형의 학습 알고리즘은 기본적으로 클러스터링 문제에 사용된다."감독되지 않은 학습"을 예시할 수 있는 가장 좋은 예는 정보가 포함되지 않은 다수의 사진과 분류와 클러스터링을 갖춘 사용자 훈련 모델이다. 이러한 유형의 훈련 알고리즘은 정보가 제공되지 않는 가정과 함께 작동한다.TensorFlow에서 기본 애플리케이션을 만들기 전에 TensorFlow에 필요한 수학 개념을 이해하는 것이 중요하다. 수학은 기계학습 알고리즘의 핵심으로 간주된다. 그것은 수학의 핵심 개념의 도움을 받아 특정 기계 학습 알고리즘을 위한 솔루션이 정의된다.

연속적이거나 불연속적인 숫자의 배열을 벡터로 정의한다. 기계 학습 알고리즘은 더 나은 출력 생성을 위해 고정된 길이의 벡터를 다룬다. 기계 학습 알고리즘은 다차원 데이터를 다루기 때문에 벡터가 중요한 역할을 한다.스칼라는 1차원 벡터로 정의할 수 있다. 비늘은 크기뿐이고 방향은 없다. 스칼라만 있으면, 우리는 그 규모에 대해서만 관심이 있다. 스칼라의 예로는 아이들의 몸무게와 키 매개변수를 들 수 있다.행렬은 행과 열의 형식으로 배열된 다차원 배열로 정의할 수 있다. 행렬의 크기는 행 길이와 열 길이로 정의된다. 다음 그림은 지정된 행렬의 표현을 보여준다. 위에서 언급한 바와 같이 "m" 행과 "n" 열이 있는 행렬을 고려한다. 행렬 표현은 행렬의 길이도 정의한 "m*n 행렬"로 지정될 것이다. 이 섹션에서는 TensorFlow의 다양한 수학 계산에 대해 알아본다.행렬의 치수가 동일한 경우 2개 이상의 행렬을 추가할 수 있다. 추가란 주어진 위치에 따라 각 요소를 추가하는 것을 의미한다. 매트릭스를 추가하는 방법을 이해하려면 다음 예를 고려하십시오.매트릭스의 뺄셈은 두 매트릭스의 덧셈과 비슷한 방식으로 작용한다. 사용자는 치수가 같다면 행렬 2개를 뺄 수 있다.기계 학습은 컴퓨터가 설계되고 프로그래밍된 알고리즘에 따라 작동하도록 하는 과학 기술이다. 많은 연구자들은 기계학습이 인간 수준의 AI를 향한 진보를 이루는 최선의 방법이라고 생각한다. 기계 학습에는 다음과 같은 유형의 패턴이 포함된다.딥러닝은 기계학습의 하위 분야로서 관련 알고리즘이 인공신경망이라고 불리는 뇌의 구조와 기능에 의해 영감을 받는다. 오늘날 심층 학습의 모든 가치는 라벨이 표시된 데이터와 알고리즘에서 감독된 학습 또는 학습을 통해 이루어진다. 심층학습의 각 알고리즘은 같은 과정을 거친다. 출력으로서 통계적 모델을 생성하는 데 사용할 수 있는 입력의 비선형 변환의 계층을 포함한다. 기계 학습 프로세스를 정의하는 다음 단계를 고려하십시오.

한국 정부는 이르면 1995년 3월 한국 정보인프라(KIA) 종합계획을 수립했다. 주로 시장 경쟁과 민간 부문 투자, 이른바 KIA-Private(KIA-Private, 향후의 KIA-P)를 통해 고속·고용량 네트워크를 구축하기 위한 것이었다. KIA-P 광대역 백본 외에 KIA-G(이하 KIA-G)라 불리는 광대역 백본도 당시 존재하지 않는 광대역 인터넷 서비스 시장 육성을 목적으로 한국통신, 데이콤 등의 FPS에 의해 구축되어 위탁되었다. 2 그들은 광대역 인터넷 서비스 시장을 활성화하기 위해 정부와 자치 지역 단체, 교육 단체, 연구 기관과 같은 비영리 단체에 광대역 인터넷 서비스를 제공했다. 정부는 또한 FPS가 신기술 개발에서 위험을 회피할 수 있도록 KIA-Test bed (KIA-T, 이후)라고 불리는 시험대를 제공하고 연구개발을 지원하였다. 애초 계획은 2015년까지 FTTH(섬유 투가 전) 형태로 모든 가정에 광대역통신망을 제공한다는 것이었지만, 1999년 2010년 목표치를 수정해 총 245억 달러에 달했고, 이 가운데 정부투자는 15억 달러를 차지했다. 정부는 최근 가입자 1인당 평균 전송률이 20Mbps인 1 명에게 광대역 인터넷 서비스를 제공하는 것을 목표로 기본계획을 수정했다. 3 이 계획에 따르면 인구밀집지역은 광섬유 LAN 이더넷, VDSL, CATV 등의 형태로 100~10Mbps를 탑재하고, 희박한 농촌 지역은 ADSL과 위성으로 책임지게 된다. FPS는 자유롭게 시장에 진출하고, 진입과 가격 규제는 자유롭고, 서로 경쟁했다. 두루넷, 하나로통신 등 새로운 FPS의 시장점유율은 한국통신 등 다른 FPS의 참여를 끌어냈다. 이에 따른 자유방임시설 기반 경쟁은 정보사회 선진화의 불가결한 부분인 WTTC(Fiber-to-the-Curb)나 OTTO(Fiber-to-the-office) 이제, 이전에는 경쟁이 부족했던 '마지막 1마일'에서 평탄한 경기장이 달성되었다. 그 결과, 대도시 지역은 250~130Gbps의 전송률과 (밀도)-파장분할 다중접속률로 연결되는데, 모든 중소도시와 읍은 최대 전송률이 2.5Gbps인 광케이블을 통해 연결된다. 이 계획에 따라 KIA-G 광대역 백본을 구축하여 한국통신과 데이콤에 위탁하였다. FPS는 정부와 자치단체, 교육단체, 연구기관, 인터넷 서비스 등 비영리단체에 ATM, 임대선, 패킷, 프레임 릴레이 등의 교환선 서비스를 제공한다. KIA-G 광대역 서비스와 인터넷 서비스의 수혜자는 2000년 말 현재 28,991개 정부 및 연구기관과 10,482개 학교다. 정부는 민간과 협력하여 ATM 스위치, 100~10Gbps의 광학적 설비, ADSL과 케이블 모뎀, 소형 및 중형 라우터를 개발하였다. ATM 스위치는 KIA-G에서 사용되고 있으며, ATM 스위치의 다중 프로토콜 라벨 스위치 기능 업그레이드 기술은 KIA-G와 KIA-P에 내장될 예정이다. 또한, 정부는 주요 도시에 5기가 PoP를 연결하는 시험대를 건설하고, IPv6 백본, QoS 백본, 멀티캐스팅 백본 등 차세대 인터넷 기술 연구를 지원하였다. 아시아태평양 국가들과 일본(8M), 싱가포르(2M), 스타-TAP(45M)을 연결하는 APII 시험대가 건설되고 있으며, 중국과의 추가 연계인 트랜스 유라시아 정보 네트워크도 계획 중이다. 한편 정부는 접속 네트워크에 FSIS에서 1999년에 신흥 광대역 서비스 시장의 투자에 대한 우대 금리에 대출 7천 7백만 달러로 가치 제공했다. 추가로 7천 7백만 달러로 대출에 FSIS 2000년에, 그 상태를 덜 밀집 거주 지역, 작은 도시들과 마을과 지역 산업 단지에 투자하는 것에 제공되었다. 그때부터, 이 공공 기금 프로그램 농촌 지역으로 개편하고 2005년까지 추가 달러에 달하는 투자 923년 만원에 달하는 것을 계속하겠습니다. 정부는 전 정보통신부, 등 10개 부서와 협력하는 정보 교육 무료로 또는 할인에 제공하기로 했다. 기준의 주부, 군인, 학생들과 노인 등 10만 명의 사람들이 혜택을 받고 있다. 또한 학교에서, 운영 모바일 센터 PC와 교육자 등의 교육 시설을 갖춘 소위 정보 교육 센터를 확립했다. 정부가 1999년 4월부터 도입한 독특한 시스템은 인증 프로그램이다.

한국의 광대역 인터넷 서비스 시장이 성공적으로 도약하고 지속적으로 성장하는 데는 몇 가지 요인이 있다. 진입 및 가격 규제 완화 및 전화 접속 인터넷 접속 서비스 기반 강화, 정부의 산업 진흥 및 장려 프로그램, 엔터테인먼트 및 네트워크 게임에 대한 수요, 그리고 특화 등이다.e 도시 지리 규제완화에 박차를 가한 자유경쟁의 시장환경을 조성하는 것이 주된 동기였다. 전화 접속 인터넷 서비스 시장은 1989년 미국과의 무역 협상을 통해 완전히 개방되었다. 또한 1994년 우루과이 라운드는 등록에서 통보로 진입 및 가격조건에 대한 규제를 완화하고 국내 부가가치 서비스 제공업체의 외국인 소유 제한을 폐지하였다.5 이 기회를 이용하여, 시장은 2000년 12월 현재 82명의 ISP와 1,900만명의 인터넷 사용자들로 엄청나게 성장했다. 광대역 인터넷 서비스도 입력 및 가격에 관한 규제에서 해방된 부가가치 서비스로 분류되면서 FSP는 거의 동시에 시장에 진입하여 장시간 전화 접속 사용자들의 추락을 유도하기 위해 정액요금 소매 요금을 낮은 수준으로 책정했다. 게다가, 시장을 홍보하기 위한 정부의 노력도 무시할 수 없다. 정부는 이 시장이 출현하기 전에 고용량 백본 구축에 노력을 기울였고 비영리 단체에 광대역 인터넷 서비스를 제공했다. 또한 1999년과 2000년에는 FSP의 접속망에 대한 투자로 인한 재정 부담을 줄임으로써 시장의 굴레를 용이하게 하기 위해 FSP에 대해 프라임 레이트로 공공대출을 제공하였다. 광대역 B&A의 정보교육 프로그램과 인증제도도 광대역 인터넷 서비스 보급에 중요한 역할을 한다. 셋째, 오락 및 네트워크 게임에 대한 수요의 증가도 광대역 인터넷 서비스의 확산을 자극했다. 경험적 조사에 따르면 광대역 인터넷 가입자의 81.1%가 오락 관련 콘텐츠를 사용하고 있고, 74.6%가 네트워크 게임을 하고 있어 전화 접속 인터넷 접속 가입자의 2배에 달하는 것으로 나타났다.6 광대역통신의 성장은 IP전화 가입자의 급속한 확장과 맞물려 있다는 점도 언급할 만하다. 이들 서비스 사이의 인과관계는 그다지 명확하지 않지만, 처음에는 무료로 제공되었던 세롬 테크놀로지의 다이얼패드 서비스로 대표되는 IP전화가 광대역 인터넷 서비스의 확산을 위한 킬러 어플리케이션으로서 중요한 역할을 담당한 것으로 보인다.7 마지막으로 시장을 지원하는 주요 요인 중 하나이다. 성장은 한국의 고밀도 도시 지형이다. 전체 가구의 거의 48퍼센트는 FSP 시장 운영을 위해 규모의 경제가 충분히 작용하는 아파트 단지에 살고 있다. ADSL의 거리 문제는 한국통신의 유선센터 주변 반경 2.2km 이내에 90% 이상의 가구가 위치해 있기 때문에 적용되지 않는다. 앞서 언급했듯이, 민간 부문의 시장 경쟁은 시장 성장의 주요 원천이다. 한국 정부는 허가 및 가격에 대한 규제나 통제 없이 시장을 개방했다. 또한 시설 기반 경쟁을 우선시했다. 그 결과 소매가격은 비교적 낮은 수준으로 책정되어 단기간에 시장성장을 촉진시켰으며, 하나로통신의 FTTC와 FTTO, 한국통신의 개량형 구리선 로컬 루프, 케이블 모뎀 FSP의 HFC 네트워크를 통해 첨단 네트워크가 빠르게 보급되었다. 처음에는 월평균 25달러의 관세로 이 서비스의 경제적 생존 가능성에 대한 부정적인 견해와 치열한 경쟁에도 불구하고, 시장은 상당히 좋은 사업 모델임이 입증되었다. KT는 2002년 3월에 이 같은 균등점을 보였으며, 하나로텔레콤과 두루넷 같은 다른 FSP는 2001년에 이익을 보았고, EBITDA가 측정했으며 2002년에는 연간 순이익을 기록할 것으로 예상된다. 그 논리는 간단하다. 광대역 인터넷 서비스 시장에서 규모의 경제는 상대적으로 희박할 수 있지만, 수요가 증가함에 따라 기존 설비의 활용률이 증가하고 비용이 크게 감소하며 관련 장비의 추가 조달량은 가입자 수에 비례하여 매출이 증가할 것이다.

본 논문의 목적은 초고속 성장을 위한 성공 요인을 포함한 한국의 경험과 광대역 시장과 정책에 대한 개요를 제공하는 것이다. 시설 경쟁은 한국에서 성공적인 시장 선출을 위한 핵심 요소다. 광대역 인터넷 서비스의 급속한 성장은 정보통신 분야를 포함한 관련 산업에 긍정적인 영향을 미쳤다. 정부의 정보 인프라 종합계획의 주요 초점은 산업 진흥에서 정보 격차의 교량화, 신기술 개발을 위한 연구개발 환경 조성으로 옮겨졌다. 새로운 밀레니엄이 시작될 때, 통신 서비스 시장에서 음성에서 데이터로의 패러다임의 전환은 인터넷의 지배 때문에 주도되고 있다. 인터넷 서비스 시장에서는 다양한 네트워크와 기능이 수직적으로 상호 결합하여 여러 유형의 제공자를 포함한다. 인터넷 접속 서비스 제공자들은 PC와 모뎀과 같은 사용자 인터페이스와 인터넷 사이에서 중개 역할을 한다. 인터넷 서비스 제공자는 고객과 인터넷을 관리하고 콘텐츠 제공자 또는 포탈은 웹을 초대하고 고객에게 정보를 제공한다. 이들 서비스의 균형 있는 성장과 조화를 확보하는 것이 정보사회의 발전과 관련 장비·부품 산업의 진흥을 위한 핵심 요인이다. 그런데도, 인터넷 접속을 제공하는 서비스는 인터넷 접속의 초기 수단뿐만 아니라, 기반 구조의 구축에 막대한 투자를 필요로 하므로 더 큰 의미가 있다. 최근, 사용자가 전화 접속 인터넷 접속 서비스보다 더 높은 접속 속도를 즐길 수 있는 광대역 인터넷 서비스가 일반 대중의 많은 관심을 끌고 있다. 광대역 서비스의 고속화는 기존의 지역 루프를 업그레이드하여 ADSL(Asymmetric Digital Subscriber Line, 이하)의 형태로, 맞춤형 오락 프로그램의 보급을 위해 케이블 TV 네트워크를 통한 케이블 모뎀 형태로 가능하게 한다. 음성에서 데이터로의 변화에도 불구하고, 시장의 지속 가능한 성장을 위한 정책 목표와 주요 요인은 본질에서 같다. 전국적인 고용량 인프라의 구축과 업그레이드, 저렴한 인터넷 접속, 풍부하고 풍부한 정보 제공. 그런데도, 과거와 다른 점은 공공부문의 주도적 역할이 시장기능과 민간부문, 특히 ISP와 CP에 자리를 내줬다는 점이다. 그러나 접속 수단에 관해서는, 최선의 전략이 시장으로의 이탈 전략인지, 산업 진흥 등 적극적인 조처를 하는 것인지 아닌지는 미정이다. 이 논문의 목적은 급속한 성장을 위한 성공 요인을 포함한 한국의 현재 시장 및 경험에 대한 개요를 제공하는 것이다. 그 논문은 다음과 같이 정리되어 있다. 2절에서는 한국의 현재 시장을 설명한다. 3절에서는 시장 경쟁과 정부의 광대역 정책이 어떻게 상호 작용하여 선진 네트워크의 전국적인 전개를 초래했는지를 소개한다. 제4절에서는 광대역 인터넷 서비스 시장에서 한국의 경험을 논한다. 마지막으로, 마지막 부문은 마무리 발언을 끌어낸다. 두루넷은 1998년 7월 케이블 모뎀 형태로 광대역 인터넷 서비스를 제공하는 최초의 제공업체였으며, 이때 다른 FPS가 재빨리 그 뒤를 따랐다. 하나로통신은 1999년 4월 광 ADSL과 케이블 모뎀 서비스를, 한국통신은 구리 ADSL로 1999년 12월부터 서비스를 시작했다. 현재 2001년 10월 말 현재 7개의 FPS가 시중에 영업하고 있으며 가입자 수는 726만 명으로 주민 100명당 15.3명의 보급률을 차지하고 있어 세계 최고를 기록하고 있다. FSP는 일반적으로 광대역 인터넷 서비스 제공을 위한 다양한 접근 유형이 있다: 구리와 광섬유 ADSL, 케이블 모뎀, 근거리 네트워크(LAN, 향후) 이더넷, 광대역-무선 로컬 루프 및 위성. ADSL 형 서비스와 관련해 하나로텔레콤은 광케이블을 새로 건설했고, 한국통신도 ADSL 설비 부족을 해결하기 위해 LAN 이더넷의 형태를 처음 설치했지만 구리선 로컬 루프를 활용했다. 두루넷과 하나로통신과 같은 주요 케이블 모뎀 FPS는 자체 HFC 네트워크를 구축했거나 서비스 제공업체에 임대 회선을 제공하는 네트워크 사업자인 파워콤으로부터 CATV 네트워크를 임대하는 경우가 많았다.

오늘날의 서비스 데스크는 포인트 제품이라기보다는 애플리케이션에 가깝다. 성능, 이벤트 관리, 작업 로드 자동화 등과 같은 다양한 운영 제품에 모두 연결해야 서비스 데스크 에이전트 팀이 문제를 신속하게 해결할 수 있는 도구를 쉽게 사용할 수 있다. 또한, 서비스 데스크 담당자는 문제의 이력을 결정하는 데 도움이 되는 성숙한 지식 기반을 필요로 하며, 최종 사용자 만족도 향상으로 평균 수리 시간을 단축한다. 또한, 오늘날의 서비스 데스크는 IT 환경 내의 다른 자산과 자산 및 관계/연계를 식별할 수 있는 성숙하고 신뢰할 수 있는 구성 관리 데이터베이스로 뒷받침되어야 한다. 성숙하고 신뢰할 수 있는 구성 관리 데이터베이스를 기반으로 영향 분석을 수행하면 변경으로 인한 실패의 70%를 방지할 수 있다. 적절한 자산 관리는 감사와 관련된 두려움과 비용을 제거한다. 통제실 내에 자산관리 능력을 갖추면 감사 실패를 방지하는 동시에 문제 및 변경 관리에 사용할 수 있는 수준의 데이터를 제공한다. IBM은 최종 사용자 카탈로그를 통해 서비스 요청을 자동화하는 방법을 제공하며, 각 요청은 인적 상호작용이 필요 없는 방식으로 처리된다. 서비스 데스크 에이전트에서 이러한 요청을 제거하면 수천 달러의 비용이 절감되고 최종 사용자 만족도가 높아진다. 5,000대 이상의 장치와 소프트웨어 사용권의 성능과 유연성에 대한 더 많은 가시성이 필요한 St. Vincent의 통합 IBM Control Desk와 IBM Endpoint Manager 소프트웨어는 자산 및 소프트웨어 사용권의 상태를 거의 실시간으로 추적한다. 첫 번째 통화 시 35% 만족도로 IT 표를 75% 더 빨리 해결하십시오. 어떻게! 그러니, 속도가 중요하니까 다음 단계를 밟아라! IBM의 빅데이터 및 분석 기능 및 시장 선도적인 기능을 통해 고객은 IT Operations Analytics 솔루션을 사용하여 애플리케이션, 인프라 및 네트워크를 예측, 검색 및 최적화할 수 있다. 예측은 서비스에 영향을 미치기 전에 문제를 사전에 방지할 수 있도록 한다. 대응적이기보다는 보다 능동적인대응적이기 보다는 더욱 능동적윱育응岵堅 보다는 더 능동적인인 작전태세로 이동함으로써 팀은 긴급하고 전면적인 소방전이 되기 전에 고객 만족 문제를 일으킬 수 있는 문제들을 미리 해결할 수 있다. 결국 환경은 더 적은 자원으로 더 많은 작업을 수행할 수 있으므로 비용을 절감하는 동시에 솔루션의 전반적인 가용성을 개선할 수 있다. 검색은 팀이 로그, 메트릭, 이벤트, 지원 문서 및 표를 포함한 모든 운영 데이터를 사용하여 문제를 더 빠르게 진단할 수 있도록 한다. 단일 중앙 집중식 유리창에서 문제를 진단하면 주제 전문가가 문제를 신속하고 효율적으로 해결할 수 있으므로 평균 수리 시간이 단축되고 궁극적으로 가용성이 향상된다. 최적화 - 팀이 최대한 효율적으로 운영되도록 보장 운영팀이 대부분 시간을 소비하는 위치와 반복적인 이벤트를 억제할 방법을 이해하면 효율성 향상, 비용 절감 및 자원 활용률 향상을 실현할 수 있다. 귀사와 같은 많은 고객에게 IT Operations Analytics는 IT 성능을 향상하고 비용을 절감해 왔다. 다음은 성공 사례의 몇 가지 주요 내용: 우리는 오늘날의 혼합형 IT 환경을 이해하고 있다. 우리는 무엇이 그것을 계속 작동시키는지 이해한다. 그리고 오늘날 CIO의 역할과 그에 수반되는 모든 것(예, 밤잠을 잘 수 있는 것 포함)을 이해한다. 빅 데이터, 클라우드, 모바일, 사물 인터넷…. IT 운영을 오늘날의 CIO에게 있어 압도적인 과제로 만들기 위해 모두 모인다. 그리고 너의 꿈은? 위험과 비용을 최소화하면서 보안, 가용성 및 성능을 보장하는 것은 익숙한가? IBM은 귀사가 새로운 혼합형 환경으로의 전환을 계속하면서 이러한 과제를 해결하고 이러한 꿈을 이룰 수 있도록 도와준다. ITEM 미들웨어는 IBM의 왓슨 기술을 뒷받침하는 강력한 기능을 갖추고 있어, IT 부서와 비즈니스 및 고객이 IBM의 견고한 성능으로 오늘날의 요구에 맞는 고품질 솔루션을 제공할 수 있도록 해준다. IBM의 경쟁 우위는 엔터프라이즈 폭, 성능, 확장성 및 기능 셋을 비롯한 핵심 강점을 기반으로 하는 NAT의 견고한 신뢰할 수 있는 기술 기반에 기반을 두고 있다.