Machine Learning Studio(클래식) 웹 서비스를 사용하는 방법

아티클
05/29/2020

적용 대상: 이는 이 문서가 Machine Learning Studio(클래식)에 적용됨을 의미하는 확인 표시입니다. Machine Learning Studio(클래식) 이는 이 문서가 Azure Machine Learning에 적용됨을 의미하는 X입니다. Azure Machine Learning

중요

Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.

2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.

ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
Azure Machine Learning에 대해 자세히 알아보세요.

ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.

Machine Learning 스튜디오(클래식) 예측 모델을 웹 서비스로 배포하고 나면 REST API를 사용하여 데이터를 전송하고 예측을 가져올 수 있습니다. 데이터를 실시간으로 또는 일괄 처리 모드로 보낼 수 있습니다.

다음 Machine Learning Studio(클래식)를 사용하여 Machine Learning 웹 서비스를 만들고 배포하는 방법에 대한 자세한 내용을 알아볼 수 있습니다.

Machine Learning Studio(클래식)에서 실험을 만드는 방법에 대한 자습서는 첫 번째 실험 만들기를 참조하세요.
웹 서비스를 배포하는 방법에 대한 자세한 내용은 Machine Learning 웹 서비스 배포를 참조하세요.
Machine Learning에 대한 자세한 내용은 Machine Learning 설명서 센터를 참조하세요.

개요

Machine Learning 웹 서비스를 통해 외부 애플리케이션에서 Machine Learning 워크플로 점수 매기기 모델과 실시간으로 통신할 수 있습니다. Machine Learning 웹 서비스 호출은 외부 애플리케이션에 예측 결과를 반환합니다. Machine Learning 웹 서비스를 호출하려면 예측을 배포할 때 만들어진 API 키를 전달합니다. Machine Learning 웹 서비스는 웹 프로그래밍 프로젝트에 일반적으로 사용되는 아키텍처인 REST를 기반으로 합니다.

Machine Learning 스튜디오(클래식)에는 다음 두 가지 유형의 서비스가 있습니다.

RRS(요청-응답 서비스) - 대기 시간이 짧고 확장성이 높은 서비스로, Machine Learning Studio(클래식)에서 생성 및 배포되는 상태 비저장 모델에 대한 인터페이스를 제공합니다.
BES(일괄 처리 실행 서비스) – 데이터 레코드의 점수를 일괄적으로 매기는 비동기 서비스입니다.

Machine Learning 웹 서비스에 대한 자세한 내용은 Machine Learning 웹 서비스 배포를 참조하세요.

인증 키 가져오기

실험을 배포할 때 웹 서비스에 API 키가 생성됩니다. 여러 위치에서 키를 검색할 수 있습니다.

Machine Learning 웹 서비스 포털에서

Machine Learning 웹 서비스 포털에 로그인합니다.

새 Machine Learning 웹 서비스에 대한 API 키를 가져오려면 다음을 수행합니다.

Machine Learning 웹 서비스 포털의 위쪽 메뉴에서 웹 서비스를 클릭합니다.
키를 검색하려는 웹 서비스를 클릭합니다.
위쪽 메뉴에서 사용을 클릭합니다.
기본 키를 복사하고 저장합니다.

클래식 Machine Learning 웹 서비스에 대한 API 키를 가져오려면:

Azure Machine Learning 웹 서비스 포털의 최상위 메뉴에서 클래식 웹 서비스를 클릭합니다.
사용하고 있는 웹 서비스를 클릭합니다.
키를 검색하려는 엔드포인트를 클릭합니다.
위쪽 메뉴에서 사용을 클릭합니다.
기본 키를 복사하고 저장합니다.

기존 웹 서비스

Machine Learning Studio(클래식)에서 클래식 웹 서비스에 대한 키를 검색할 수도 있습니다.

Machine Learning Studio(클래식)

Machine Learning Studio(클래식)의 왼쪽에서 웹 서비스를 클릭합니다.
웹 서비스를 클릭합니다. API 키는 대시보드 탭에 있습니다.

Machine Learning 웹 서비스에 연결

HTTP 요청 및 응답을 지원하는 모든 프로그래밍 언어를 사용하여 Machine Learning 웹 서비스에 연결할 수 있습니다. Machine Learning 웹 서비스 도움말 페이지에서 C#, Python 및 R로 작성된 예제를 볼 수 있습니다.

Machine Learning API 도움말 웹 서비스를 배포하면 Machine Learning API 도움말이 생성됩니다. 자습서 3: 신용 위험 모델 배포를 참조하세요. Machine Learning API 도움말에는 예측 웹 서비스에 대한 세부 정보가 포함되어 있습니다.

사용하고 있는 웹 서비스를 클릭합니다.
API 도움말 페이지를 보려는 엔드포인트를 클릭합니다.
위쪽 메뉴에서 사용을 클릭합니다.
응답 간 또는 Batch 실행 엔드포인트에서 API 도움말 페이지를 클릭합니다.

새 웹 서비스에 대한 Machine Learning API 도움말을 보려면

Machine Learning 웹 서비스 포털에서:

최상위 메뉴에서 웹 서비스를 클릭합니다.
키를 검색하려는 웹 서비스를 클릭합니다.

웹 서비스 사용을 클릭하여 C#, R 및 Python으로 요청-응답 및 Batch 실행 서비스와 샘플 코드에 대한 URI를 가져옵니다.

Swagger API를 클릭하여 제공된 URI에서 호출된 API에 대한 Swagger 기반 설명서를 가져옵니다.

C# 샘플

Machine Learning 웹 서비스에 연결하려면 ScoreData를 전달하는 HttpClient를 사용합니다. ScoreData는 ScoreData를 나타내는 수치의 n 차원 벡터인 FeatureVector를 포함합니다. API 키로 Machine Learning 서비스를 인증합니다.

Machine Learning 웹 서비스에 연결하려면 Microsoft.AspNet.WebApi.Client NuGet 패키지를 설치해야 합니다.

Visual Studio에서 Microsoft.AspNet.WebApi.Client NuGet 설치

UCI: Adult 2 클래스 데이터 세트에서 데이터 세트 다운로드 웹 서비스를 게시합니다.
도구>NuGet 패키지 관리자>패키지 관리자 콘솔을 클릭합니다.
Install-Package Microsoft.AspNet.WebApi.Client를 선택합니다.

코드 샘플을 실행하려면

Machine Learning 샘플 컬렉션의 “샘플 1: UCI: Adult 2 클래스 데이터 세트에서 데이터 세트 다운로드” 실험 부분을 게시합니다.
웹 서비스에서 가져온 키로 apiKey를 할당합니다. 위의 인증 키 가져오기를 참조하세요.
요청 URI로 serviceUri를 할당합니다.

완료된 요청은 다음과 같습니다.

using System;
using System.Collections.Generic;
using System.IO;
using System.Net.Http;
using System.Net.Http.Formatting;
using System.Net.Http.Headers;
using System.Text;
using System.Threading.Tasks;

namespace CallRequestResponseService
{
    class Program
    {
        static void Main(string[] args)
        {
            InvokeRequestResponseService().Wait();
        }

        static async Task InvokeRequestResponseService()
        {
            using (var client = new HttpClient())
            {
                var scoreRequest = new
                {
                    Inputs = new Dictionary<string, List<Dictionary<string, string>>> () {
                        {
                            "input1",
                            // Replace columns labels with those used in your dataset
                            new List<Dictionary<string, string>>(){new Dictionary<string, string>(){
                                    {
                                        "column1", "value1"
                                    },
                                    {
                                        "column2", "value2"
                                    },
                                    {
                                        "column3", "value3"
                                    }
                                }
                            }
                        },
                    },
                    GlobalParameters = new Dictionary<string, string>() {}
                };

                // Replace these values with your API key and URI found on https://services.azureml.net/
                const string apiKey = "<your-api-key>"; 
                const string apiUri = "<your-api-uri>";
                
                client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue( "Bearer", apiKey);
                client.BaseAddress = new Uri(apiUri);

                // WARNING: The 'await' statement below can result in a deadlock
                // if you are calling this code from the UI thread of an ASP.NET application.
                // One way to address this would be to call ConfigureAwait(false)
                // so that the execution does not attempt to resume on the original context.
                // For instance, replace code such as:
                //      result = await DoSomeTask()
                // with the following:
                //      result = await DoSomeTask().ConfigureAwait(false)

                HttpResponseMessage response = await client.PostAsJsonAsync("", scoreRequest);

                if (response.IsSuccessStatusCode)
                {
                    string result = await response.Content.ReadAsStringAsync();
                    Console.WriteLine("Result: {0}", result);
                }
                else
                {
                    Console.WriteLine(string.Format("The request failed with status code: {0}", response.StatusCode));

                    // Print the headers - they include the request ID and the timestamp,
                    // which are useful for debugging the failure
                    Console.WriteLine(response.Headers.ToString());

                    string responseContent = await response.Content.ReadAsStringAsync();
                    Console.WriteLine(responseContent);
                }
            }
        }
    }
}

Python 샘플

Machine Learning 웹 서비스에 연결하려면 Python 2.X의 경우 urllib2 라이브러리를 사용하고, Python 3.X의 경우 urllib.request 라이브러리를 사용합니다. ScoreData를 나타내는 수치의 n 차원 벡터인 FeatureVector를 포함하는 ScoreData를 제공합니다. API 키로 Machine Learning 서비스를 인증합니다.

코드 샘플을 실행하려면

Machine Learning 샘플 컬렉션의 “샘플 1: UCI: Adult 2 클래스 데이터 세트에서 데이터 세트 다운로드” 실험 부분을 배포합니다.
웹 서비스에서 가져온 키로 apiKey를 할당합니다. 이 문서의 시작 부분에 있는 인증 키 가져오기 섹션을 참조하세요.
요청 URI로 serviceUri를 할당합니다.

완료된 요청은 다음과 같습니다.

import urllib2 # urllib.request and urllib.error for Python 3.X
import json

data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",   
                'column2': "value2",   
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters":  {}
}

body = str.encode(json.dumps(data))

# Replace this with the URI and API Key for your web service
url = '<your-api-uri>'
api_key = '<your-api-key>'
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}

# "urllib.request.Request(url, body, headers)" for Python 3.X
req = urllib2.Request(url, body, headers)

try:
    # "urllib.request.urlopen(req)" for Python 3.X
    response = urllib2.urlopen(req)

    result = response.read()
    print(result)
# "urllib.error.HTTPError as error" for Python 3.X
except urllib2.HTTPError, error: 
    print("The request failed with status code: " + str(error.code))

    # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
    print(error.info())
    print(json.loads(error.read()))

R 샘플

Machine Learning 웹 서비스에 연결하려면 RCurl 및 rjson 라이브러리를 사용하여 요청을 수행하고 반환된 JSON 응답을 처리합니다. ScoreData를 나타내는 수치의 n 차원 벡터인 FeatureVector를 포함하는 ScoreData를 제공합니다. API 키로 Machine Learning 서비스를 인증합니다.

완료된 요청은 다음과 같습니다.

library("curl")
library("httr")
library("rjson")

requestFailed = function(response) {
    return (response$status_code >= 400)
}

printHttpResult = function(response, result) {
    if (requestFailed(response)) {
        print(paste("The request failed with status code:", response$status_code, sep=" "))
    
        # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
        print(response$headers)
    }
    
    print("Result:") 
    print(fromJSON(result))  
}

req = list(
        Inputs = list( 
            "input1" = list(
                "ColumnNames" = list("Col1", "Col2", "Col3"),
                "Values" = list( list( "0", "value", "0" ),  list( "0", "value", "0" )  )
            )                ),
        GlobalParameters = setNames(fromJSON('{}'), character(0))
)

body = enc2utf8(toJSON(req))
api_key = "abc123" # Replace this with the API key for the web service
authz_hdr = paste('Bearer', api_key, sep=' ')

response = POST(url= "<your-api-uri>",
        add_headers("Content-Type" = "application/json", "Authorization" = authz_hdr),
        body = body)

result = content(response, type="text", encoding="UTF-8")

printHttpResult(response, result)

JavaScript 샘플

Machine Learning 웹 서비스에 연결하려면 프로젝트에 request npm 패키지를 사용합니다. 또한 JSON 개체를 사용하여 입력 형식을 지정하고 결과를 구문 분석합니다. npm install request --save를 사용하여 설치하거나 "request": "*"를 dependencies 아래의 package.json에 추가하고 npm install을 설치합니다.

완료된 요청은 다음과 같습니다.

let req = require("request");

const uri = "<your-api-uri>";
const apiKey = "<your-api-key>";

let data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",
                'column2': "value2",
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters": {}
}

const options = {
    uri: uri,
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer " + apiKey,
    },
    body: JSON.stringify(data)
}

req(options, (err, res, body) => {
    if (!err && res.statusCode == 200) {
        console.log(body);
    } else {
        console.log("The request failed with status code: " + res.statusCode);
    }
});

Machine Learning Studio(클래식) 웹 서비스를 사용하는 방법

개요

인증 키 가져오기

Machine Learning 웹 서비스 포털에서

기존 웹 서비스

Machine Learning Studio(클래식)

Machine Learning 웹 서비스에 연결

C# 샘플

Python 샘플

R 샘플

JavaScript 샘플

추가 리소스