솔루션 아이디어
이 문서는 솔루션 아이디어입니다. 잠재적인 사용 사례, 대체 서비스, 구현 고려 사항 또는 가격 책정 지침과 같은 추가 정보로 콘텐츠를 확장하려면 GitHub 피드백을 제공하여 알려주세요.
이 아키텍처는 엔드투엔드 기계 학습 수명 주기를 위한 서비스인 Azure Machine Learning을 사용하여 고품질 모델을 빌드, 배포 및 관리하는 데 사용되는 구성 요소를 보여 줍니다.
아키텍처
이 아키텍처의 Visio 파일을 다운로드합니다.
참고 항목
이 문서에서 설명하는 아키텍처는 Azure Machine Learning의 CLI 및 Python SDK v1을 기반으로 합니다. 새 v2 SDK 및 CLI에 대한 자세한 내용은 CLI 및 SDK v2란?을 참조하세요.
데이터 흐름
- 정형, 비정형 및 반정형 데이터(로그, 파일 및 미디어)를 모두 Azure Data Lake Storage Gen2로 결합합니다.
- Azure Synapse Analytics에서 Apache Spark를 사용하여 데이터 세트를 정리, 변환 및 분석합니다.
- Azure Machine Learning에서 기계 학습 모델을 빌드하고 학습합니다.
- Microsoft Entra ID 및 Azure Key Vault를 사용하여 데이터 및 기계 학습 작업 영역에 대한 액세스 및 인증을 제어합니다. Azure Container Registry를 사용하여 컨테이너를 관리합니다.
- Azure Kubernetes Service를 사용하여 컨테이너에 기계 학습 모델을 배포하고 Azure VNet 및 Azure Load Balancer를 사용하여 배포를 보호하고 관리합니다.
- Azure Monitor에서 로그 메트릭 및 모니터링을 사용하여 모델 성능을 평가합니다.
- Azure Machine Learning에서 필요에 따라 모델을 다시 학습합니다.
- Power BI를 사용하여 데이터 출력을 시각화합니다.
구성 요소
- Azure Machine Learning은 엔드투엔드 기계 학습 수명 주기를 위한 엔터프라이즈급 기계 학습 서비스입니다.
- Azure Synapse Analytics는 즉각적인 BI 및 기계 학습 요구 사항에 맞게 데이터를 수집, 탐색, 준비, 변환, 관리 및 제공할 수 있는 통합 서비스입니다.
- Azure Data Lake Storage Gen2는 고성능 분석 워크로드를 위한 대규모로 확장 가능하고 안전한 데이터 레이크입니다.
- Azure Container Registry는 모든 OCI 아티팩트를 지원하는 Docker 및 OCI(Open Container Initiative) 이미지의 레지스트리입니다. 완전히 관리되고 지리적으로 복제된 OCI 배포 인스턴스를 사용하여 컨테이너 이미지 및 아티팩트를 빌드, 저장, 보안, 검사, 복제 및 관리합니다.
- Azure Kubernetes Service AKS(Azure Kubernetes Service)는 서버리스 Kubernetes, CI/CD(연속 통합 및 지속적인 업데이트) 환경, 엔터프라이즈급 보안 및 거버넌스를 제공합니다. 완전 관리형 Kubernetes 서비스를 사용하여 컨테이너화된 애플리케이션을 더 쉽게 배포하고 관리합니다.
- Azure Monitor를 사용하면 Azure 및 온-프레미스 환경에서 원격 분석 데이터를 수집, 분석 및 작업할 수 있습니다. Azure Monitor를 사용하면 성능과 가용성을 극대화하고 몇 초 안에 문제를 사전 예방적으로 식별할 수 있습니다.
- Azure Key Vault는 클라우드 앱 및 서비스에 사용되는 암호화 키 및 다른 비밀을 보호합니다.
- Azure Load Balancer는 고성능과 짧은 대기 시간으로 인터넷 및 프라이빗 네트워크 트래픽의 부하를 분산합니다. Load Balancer는 가상 머신, 가상 머신 확장 집합 및 IP 주소에서 작동합니다.
- Power BI는 조직 전체에 인사이트를 전달하는 비즈니스 분석 도구 모음입니다. 수백 개의 데이터 원본에 연결하고, 데이터 준비를 간소화하며, 계획되지 않은 분석을 수행합니다. 멋진 보고서를 작성한 다음, 조직이 웹 및 모바일 디바이스에서 사용할 수 있도록 보고서를 게시합니다.
시나리오 정보
엔드투엔드 기계 학습 수명 주기를 위한 서비스인 Azure Machine Learning을 사용하여 고품질 모델을 빌드, 배포 및 관리합니다. 책임 있는 기계 학습을 위해 설계된 안전하고 신뢰할 수 있는 플랫폼에서 업계 최고의 MLOps(기계 학습 작업), 오픈 소스 상호 운용성 및 통합 도구를 사용합니다.
잠재적인 사용 사례
- 기계 학습을 서비스로 사용합니다.
- 쉽고 유연한 건물 인터페이스.
- 지원되는 다양한 알고리즘.
- 웹 서비스를 쉽게 구현할 수 있습니다.
- 기계 학습 솔루션에 대한 훌륭한 설명서입니다.
고려 사항
이러한 고려 사항은 워크로드의 품질을 향상시키는 데 사용할 수 있는 일단의 지침 원칙인 Azure Well-Architected Framework의 핵심 요소를 구현합니다. 자세한 내용은 Microsoft Azure Well-Architected Framework를 참조하세요.
비용 최적화
비용 최적화는 불필요한 비용을 줄이고 운영 효율성을 높이는 방법을 찾는 것입니다. 자세한 내용은 비용 최적화 핵심 요소 개요를 참조하세요.
참가자
Microsoft에서 이 문서를 유지 관리합니다. 원래 다음 기여자가 작성했습니다.
주요 작성자:
- Sheri Gilley | 선임 콘텐츠 개발자
- Larry Franks | 콘텐츠 개발자
- Lauryn Gayhardt | 콘텐츠 개발자
- Samantha Salgado | 콘텐츠 개발자
비공개 LinkedIn 프로필을 보려면 LinkedIn에 로그인하세요.
다음 단계
이 솔루션의 주요 서비스에 대한 설명서를 참조하세요.
- Azure Machine Learning 설명서
- Azure Synapse Analytics 설명서
- Azure Data Lake Storage Gen2 설명서
- Azure Container Registry 문서
- Azure Kubernetes Service 설명서
- Azure Monitor 설명서
- Azure Key Vault 설명서
- Azure Load Balancer 설명서
- Power BI 설명서
관련 참고 자료
Azure 아키텍처 센터에 대한 관련 지침을 참조하세요.