Azure Machine Learning에서 Studio(클래식) 웹 서비스 다시 빌드
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) 웹 서비스를 엔드포인트로 다시 빌드하는 방법에 대해 알아봅니다.
Azure Machine Learning 파이프라인 엔드포인트를 사용하여 예측을 만들거나 모델을 다시 학습하거나 제네릭 파이프라인을 실행할 수 있습니다. REST 엔드포인트를 사용하면 어떤 플랫폼에서든 파이프라인을 실행할 수 있습니다.
이 문서는 Azure Machine Learning 마이그레이션 시리즈에 대한 Studio(클래식)의 일부입니다. Azure Machine Learning으로 마이그레이션하는 방법에 대한 자세한 내용은 마이그레이션 개요 문서를 참조하세요.
참고 항목
이 마이그레이션 시리즈는 끌어서 놓기 디자이너를 집중적으로 다룹니다. 프로그래밍 방식으로 모델을 배포하는 방법에 대한 자세한 내용은 Azure에서 기계 학습 모델 배포를 참조하세요.
필수 조건
- 활성 구독이 있는 Azure 계정. 체험 계정을 만듭니다.
- Azure Machine Learning 작업 영역 작업 영역 리소스 만들기
- Azure Machine Learning 교육 파이프라인. 자세한 내용은 Azure Machine Learning에서 Studio(클래식) 실험 다시 빌드를 참조하세요.
실시간 엔드포인트와 파이프라인 엔드포인트
Studio(클래식) 웹 서비스는 Azure Machine Learning의 엔드포인트로 대체되었습니다. 다음 표를 통해 사용할 엔드포인트 유형을 선택합니다.
| Studio(클래식) 웹 서비스 | Azure Machine Learning 대체 |
|---|---|
| 웹 서비스 요청/응답(실시간 예측) | 실시간 엔드포인트 |
| Batch 웹 서비스(일괄 처리 예측) | 파이프라인 엔드포인트 |
| 다시 학습 웹 서비스(다시 학습) | 파이프라인 엔드포인트 |
실시간 엔드포인트 배포
Studio(클래식)에서는 웹 서비스 요청/응답을 사용하여 실시간 예측에 대한 모델을 배포했습니다. Azure Machine Learning에서는 실시간 엔드포인트를 사용합니다.
Azure Machine Learning에서 모델을 배포하는 방법에는 여러 가지가 있습니다. 가장 간단한 방법 중 하나는 디자이너를 사용하여 배포 프로세스를 자동화하는 것입니다. 모델을 실시간 엔드포인트로 배포하려면 다음 단계를 사용합니다.
완료된 교육 파이프라인을 한 번 이상 실행합니다.
작업이 완료된 후 캔버스의 맨 위에서 유추 파이프라인 만들기>실시간 유추 파이프라인을 선택합니다.
디자이너가 학습 파이프라인을 실시간 유추 파이프라인으로 변환합니다. Studio(클래식)에서도 비슷한 변환이 수행됩니다.
디자이너에서 변환 단계는 학습된 모델을 Azure Machine Learning 작업 영역에도 등록합니다.
제출을 선택하여 실시간 유추 파이프라인을 실행하고 성공적으로 실행되는지 확인합니다.
유추 파이프라인을 확인한 후 배포를 선택합니다.
엔드포인트의 이름과 컴퓨팅 형식을 입력합니다.
다음 표에서는 디자이너의 배포 컴퓨팅 옵션에 대해 설명합니다.
컴퓨팅 대상 사용 대상 설명 생성 AKS(Azure Kubernetes Service) 실시간 유추 대규모 프로덕션 배포. 빠른 응답 시간 및 서비스 자동 크기 조정 사용자가 생성함. 자세한 내용은 컴퓨팅 대상 만들기를 참조하세요. Azure Container Instances 테스트 또는 개발 48GB 미만의 RAM이 필요한 소규모 CPU 기반 워크로드 Azure Machine Learning에 의해 자동으로 생성됨
실시간 엔드포인트 테스트
배포가 완료되면 자세한 내용을 확인하고 엔드포인트를 테스트할 수 있습니다.
엔드포인트 탭으로 이동합니다.
엔드포인트를 선택합니다.
테스트 탭을 선택합니다.
일괄 처리 예측 또는 다시 학습을 위한 파이프라인 엔드포인트 게시
또한 학습 파이프라인을 사용하여 실시간 엔드포인트 대신 파이프라인 엔드포인트를 만들 수 있습니다. 파이프라인 엔드포인트를 사용하여 일괄 처리 예측 또는 다시 학습을 수행할 수 있습니다.
파이프라인 엔드포인트가 스튜디오(클래식) 일괄 처리 실행 엔드포인트 및 다시 학습 웹 서비스를 대체합니다.
일괄 처리 예측을 위한 파이프라인 엔드포인트 게시
일괄 처리 예측 엔드포인트 게시는 실시간 엔드포인트와 비슷합니다.
일괄 처리 예측을 위해 파이프라인 엔드포인트를 게시하려면 다음 단계를 사용합니다.
완료된 교육 파이프라인을 한 번 이상 실행합니다.
작업이 완료된 후 캔버스의 맨 위에서 유추 파이프라인 만들기>일괄 처리 유추 파이프라인을 선택합니다.
디자이너가 학습 파이프라인을 일괄 처리 유추 파이프라인으로 변환합니다. Studio(클래식)에서도 비슷한 변환이 수행됩니다.
디자이너에서 이 단계는 학습된 모델을 Azure Machine Learning 작업 영역에도 등록합니다.
제출을 선택하여 일괄 처리 유추 파이프라인을 실행하고 성공적으로 완료되는지 확인합니다.
유추 파이프라인을 확인한 후 게시를 선택합니다.
새 파이프라인 엔드포인트를 만들거나 기존 파이프라인 엔드포인트를 선택합니다.
새 파이프라인 엔드포인트는 파이프라인에 대한 새 REST 엔드포인트를 만듭니다.
기존 파이프라인 엔드포인트를 선택하는 경우 기존 파이프라인을 덮어쓰지 않습니다. 대신 Azure Machine Learning에서 엔드포인트의 각 파이프라인 버전을 지정합니다. REST 호출에서 실행할 버전을 지정할 수 있습니다. REST 호출에서 버전을 지정하지 않는 경우에도 기본 파이프라인을 설정해야 합니다.
다시 학습을 위한 파이프라인 엔드포인트 게시
다시 학습을 위한 파이프라인 엔드포인트를 게시하려면 모델을 학습하는 파이프라인 초안이 이미 있어야 합니다. 학습 파이프라인을 빌드하는 방법에 대한 자세한 내용은 Studio(클래식) 실험 다시 빌드를 참조하세요.
다시 학습을 위해 파이프라인 엔드포인트를 다시 사용하려면 입력 데이터 세트에 대한 파이프라인 매개 변수를 만들어야 합니다. 이렇게 하면 모델을 다시 학습할 수 있도록 학습 데이터 세트를 동적으로 설정할 수 있습니다.
다시 학습 파이프라인 엔드포인트를 게시하려면 다음 단계를 사용합니다.
학습 파이프라인을 한 번 이상 실행합니다.
실행이 완료되면 데이터 세트 모듈을 선택합니다.
모듈 세부 정보 창에서 파이프라인 매개 변수로 설정을 선택합니다.
"InputDataset"와 같은 설명적인 이름을 제공합니다.
이렇게 하면 입력 데이터 세트에 대한 파이프라인 매개 변수가 생성됩니다. 학습을 위해 파이프라인 엔드포인트를 호출하는 경우 새 데이터 세트를 지정하여 모델을 다시 학습시킬 수 있습니다.
게시를 선택합니다.
Studio에서 파이프라인 엔드포인트 호출
일괄 처리 유추나 다시 학습 파이프라인 엔드포인트를 만든 후 브라우저에서 직접 엔드포인트를 호출할 수 있습니다.
파이프라인 탭으로 이동하고 파이프라인 엔드포인트를 선택합니다.
실행할 파이프라인 엔드포인트를 선택합니다.
제출을 선택합니다.
제출을 선택한 후 파이프라인 매개 변수를 지정할 수 있습니다.
다음 단계
이 문서에서는 Azure Machine Learning의 Studio(클래식) 웹 서비스를 다시 빌드하는 방법에 대해 알아보았습니다. 다음 단계는 웹 서비스와 클라이언트 앱을 통합하는 것입니다.
Studio(클래식) 마이그레이션 시리즈의 다른 문서를 참조하세요.
- 마이그레이션 개요입니다.
- 마이그레이션 데이터세트
- Studio(클래식) 학습 파이프라인을 다시 빌드합니다.
- Studio(클래식) 웹 서비스를 다시 빌드합니다.
- Azure Machine Learning 웹 서비스를 클라이언트 앱과 통합합니다.
- R 스크립트 실행을 마이그레이션합니다.