Azure Machine Learning 디자이너에서 Studio(클래식) 실험 다시 빌드

  • 아티클

Important

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

2021년 12월 1일부터 새 Machine Learning Studio(클래식) 리소스(작업 영역 및 웹 서비스 계획)를 만들 수 없습니다. 2024년 8월 31일까지 기존 Machine Learning Studio(클래식) 실험 및 웹 서비스를 계속 사용할 수 있습니다. 자세한 내용은 다음을 참조하세요.

Machine Learning Studio(클래식) 설명서는 사용 중지 중이며 나중에 업데이트되지 않을 수 있습니다.

이 문서에서는 Azure Machine Learning에서 ML 스튜디오(클래식) 실험을 다시 빌드하는 방법에 대해 알아봅니다. Studio(클래식)에서 마이그레이션하는 방법에 대한 자세한 내용은 마이그레이션 개요 문서를 참조하세요.

Studio(클래식) 실험은 Azure Machine Learning의 파이프라인과 유사합니다. 하지만 Azure Machine Learning 파이프라인은 SDK를 구동하는 동일한 백엔드를 기반으로 합니다. 따라서 기계 학습 개발에는 끌어서 놓기 디자이너나 코드 중심 SDK, 이상 두 가지 옵션이 있습니다.

SDK를 사용한 파이프라인 빌드에 대한 자세한 내용은 Azure Machine Learning 파이프라인이란을 참조하세요.

필수 조건

파이프라인 다시 빌드

Azure Machine Learning으로 데이터 세트를 마이그레이션한 이후 실험을 다시 만들 준비가 됩니다.

Azure Machine Learning에서 시각적 그래프를 파이프라인 초안이라고 합니다. 이 섹션에서는 클래식 실험을 파이프라인 초안으로 다시 만듭니다.

  1. Azure Machine Learning 스튜디오(ml.azure.com)로 이동

  2. 왼쪽 탐색 창에서 디자이너>사용하기 쉬운 미리 빌드된 모듈Screenshot showing how to create a new pipeline draft. 선택

  3. 디자이너 구성 요소를 사용하여 실험을 수동으로 다시 빌드합니다.

    대체 모듈을 찾으려면 모듈 매핑 테이블을 참조하세요. 대부분의 Studio(클래식) 모듈은 디자이너에서 동일한 버전을 사용합니다.

    Important

    실험에서 R 스크립트 실행 모듈을 사용하는 경우 실험을 마이그레이션하기 위한 추가 단계를 수행해야 합니다. 자세한 내용은 R 스크립트 마이그레이션 모듈을 참조하세요.

  4. 매개 변수를 조정합니다.

    각 모듈을 선택하고 모듈 설정 패널에서 오른쪽으로 매개 변수를 조정합니다. 매개 변수를 사용하여 Studio(클래식) 실험의 기능을 다시 만듭니다. 각 모듈에 대한 자세한 내용은 모듈 참조를 참조하세요.

작업 제출 및 결과 확인

Studio(클래식) 실험을 다시 만든 후에는 파이프라인 작업을 제출해야 합니다.

파이프라인 작업은 작업 영역에 연결된 컴퓨팅 대상에서 실행됩니다. 전체 파이프라인에 대한 기본 컴퓨팅 대상을 설정하거나 모듈 단위로 컴퓨팅 대상을 지정할 수 있습니다.

파이프라인 초안에서 작업을 제출하면 파이프라인 작업으로 바뀝니다. 각 파이프라인 작업은 Azure Machine Learning에 기록되고 로그됩니다.

전체 파이프라인에 대한 기본 컴퓨팅 대상을 설정하려면 다음을 수행합니다.

  1. 파이프라인 이름 옆에 있는 기어 아이콘Gear icon in the designer을 선택합니다.
  2. 컴퓨팅 대상 선택을 선택합니다.
  3. 기존 컴퓨팅을 선택하거나 화면의 지시에 따라 새 컴퓨팅을 만듭니다.

컴퓨팅 대상이 설정되었으므로 파이프라인 작업을 제출할 수 있습니다.

  1. 캔버스 위쪽에서 제출을 선택합니다.

  2. 새로 만들기를 선택하여 새 실험을 만듭니다.

    실험은 유사한 파이프라인 작업을 함께 구성합니다. 파이프라인을 여러 번 작업하는 경우 연속 실행에 대해 동일한 실험을 선택할 수 있습니다. 이는 로깅 및 추적에 유용합니다.

  3. 실험 이름을 입력합니다. 그런 다음, 제출을 선택합니다.

    첫 번째 작업은 최대 20분이 소요될 수 있습니다. 기본 컴퓨팅 설정의 최소 노드 크기는 0입니다. 즉, 디자이너가 유휴 상태가 된 후에 리소스를 할당해야 합니다. 노드가 이미 할당되어 있으므로 연속 작업은 시간이 덜 걸립니다. 실행 시간을 단축하기 위해 최소 노드 크기가 1 이상의 컴퓨팅 리소스를 만들 수 있습니다.

작업이 완료된 후 각 모듈의 결과를 확인할 수 있습니다.

  1. 출력을 보려는 모듈을 마우스 오른쪽 단추로 클릭합니다.

  2. 시각화, 출력 보기 또는 로그 보기 중 하나를 선택합니다.

    • 시각화: 결과 데이터 세트를 미리 봅니다.
    • 출력 보기: 출력 스토리지 위치에 대한 링크를 엽니다. 링크를 사용하여 출력을 탐색하거나 다운로드합니다.
    • 로그 보기: 드라이버 및 시스템 로그를 봅니다. 70_driver_log를 사용하여 오류 및 예외와 같은 사용자 제출 스크립트와 관련된 정보를 볼 수 있습니다.

Important

디자이너 구성 요소는 오픈 소스 Python 패키지를 사용하여 기계 학습 알고리즘을 구현합니다. 그러나 스튜디오(클래식)는 Microsoft 내부 C# 라이브러리를 사용합니다. 따라서 예측 결과는 디자이너와 스튜디오(클래식) 사이에서 약간 다를 수 있습니다.

다른 파이프라인에서 사용하도록 학습된 모델 저장

파이프라인에서 학습된 모델을 저장하고 나중에 다른 파이프라인에서 모델을 사용할 수도 있습니다. 스튜디오(클래식)에서는 학습된 모든 모델이 모듈 목록의 "학습된 모델" 범주에 저장됩니다. 디자이너에서 학습된 모델은 시스템 생성 이름을 사용하여 파일 데이터 세트로 자동으로 등록됩니다. 명명 규칙은 "MD - 파이프라인 초안 이름 - 구성 요소 이름 - 학습된 모델 ID" 패턴을 따릅니다.

학습된 모델에 의미 있는 이름을 지정하려면 모델 학습 구성 요소의 출력을 파일 데이터 세트로 등록할 수 있습니다. 원하는 이름을 지정합니다(예: linear-regression-model).

Screenshot showing how to save trained model.

구성 요소 목록의 "데이터 세트" 범주에서 학습된 모델을 찾거나 이름으로 검색할 수 있습니다. 그런 다음, 학습된 모델을 모델 채점 구성 요소에 연결하여 예측에 사용합니다.

Screenshot showing how to find trained model.

다음 단계

이 문서에서는 Azure Machine Learning의 Studio(클래식) 실험을 다시 빌드하는 방법에 대해 알아보았습니다. 다음 단계는 Azure Machine Learning에서 웹 서비스를 다시 빌드하는 것입니다.

Studio(클래식) 마이그레이션 시리즈의 다른 문서를 참조하세요.

  1. 마이그레이션 개요입니다.
  2. 마이그레이션 데이터세트
  3. Studio(클래식) 학습 파이프라인을 다시 빌드합니다.
  4. Studio(클래식) 웹 서비스를 다시 빌드합니다.
  5. Azure Machine Learning 웹 서비스를 클라이언트 앱과 통합합니다.
  6. R 스크립트 실행을 마이그레이션합니다.