데이터 흐름에서 AI 사용

이 문서에서는 데이터 흐름과 함께 AI(인공 지능)를 사용하는 방법을 보여 줍니다. 이 문서에서는 다음을 설명합니다.

• Cognitive Services
• 자동화된 기계 학습
• Azure Machine Learning 통합

Power BI의 Cognitive Services

Power BI에서 Cognitive Services를 사용하면 Azure Cognitive Services의 다양한 알고리즘을 적용하여 데이터 흐름을 위한 셀프 서비스 데이터 준비에서 데이터를 보강할 수 있습니다.

현재 지원되는 서비스는 감정 분석, 핵심 구 추출, 언어 감지 및 이미지 태그 지정입니다. 변환은 Power BI 서비스에서 실행되므로 Azure Cognitive Services 구독이 필요하지 않습니다. 이 기능을 사용하려면 Power BI Premium이 필요합니다.

AI 기능 사용

Cognitive Services는 프리미엄 용량 노드 EM2, A2 또는 P1 및 리소스가 더 많은 기타 노드에 대해 지원됩니다. PPU(사용자 단위 Premium) 라이선스를 통해 인지 서비스를 사용할 수도 있습니다. 용량의 별도 AI 워크로드가 Cognitive Services를 실행하는 데 사용됩니다. Power BI에서 Cognitive Services를 사용하려면 먼저 관리 포털의 용량 설정에서 AI 워크로드를 사용하도록 설정해야 합니다. 워크로드 섹션에서 AI 워크로드를 설정하고 이 워크로드가 사용하도록 할 최대 메모리 양을 정의할 수 있습니다. 권장되는 메모리 제한율은 20%입니다. 이 제한을 초과하면 쿼리 속도가 저하됩니다.

Power BI에서 Cognitive Services 시작하기

Cognitive Services 변환은 데이터 흐름을 위한 셀프 서비스 데이터 준비의 일부입니다. Cognitive Services를 사용하여 데이터를 보강하려면 데이터 흐름을 편집하여 시작합니다.

파워 쿼리 편집기의 위쪽 리본에서 AI 인사이트 단추를 선택합니다.

팝업 창에서 사용할 함수 및 변환할 데이터를 선택합니다. 이 예제에서는 리뷰 텍스트가 포함된 열의 감정에 대해 점수를 매기려고 합니다.

LanguageISOCode는 텍스트 언어를 지정하는 선택적 입력입니다. 이 열에는 ISO 코드가 필요합니다. LanguageISOCode에 대한 입력으로 열을 사용하거나 정적 열을 사용할 수 있습니다. 이 예제에서는 전체 열의 언어가 영어(en)로 지정됩니다. 이 열을 비워 두면 Power BI가 함수를 적용하기 전에 자동으로 언어를 감지합니다. 그런 다음, 호출을 선택합니다.

함수를 호출하면 결과가 테이블에 새 열로 추가됩니다. 변환도 쿼리의 적용 단계로 추가됩니다.

함수가 여러 출력 열을 반환하는 경우 함수를 호출하면 여러 출력 열이 포함된 하나의 행이 있는 새 열 하나를 추가합니다.

값을 하나 또는 둘 다 열로 데이터에 추가하려면 확장 옵션을 사용합니다.

사용 가능한 함수

이 섹션에서는 Power BI에서 사용할 수 있는 Cognitive Services의 함수를 설명합니다.

언어 감지

언어 감지 함수는 텍스트 입력을 평가하고 각 열의 언어 이름 및 ISO 식별자를 반환합니다. 이 함수는 언어가 알려지지 않은, 임의 텍스트를 수집하는 데이터 열에 유용합니다. 이 함수에는 텍스트 형식의 데이터가 입력으로 사용되어야 합니다.

Text Analytics에서는 최대 120개의 언어를 인식합니다. 자세한 내용은 언어용 Azure Cognitive Service에서 언어 감지란?을 참조하세요.

핵심 구 추출

핵심 구 추출 함수는 비구조적 텍스트를 평가하여 각 텍스트 열의 핵심 구 목록을 반환합니다. 함수는 입력으로 텍스트 열이 있어야 하며 LanguageISOCode에 대한 선택적 입력을 허용합니다. 자세한 내용은 시작을 참조하세요.

핵심 구 추출은 감정 분석과 반대로 작업하도록 제공하는 텍스트 청크의 크기가 더 큰 경우 가장 효과적으로 이루어집니다. 감정 분석은 텍스트 블록 크기가 작을수록 더 잘 수행됩니다. 두 작업 모두에서 최상의 결과를 얻으려면 적절하게 입력을 재구성하는 것을 고려해보세요.

감정 점수 매기기

감정 점수 매기기 함수는 텍스트 입력을 평가하고 각 문서에 대해 0(부정)에서 1(긍정)까지의 감정 점수를 반환합니다. 이 함수는 소셜 미디어, 고객 리뷰 및 토론 포럼에서 긍정적 감정과 부정적 감정을 감지하는 데 유용합니다.

Text Analytics는 기계 학습 분류 알고리즘을 사용하여 0에서 1 사이의 감정 점수를 생성합니다. 점수가 1에 가까울수록 긍정적인 감정을 나타냅니다. 점수가 0에 가까울수록 부정적인 감정을 나타냅니다. 모델은 감정 연결을 사용하여 광범위한 텍스트 본문을 미리 학습한 상태입니다. 현재, 고유한 학습 데이터를 제공하는 것은 불가능합니다. 모델은 텍스트 분석 중에 텍스트 처리, 품사 분석, 단어 배치, 단어 연결 등이 조합된 다양한 기술을 사용합니다. 알고리즘에 대한 자세한 내용은 Machine Learning 및 Text Analytics를 참조하세요.

감정 분석은 전체 입력 열에서 수행되는 반면, 감정 추출은 텍스트의 특정 테이블에 대해 수행됩니다. 실제로 문서에 크기가 큰 텍스트 블록이 아닌, 한 개 또는 두 개의 문장이 포함된 경우 점수 매기기 정확도가 향상되는 경향이 있습니다. 객관성 평가 단계에서는 하나의 입력 열 전체가 객관적인지 감정이 포함되어 있는지를 모델이 결정합니다. 대부분 객관적인 입력 열은 감정 감지 단계로 진행되지 않으며 추가 처리 없이 0.50 점수를 받습니다. 파이프라인에서 계속 진행되는 입력 열은 입력 열에서 감지된 감정의 정도에 따라 0.50을 크거나 작은 점수를 다음 단계에서 생성합니다.

현재는 영어, 독일어, 스페인어 및 프랑스어가 감정 분석에서 지원됩니다. 다른 언어는 미리 보기 상태입니다. 자세한 내용은 언어용 Azure Cognitive Service에서 언어 감지란?을 참조하세요.

이미지 태그 지정

이미지 태그 지정 함수는 2,000개가 넘는 인식할 수 있는 사물, 생물, 경치 및 동작을 기준으로 태그를 반환합니다. 태그가 모호하거나 누구나 알 수 있는 것이 아닌 경우 출력은 알려진 설정의 컨텍스트에서 태그의 의미를 명확히 설명하는 ‘힌트’를 제공합니다. 태그는 분류로 구성되지 않으며 상속 계층 구조가 존재하지 않습니다. 콘텐츠 태그 컬렉션은 완전한 문장 형식의, 사람이 읽을 수 있는 언어로 표시되는 이미지 ‘설명’의 토대를 구성합니다.

이미지를 업로드하거나 이미지 URL을 지정하면 Computer Vision 알고리즘이 이미지에서 식별된 사물, 생물 및 동작을 기준으로 태그를 출력합니다. 태그 지정은 주요 대상(예: 전경에 있는 인물)으로 제한되지 않으며 설정(실내 또는 옥외), 가구, 도구, 식물, 동물, 액세서리, 장치 등도 포함합니다.

이 함수는 입력으로 이미지 URL 또는 Base 64 열이 필요합니다. 현재, 이미지 태그 지정에서는 영어, 스페인어, 일본어, 포르투갈어 및 중국어 간체가 지원됩니다. 자세한 내용은 ComputerVision 인터페이스를 참조하세요.

Power BI의 자동화된 Machine Learning

데이터 흐름의 AutoML(자동화된 Machine Learning)을 사용하면 비즈니스 분석가가 Power BI에서 직접 ML(Machine Learning) 모델을 학습하고, 유효성을 검사하고, 호출할 수 있습니다. 분석가가 데이터 흐름을 사용하여 모델 학습을 위한 입력 데이터를 지정할 수 있는 새로운 ML 모델을 만들기 위한 간단한 환경이 포함되어 있습니다. 서비스는 가장 관련성이 높은 기능을 자동으로 추출하고, 적절한 알고리즘을 선택하며, ML 모델의 유효성을 검사합니다. 모델을 학습한 후에는 Power BI에서 유효성 검사 결과가 포함된 성능 보고서를 자동으로 생성합니다. 그런 다음 데이터 흐름 내의 새 데이터 또는 업데이트된 데이터에 대해 모델을 호출할 수 있습니다.

자동화된 Machine Learning은 Power BI Premium에서 호스트되는 데이터 흐름 및 Embedded 용량에 대해서만 사용할 수 있습니다.

AutoML 작업

기계 학습 및 AI는 산업 및 과학 연구 분야에서 전례 없는 인기 상승을 보고 있습니다. 기업은 또한 이러한 새로운 기술을 운영에 통합하는 방법을 찾고 있습니다.

데이터 흐름은 빅 데이터를 위한 셀프 서비스 데이터 준비를 제공합니다. AutoML은 데이터 흐름에 통합되며, Power BI 내에서 바로 기계 학습 모델을 빌드하기 위해 데이터 준비 작업을 사용할 수 있게 해줍니다.

Power BI의 AutoML을 사용하면 데이터 분석가가 Power BI 기술만 사용하여 간소화된 환경에서 데이터 흐름를 사용해 기계 학습 모델을 빌드할 수 있습니다. Power BI ML 모델 생성의 기반이 된 대부분의 데이터 과학을 자동화합니다. 우수한 품질의 모델이 생성되도록 하고, ML 모델을 만드는 데 사용되는 프로세스를 확인할 수 있게 해주는 기능이 있습니다.

AutoML은 데이터 흐름에 대한 이진 예측, 분류 및 회귀 모델 생성을 지원합니다. 이러한 기능은 감독된 기계 학습 기술 유형은 이전 관찰에서 알려진 결과를 학습하여 다른 관찰의 결과를 예측할 수 있음을 의미합니다. AutoML 모델 학습을 위한 입력 의미 체계 모델은 알려진 결과로 레이블이 지정된 행 세트입니다.

Power BI의 AutoML은 Azure Machine Learning의 자동화된 ML을 통합하여 ML 모델을 만듭니다. 그러나 Power BI에서 AutoML을 사용하기 위해 Azure 구독이 필요하지는 않습니다. Power BI 서비스는 ML 모델 학습 및 호스팅 프로세스를 완전히 관리합니다.

ML 모델을 학습한 후 AutoML은 ML 모델의 성능에 대해 설명하는 Power BI 보고서를 자동으로 생성합니다. AutoML은 사용자 입력 중 모델에서 반환되는 예측에 영향을 주는 주요 영향 요인을 강조 표시하여 설명 기능을 강조합니다. 보고서에는 모델의 주요 메트릭도 포함됩니다.

생성된 보고서의 다른 페이지에는 모델의 통계 요약과 학습 정보가 표시됩니다. 통계 요약은 모델 성능에 대한 표준 데이터 과학 측정값을 보려는 사용자에게 중요합니다. 학습 세부 정보에는 모델을 만들기 위해 실행된 모든 반복이 연결된 모델링 매개 변수와 함께 요약되어 있습니다. 또한 각 입력이 ML 모델을 만드는 데 사용된 방법도 설명합니다.

그런 다음 점수 매기기를 위해 ML 모델을 데이터에 적용할 수 있습니다. 데이터 흐름을 새로 고치면 ML 모델의 예측으로 데이터가 업데이트됩니다. Power BI는 ML 모델이 생성하는 각 특정 예측에 대해 개별 설명도 포함합니다.

기계 학습 모델 만들기

이 섹션에서는 AutoML 모델을 만드는 방법을 설명합니다.

ML 모델을 만들기 위한 데이터 준비

Power BI에서 기계 학습 모델을 만들려면 먼저 ML 모델 학습에 사용되는 기록 결과 정보를 포함하는 데이터의 데이터 흐름을 만들어야 합니다. 또한 예측하려는 결과에 대해 강력한 예측 변수일 수 있는 모든 비즈니스 메트릭에 대해 계산 열을 추가해야 합니다. 데이터 흐름을 구성하는 방법에 관한 자세한 내용은 데이터 흐름 구성 및 사용을 참조하세요.

AutoML에는 기계 학습 모델을 학습하기 위한 특정 데이터 요구 사항이 있습니다. 이러한 요구 사항은 다음 섹션에 각 모델 유형에 따라 설명되어 있습니다.

ML 모델 입력 구성

AutoML 모델을 만들려면 데이터 흐름 테이블의 작업 열에서 ML 아이콘을 선택한 다음, 기계 학습 모델 추가를 선택합니다.

ML 모델을 만드는 과정을 안내하는 마법사로 구성된 간소화된 환경이 시작됩니다. 이 마법사는 다음과 같은 간단한 단계를 포함합니다.

1. 기록 데이터가 있는 테이블을 선택하고 예측하려는 결과 열 선택

결과 열은 다음 이미지와 같이 ML 모델 학습에 사용되는 레이블 특성을 나타냅니다.

2. 모델 유형 선택

결과 열을 지정하면 AutoML에서 레이블 데이터를 분석하여 가장 학습 가능성이 높은 ML 모델 유형을 제안합니다. 모델 선택을 클릭하여 다음 이미지와 같이 다른 모델 유형을 선택할 수 있습니다.

참고 항목

일부 모델 유형은 선택한 데이터에 대해 지원되지 않을 수 있으며, 사용하지 않도록 설정됩니다. 이전 예제에서는 텍스트 열이 결과 열로 선택되었기 때문에 회귀를 사용할 수 없습니다.

3. 모델에서 예측 신호로 사용할 입력 선택

AutoML은 선택한 테이블 샘플을 분석하여 ML 모델 학습에 사용할 수 있는 입력을 제안합니다. 선택하지 않은 열 옆에는 설명이 제공됩니다. 특정 열에 고유 값이 너무 많거나, 값이 하나뿐이거나, 출력 열과 상관 관계가 낮거나 높은 경우에는 제안되지 않습니다.

결과 열(또는 레이블 열)에 따라 달라지는 입력은 성능에 영향을 주므로 ML 모델 학습에 사용하면 안 됩니다. 해당 열은 “출력 열과 비정상적으로 높은 상관 관계”가 있는 것으로 플래그가 지정됩니다. 이러한 열을 학습 데이터에 도입하면 레이블이 유출되어, 유효성 검사나 테스트 데이터에서는 모델 성능이 좋지만 채점을 위해 프로덕션에서 사용할 때는 해당 성능을 얻을 수 없습니다. 모델 학습 성능이 믿을 수 없을 정도로 좋을 경우, 레이블 유출은 AutoML 모델에서 문제가 될 수 있습니다.

이 기능 권장 사항은 데이터 샘플을 기반으로 하므로 사용된 입력을 검토해야 합니다. 모델에서 학습할 열만 포함되도록 선택 항목을 변경할 수 있습니다. 테이블 이름 옆에 있는 확인란을 선택하여 모든 열을 선택할 수도 있습니다.

4. 모델 이름 지정 및 구성 저장

최종 단계에서는 모델 이름을 지정하고 저장을 선택하여 ML 모델 학습을 시작할 항목을 선택할 수 있습니다. 빠른 결과를 확인하기 위해 학습 시간을 줄이거나, 최상의 모델을 얻기 위해 학습 시간을 늘릴 수 있습니다.

ML 모델 학습

AutoML 모델 학습은 데이터 흐름 새로 고침의 일부입니다. AutoML은 먼저 학습을 위해 데이터를 준비합니다. AutoML은 제공된 기록 데이터를 학습 및 테스트 의미 체계 모델로 분할합니다. 테스트 의미 체계 모델은 학습 후 모델 성능의 유효성을 검사하는 데 사용되는 홀드아웃 집합입니다. 이러한 집합은 데이터 흐름에서 학습 및 테스트 테이블로 실현됩니다. AutoML은 모델 유효성 검사에 교차 유효성 검사를 사용합니다.

그런 다음 각 입력 열을 분석하고 대체를 적용하여 누락된 값을 대체된 값으로 바꿉니다. AutoML에서는 몇 가지 대체 전략을 사용합니다. 숫자 기능으로 취급되는 입력 특성의 경우 열 값의 평균이 대체에 사용됩니다. 범주 기능으로 취급되는 입력 특성의 경우 AutoML은 열 값의 모드를 대체에 사용합니다. AutoML 프레임워크는 하위 샘플링된 학습 의미 체계 모델의 대체에 사용되는 값의 평균 및 모드를 계산합니다.

그런 다음, 필요에 따라 샘플링 및 정규화가 데이터에 적용됩니다. 분류 모델의 경우, AutoML은 층화된 샘플링을 통해 입력 데이터를 실행하고 클래스의 균형을 조정하여 행 수가 모두 같도록 합니다.

AutoML은 데이터 형식 및 통계 속성에 따라 선택한 각 입력 열에 여러 변환을 적용합니다. AutoML은 이러한 변환을 사용하여 ML 모델 학습에 사용할 기능을 추출합니다.

AutoML 모델에 대한 학습 프로세스는 최상의 성능을 가진 모델을 찾기 위해 다양한 모델링 알고리즘 및 하이퍼 매개 변수 설정을 사용하는 최대 50회 반복으로 구성됩니다. AutoML에서 관찰된 성능 향상이 없다고 알리면 반복 횟수를 줄여 학습이 조기 종료될 수 있습니다. AutoML은 홀드아웃 테스트 의미 체계 모델을 사용하여 유효성을 검사하여 이러한 각 모델의 성능을 평가합니다. 이 학습 단계 중 AutoML은 이러한 반복의 학습 및 유효성 검사를 위한 여러 파이프라인을 만듭니다. 모델 성능을 평가하는 프로세스는 몇 분에서 몇 시간 또는 마법사를 통해 구성된 학습 시간까지 걸릴 수 있습니다. 소요된 시간은 의미 체계 모델의 크기와 사용 가능한 용량 리소스에 따라 달라집니다.

경우에 따라 생성되는 최종 모델은 여러 모델을 사용하여 더 나은 예측 성능을 제공하는 앙상블 학습을 사용할 수 있습니다.

AutoML 모델 설명성

모델을 학습한 후 AutoML은 입력 기능과 모델 출력 간의 관계를 분석합니다. 각 입력 기능의 홀드아웃 테스트 의미 체계 모델에 대한 모델 출력의 변화 크기를 평가합니다. 이 관계를 기능 중요도라고 합니다. 이 분석은 학습이 완료된 후 새로 고침 중에 수행됩니다. 따라서 새로 고침이 마법사에서 구성된 학습 시간보다 더 오래 걸릴 수도 있습니다.

AutoML 모델 보고서

AutoML은 전역 기능 중요도와 함께 유효성 검사 중 모델의 성능을 요약하는 Power BI 보고서를 생성합니다. 이 보고서는 데이터 흐름 새로 고침이 성공한 후에 Machine Learning 모델 탭에서 액세스할 수 있습니다. 이 보고서에는 ML 모델을 홀드아웃 테스트 데이터에 적용하고 예측을 알려진 결과 값과 비교한 결과가 요약되어 있습니다.

모델 보고서를 검토하여 성능을 파악할 수 있습니다. 또한 모델의 주요 영향 요인에 대한 유효성을 검사하여 알려진 결과에 대한 비즈니스 인사이트에 맞출 수 있습니다.

보고서의 모델 성능을 설명하는 데 사용되는 차트와 측정값은 모델 유형에 따라 달라집니다. 이러한 성능 차트와 측정값에 대해서는 다음 섹션에서 설명합니다.

보고서의 다른 페이지는 데이터 과학 관점에서 모델에 대한 통계 측정값을 설명할 수 있습니다. 예를 들어 이진 예측 보고서에는 모델에 대한 게인 차트와 ROC 곡선이 포함되어 있습니다.

또한 보고서에는 모델이 학습된 방법에 대한 설명이 포함된 학습 세부 정보 페이지와 실행된 각 반복에 대해 모델 성능을 설명하는 차트가 있습니다.

이 페이지의 다른 섹션에서는 누락된 값을 채우는 데 사용되는 대체 방법과 입력 열의 검색된 유형을 설명합니다. 또한 최종 모델에 사용되는 매개 변수도 포함합니다.

생성된 모델에서 앙상블 학습을 사용하는 경우, 학습 세부 정보 페이지에는 앙상블에 포함된 각 구성 모델의 가중치와 해당 매개 변수를 보여 주는 차트도 있습니다.

AutoML 모델 적용

만들어진 ML 모델의 성능에 만족하는 경우 데이터 흐름을 새로 고치면 새 데이터 또는 업데이트된 데이터에 적용할 수 있습니다. 모델 보고서에서 오른쪽 위에 있는 적용 단추를 선택하거나, Machine Learning 모델 탭에서 작업 아래에 있는 ML 모델 적용 단추를 선택합니다.

ML 모델을 적용하려면 해당 모델을 적용해야 하는 테이블의 이름과 모델 출력에서 테이블에 추가될 열에 대한 접두사를 지정해야 합니다. 열 이름에 대한 기본 접두사는 모델 이름입니다. Apply 함수는 모델 유형과 관련된 더 많은 매개 변수를 포함할 수 있습니다.

ML 모델을 적용하면 출력 테이블에서 채점되는 각 행에 대한 예측 및 개별적인 설명이 포함된 두 개의 새 데이터 흐름 테이블이 생성됩니다. 예를 들어 OnlineShoppers 테이블에 PurchaseIntent 모델을 적용하면 출력에 OnlineShoppers enriched PurchaseIntent 및 OnlineShoppers enriched PurchaseIntent explanations 테이블이 생성됩니다. 보강 테이블의 각 행에서 Explanations는 입력 기능에 따라 보강 설명 테이블의 여러 행으로 분할됩니다. ExplanationIndex를 사용하면 보강 설명 테이블의 행을 보강 테이블의 행에 매핑할 수 있습니다.

PQO 함수 브라우저에서 AI 인사이트를 사용하여 동일한 작업 영역에 있는 모든 데이터 흐름의 테이블에 Power BI AutoML 모델을 적용할 수도 있습니다. 이러한 방식으로 모델을 포함하는 데이터 흐름의 소유자가 아니어도 동일한 작업 영역에서 다른 사용자가 만든 모델을 사용할 수 있습니다. 파워 쿼리는 작업 영역에서 모든 Power BI ML 모델을 검색하고 동적 파워 쿼리 함수로 노출합니다. Power Query 편집기의 리본에서 함수에 액세스하거나 직접 M 함수를 호출하는 방법으로 해당 함수를 호출할 수 있습니다. 이 기능은 현재 Power BI 데이터 흐름과 Power BI 서비스의 파워 쿼리 온라인에서만 지원됩니다. 이 프로세스는 AutoML 마법사를 사용하여 데이터 흐름 내에서 ML 모델을 적용하는 것과 매우 다릅니다. 이 메서드를 사용하여 만든 설명 테이블은 없습니다. 데이터 흐름의 소유자가 아닌 경우 모델 학습 보고서에 액세스하거나 모델을 다시 학습할 수 없습니다. 또한 원본 모델을 편집(입력 열 추가 또는 제거)하는 경우나 모델 또는 원본 데이터 흐름이 삭제된 경우 이 종속 데이터 흐름은 중단됩니다.

모델을 적용한 후에는 데이터 흐름을 새로 고칠 때마다 AutoML에서 예측을 항상 최신 상태로 유지합니다.

Power BI 보고서에서 ML 모델의 인사이트 및 예측을 사용하려면 데이터 흐름 커넥터를 사용하여 Power BI Desktop에서 출력 테이블에 연결할 수 있습니다.

이진 예측 모델

보다 공식적으로는 이진 분류 모델로 알려진 이진 예측 모델은 의미 체계 모델을 두 그룹으로 분류하는 데 사용됩니다. 이진 결과를 가질 수 있는 이벤트를 예측하는 데 사용됩니다. 예를 들어 영업 기회의 전환 여부, 계정 이탈 여부, 기간 내 청구서 지불 여부, 거래의 사기 여부 등입니다.

이진 예측 모델의 출력은 목표 결과가 달성될 가능성을 나타내는 확률 점수입니다.

이진 예측 모델 학습

필수 구성 요소:

• 각 결과 클래스에는 최소 20행의 기록 데이터가 필요합니다.

이진 예측 모델에 대한 생성 프로세스는 이전 ML 모델 입력 구성 섹션에 설명된 다른 AutoML 모델과 동일한 단계를 따릅니다. 유일한 차이점은 가장 관심 있는 목표 결과 값을 선택할 수 있는 모델 선택 단계입니다. 모델 유효성 검사 결과를 요약하는 자동 생성된 보고서에 사용할 친숙한 레이블을 결과에 제공할 수도 있습니다.

이진 예측 모델 보고서

이진 예측 모델은 행에서 목표 결과를 달성할 확률을 출력으로 생성합니다. 보고서에 확률 임곗값 슬라이서가 포함되어 확률 임곗값을 상회 또는 하회하는 점수를 해석하는 방법에 영향을 줍니다.

이 보고서는 ‘진양성, 가양성, 참 부정 및 거짓 부정’을 기준으로 모델의 성능을 설명합니다. 참 긍정 및 참 부정이 결과 데이터의 두 클래스에 대해 올바르게 예측된 결과입니다. 가양성은 목표 결과가 있을 것으로 예측되었지만 실제로 없었던 행입니다. 반대로, 거짓 부정은 목표 결과가 있었지만 없을 것으로 예측된 행입니다.

정밀도 및 재현율과 같은 측정값은 예측된 결과에 대한 확률 임계값의 영향을 설명합니다. 확률 임계값 슬라이서를 사용하여 정밀도와 재현율 사이에서 균형 있게 타협한 임계값을 선택할 수 있습니다.

이 보고서에는 가장 높은 수익을 창출하기 위해 타겟팅해야 하는 인구의 하위 집합을 확인하는 데 도움이 되는 비용-수익 분석 도구도 포함되어 있습니다. 타겟팅의 예상 단위 비용과 목표 결과 달성에서 발생하는 단위 혜택을 감안하여 비용-수익 분석은 수익을 최대화하려고 합니다. 이 도구를 사용하여 수익을 최대화하는 그래프의 최대 지점을 기준으로 확률 임계값을 선택할 수 있습니다. 그래프를 사용하여 선택한 확률 임계값의 수익 또는 비용을 계산할 수도 있습니다.

모델 보고서의 정확도 보고서 페이지에는 모델에 대한 누적 게인 차트와 ROC 곡선이 포함되어 있습니다. 이 데이터는 모델 성능에 대한 통계 측정값을 제공합니다. 보고서에는 표시된 차트에 대한 설명이 포함됩니다.

이진 예측 모델 적용

이진 예측 모델을 적용하려면 ML 모델에서 예측을 적용하려는 데이터가 포함된 테이블을 지정해야 합니다. 다른 매개 변수에는 예측 결과를 분류하기 위한 출력 열 이름 접두사 및 확률 임계값이 포함됩니다.

이진 예측 모델을 적용하면 보강 출력 테이블에 Outcome, PredictionScore, PredictionExplanation, ExplanationIndex라는 4개의 출력 열이 추가됩니다. 모델을 적용할 때 테이블의 열 이름에 접두사가 지정됩니다.

PredictionScore는 목표 결과가 달성될 가능성을 나타내는 백분율 확률입니다.

Outcome 열에는 예측된 결과 레이블이 포함됩니다. 확률이 임계값을 초과하는 레코드는 목표 결과를 달성할 가능성이 있는 것으로 예측되며 True로 레이블이 지정됩니다. 임곗값 아래의 레코드는 결과를 달성할 가능성이 없는 것으로 예측되며 False로 레이블이 지정됩니다.

PredictionExplanation 열에는 입력 기능이 PredictionScore에 미치는 특정 영향에 대한 설명이 포함되어 있습니다.

분류 모델

분류 모델은 의미 체계 모델을 여러 그룹 또는 클래스로 분류하는 데 사용됩니다. 여러 가지 가능한 결과 중 하나를 가질 수 있는 이벤트를 예측하는 데 사용됩니다. 예를 들어 고객이 높은, 중간 또는 낮은 평생 가치를 가질 가능성이 있는지 여부를 나타냅니다. 또한 기본값의 위험이 높음, 보통, 낮음 등인지 여부를 예측할 수 있습니다.

분류 모델의 출력은 행이 특정 클래스에 대한 조건을 달성할 가능성을 식별하는 확률 점수입니다.

분류 모델 학습

분류 모델의 학습 데이터를 포함하는 입력 테이블에는 이전의 알려진 결과를 나타내는 결과 열로 문자열 또는 정수 열이 있어야 합니다.

필수 구성 요소:

• 각 결과 클래스에는 최소 20행의 기록 데이터가 필요합니다.

분류 모델에 대한 생성 프로세스는 이전의 ML 모델 입력 구성 섹션에 설명된 다른 AutoML 모델과 동일한 단계를 따릅니다.

분류 모델 보고서

Power BI는 홀드아웃 테스트 데이터에 ML 모델을 적용하여 분류 모델 보고서를 만듭니다. 그런 다음 행에 대해 예측된 클래스를 실제 알려진 클래스와 비교합니다.

모델 보고서에는 알려진 각 클래스에 대해 올바르게 분류된 행과 잘못 분류된 행을 구분하는 차트가 포함됩니다.

추가 클래스 관련 드릴다운 작업을 사용하면 알려진 클래스에 대한 예측을 분산하는 방법을 분석할 수 있습니다. 이 분석은 알려진 클래스의 행이 잘못 분류될 가능성이 있는 다른 클래스를 보여 줍니다.

또한 보고서의 모델 설명에는 각 클래스에 대한 상위 예측 변수도 포함됩니다.

분류 모델 보고서에는 앞 AutoML 모델 보고서에서 설명한 대로 다른 모델 유형에 대한 페이지와 유사한 학습 세부 정보 페이지도 포함됩니다.

분류 모델 적용

분류 ML 모델을 적용하려면 입력 데이터를 포함하는 테이블과 출력 열 이름 접두사를 지정해야 합니다.

분류 모델을 적용하면 보강 출력 테이블에 ClassificationScore, ClassificationResult, ClassificationExplanation, ClassProbabilities, ExplanationIndex라는 5개의 출력 열이 추가됩니다. 모델을 적용할 때 테이블의 열 이름에 접두사가 지정됩니다.

ClassProbabilities 열에는 가능한 각 클래스에 대한 행의 확률 점수가 포함됩니다.

ClassificationScore는 행이 지정된 클래스의 조건을 달성할 가능성을 나타내는 백분율 확률입니다.

ClassificationResult 열에는 행에 대한 가장 가능성이 높은 예측 클래스가 포함됩니다.

ClassificationExplanation 열에는 입력 기능이 ClassificationScore에 미치는 특정 영향에 대한 설명이 포함됩니다.

회귀 모델

회귀 모델은 숫자 값을 예측하는 데 사용되며 다음과 같은 시나리오에서 사용할 수 있습니다.

• 판매 거래를 통해 실현될 가능성이 높은 수익.
• 계정의 평생 가치.
• 지급될 수 있는 수취인 송장의 금액
• 송장을 결제할 수 있는 날짜 등.

회귀 모델의 출력은 예측 값입니다.

회귀 모델 학습

회귀 모델에 대한 학습 데이터를 포함하는 입력 테이블은 알려진 결과 값을 나타내는 결과 열로 숫자 열을 포함해야 합니다.

필수 구성 요소:

• 회귀 모델에는 최소 100개 행의 기록 데이터가 필요합니다.

회귀 모델에 대한 생성 프로세스는 이전의 ML 모델 입력 구성 섹션에 설명된 다른 AutoML 모델과 동일한 단계를 따릅니다.

회귀 모델 보고서

다른 AutoML 모델 보고서와 마찬가지로 회귀 보고서는 홀드아웃 테스트 데이터에 모델을 적용한 결과를 기반으로 합니다.

모델 보고서에는 예측 값을 실제 값과 비교하는 차트가 포함됩니다. 이 차트에서 대각선 거리는 예측의 오차를 나타냅니다.

잔여 오차 차트는 홀드아웃 테스트 의미 체계 모델의 여러 값에 대한 평균 오차 백분율의 분포를 보여줍니다. 가로 축은 그룹의 실제 값 평균을 나타냅니다. 거품의 크기는 해당 범위의 값 빈도 또는 개수를 표시합니다. 세로 축은 평균 잔여 오차입니다.

회귀 모델 보고서에는 이전의 AutoML 모델 보고서 섹션에서 설명한 다른 모델 유형에 대한 보고서와 같은 학습 세부 정보 페이지도 포함됩니다.

회귀 모델 학습 적용

회귀 ML 모델을 적용하려면 입력 데이터를 포함하는 테이블과 출력 열 이름 접두사를 지정해야 합니다.

회귀 모델을 적용하면 보강 출력 테이블에 RegressionResult, RegressionExplanation, ExplanationIndex라는 3개의 출력 열이 추가됩니다. 모델을 적용할 때 테이블의 열 이름에 접두사가 지정됩니다.

RegressionResult 열에는 입력 열을 기반으로 하는 행의 예측 값이 포함됩니다. RegressionExplanation 열에는 입력 기능이 RegressionResult에 미치는 특정 영향에 대한 설명이 포함됩니다.

Power BI에서 Azure Machine Learning 통합

수많은 조직이 비즈니스에 대한 더 나은 인사이트와 예측을 얻기 위해 Machine Learning 모델을 사용합니다. 보고서, 대시보드 및 기타 분석과 함께 기계 학습을 사용하여 이러한 인사이트를 얻을 수 있습니다. 이러한 모델의 인사이트를 시각화하고 호출하는 기능은 인사이트를 가장 필요로 하는 비즈니스 사용자에게 인사이트를 전달하는 데 도움이 될 수 있습니다. 이제 Power BI를 사용하여 가리킨 다음 클릭하는 단순한 제스처로 Azure Machine Learning에 호스팅 된 모델의 인사이트를 간편하게 통합할 수 있습니다.

이 기능을 사용하려면 데이터 과학자가 간단히 Azure Portal을 사용하여 BI 분석가에게 Azure Machine Learning 모델에 대한 액세스 권한을 부여합니다. 그러면 각 세션이 시작할 때 파워 쿼리가 사용자에게 액세스 권한이 있는 모든 Azure Machine Learning 모델을 검색하여 동적 파워 쿼리 함수로 표시합니다. 사용자는 파워 쿼리 편집기의 리본에서 함수에 액세스하거나 직접 M 함수를 호출하는 방법으로 해당 함수를 호출할 수 있습니다. Power BI도 성능 향상을 위해 일련의 행에 대한 Azure Machine Learning 모델을 호출할 때 자동으로 액세스 요청을 일괄 처리합니다.

이 기능은 현재 Power BI 데이터 흐름과 Power BI 서비스의 파워 쿼리 온라인에서만 지원됩니다.

데이터 흐름에 관한 자세한 내용은 데이터 흐름 및 셀프 서비스 데이터 준비 소개를 참조하세요.

Azure Machine Learning에 대한 자세한 내용은 다음을 참조하세요.

• 개요: Azure Machine Learning이란?
• Azure Machine Learning에 대한 빠른 시작 및 자습서: Azure Machine Learning 설명서

Power BI 사용자에게 Azure Machine Learning 모델에 대한 액세스 권한 부여

Power BI에서 Azure Machine Learning 모델에 액세스하려면 사용자에게 Azure 구독 및 Machine Learning 작업 영역에 대한 읽기 액세스 권한이 있어야 합니다.

이 문서에서는 Power BI 사용자에게 Azure Machine Learning Service에 호스트된 모델에 대한 액세스 권한을 부여하는 방법을 설명합니다. 설명된 단계를 수행하면 Power BI 사용자가 파워 쿼리 함수로 이러한 모델에 액세스할 수 있습니다. 자세한 내용은 Azure Portal을 사용하여 Azure 역할 할당을 참조하세요.

1. Azure Portal에 로그인합니다.

2. 구독 페이지로 이동합니다. 구독 페이지는 Microsoft Azure Portal의 탐색 창 메뉴에 있는 모든 서비스 목록에서 찾을 수 있습니다.

   

3. 구독을 선택합니다.

   

4. 액세스 제어(IAM)를 선택하고 추가 단추를 선택합니다.

   

5. 읽기 권한자를 역할로 선택합니다. 그런 다음 Azure Machine Learning 모델에 대한 액세스 권한을 부여할 Power BI 사용자를 선택합니다.

   

6. 저장을 선택합니다.

7. 3단계부터 6단계까지 반복하여 모델을 호스트하는 특정 Machine Learning 작업 영역 사용자에게 읽기 권한자 권한을 부여합니다.

Machine Learning 모델의 스키마 검색

데이터 과학자는 주로 Python을 사용하여 Machine Learning의 기계 학습 모델을 개발하고 배포합니다. 데이터 과학자는 Python을 사용하여 스키마 파일을 명시적으로 생성해야 합니다.

이 스키마 파일은 Machine Learning 모델용으로 배포된 웹 서비스에 포함되어야 합니다. 웹 서비스용 스키마를 자동으로 생성하려면 배포된 모델의 항목 스크립트에 입/출력 샘플을 제공해야 합니다. 자세한 내용은 온라인 엔드포인트를 사용하여 기계 학습 모델 배포 및 점수 매기기를 참조하세요. 이 링크에는 스키마 생성을 위한 명령문이 있는 예제 항목 스크립트가 포함됩니다.

특히 항목 스크립트의 @input_schema 및 @output_schema 함수는 input_sample 및 output_sample 변수의 입력 및 출력 샘플 형식을 참조합니다. 함수는 이러한 샘플을 사용하여 배포 중에 웹 서비스에 대한 OpenAPI(Swagger) 사양을 생성합니다.

항목 스크립트를 업데이트하여 스키마 생성을 위한 이러한 지침은 Azure Machine Learning SDK를 사용하여 자동화된 기계 학습 실험을 통해 만든 모델에도 적용해야 합니다.

참고 항목

Azure Machine Learning 시각적 개체 인터페이스를 사용하여 만든 모델은 현재 스키마 생성을 지원하지 않지만 후속 릴리스에서는 지원할 예정입니다.

Power BI Azure Machine Learning 모델 호출

액세스 권한이 부여된 Azure Machine Learning 모델을 데이터 흐름의 파워 쿼리 편집기에서 직접 호출할 수 있습니다. Azure Machine Learning 모델에 액세스하려면 다음 이미지에 표시된 것처럼 Azure Machine Learning 모델의 인사이트로 보강하려는 테이블의 테이블 편집 단추를 선택합니다.

데이블 편집 단추를 선택하면 데이터 흐름의 테이블에 대한 파워 쿼리 편집기가 열립니다.

리본에서 AI 인사이트 단추를 선택하고 탐색 창 메뉴의 Azure Machine Learning 모델 폴더를 선택합니다. 액세스 권한이 있는 모든 Azure Machine Learning 모델이 여기에 파워 쿼리 함수로 나열됩니다. Azure Machine Learning 모델에 대한 입력 매개 변수도 자동으로 해당 파워 쿼리 함수의 매개 변수로 매핑됩니다.

Azure Machine Learning 모델을 호출하려면 선택한 테이블의 열을 드롭다운에서 입력으로 지정합니다. 입력 대화 상자 왼쪽으로 열 아이콘을 전환하여 입력으로 사용할 상수 값을 지정할 수도 있습니다.

Azure Machine Learning 모델 출력 미리 보기를 테이블 테이블에 새 열로 표시하려면 호출을 선택합니다. 모델 호출은 쿼리에 적용된 단계로 표시됩니다.

모델이 여러 출력 매개 변수를 반환하는 경우 해당 매개 변수가 출력 열에서 행으로 그룹화됩니다. 이 열을 확장하여 별도의 열에 개별 출력 매개 변수를 생성할 수 있습니다.

데이터 흐름을 저장하면 테이블의 모든 새 행 또는 업데이트된 행에 대해 데이터 흐름을 새로 고치는 경우 자동으로 모델이 호출됩니다.

고려 사항 및 제한 사항

• 데이터 흐름 Gen2는 현재 자동화된 기계 학습과 통합되지 않습니다.
• AI 인사이트(Cognitive Services 및 Azure Machine Learning 모델)는 프록시 인증 설정이 있는 머신에서 지원되지 않습니다.
• Azure Machine Learning 모델은 게스트 사용자에게 지원되지 않습니다.
• AutoML 및 Cognitive Services에서 게이트웨이를 사용하는 데는 몇 가지 알려진 문제가 있습니다. 게이트웨이를 사용해야 하는 경우 먼저 게이트웨이를 통해 필요한 데이터를 가져오는 데이터 흐름을 만드는 것이 좋습니다. 그런 다음, 첫 번째 데이터 흐름을 참조하는 다른 데이터 흐름을 만들어 이러한 모델 및 AI 함수를 만들거나 적용합니다.
• 데이터 흐름에 대한 AI 작업이 실패하는 경우 데이터 흐름과 함께 AI를 사용할 때 빠른 결합을 사용하도록 설정해야 할 수 있습니다. 테이블을 가져온 후 AI 기능 추가를 시작하기 전에 홈 리본에서 옵션을 선택하고 표시되는 창에서 데이터 결합 허용 옆의 확인란을 선택합니다. 여러 원본에서 기능을 사용하도록 설정한 다음 확인을 선택하여 선택 사항을 저장합니다. 그런 다음 데이터 흐름에 AI 기능을 추가할 수 있습니다.

관련 콘텐츠

이 문서에서는 Power BI 서비스의 데이터 흐름에 대한 자동화된 Machine Learning의 개요를 제공했습니다. 다음 문서도 유용할 수 있습니다.

• 자습서: Power BI에서 Machine Learning 모델 빌드
• 자습서: Power BI에서 Cognitive Services 사용

다음 문서에서는 데이터 흐름 및 Power BI에 관한 자세한 정보를 제공합니다.

• 데이터 흐름 및 셀프 서비스 데이터 준비 소개
• 데이터 흐름 만들기
• 데이터 흐름 구성 및 사용
• Azure Data Lake Gen 2를 사용하도록 데이터 흐름 스토리지 구성
• 데이터 흐름의 프리미엄 기능
• 데이터 흐름 고려 사항 및 제한 사항
• 데이터 흐름 모범 사례