Azure Machine Learning 작업 영역 만들기
Azure Machine Learning 작업 영역에 액세스하려면 먼저 Azure 구독에서 Azure Machine Learning 서비스를 만들어야 합니다. 작업 영역은 기계 학습 모델을 학습시키고 배포하는 데 사용할 수 있는 모든 리소스 및 자산으로 작업이 가능한 중앙 위치입니다. 재현성을 위해 작업 영역은 로그, 메트릭, 출력, 코드 스냅샷 등 모든 학습 작업의 기록을 저장합니다.
Azure Machine Learning Service 이해
Azure Machine Learning 서비스를 만들려면 다음을 수행해야 합니다.
Azure Portal를 통하는 방식 등으로 Azure에 액세스합니다.
로그인하여 Azure 구독에 대한 액세스 권한을 얻습니다.
구독 내에서 리소스 그룹을 만듭니다.
Azure Machine Learning Service를 만들어 작업 영역을 만듭니다.
작업 영역이 프로비저닝되면 Azure는 작업 영역을 지원하기 위해 동일한 리소스 그룹 내에 다른 Azure 리소스를 자동으로 만듭니다.
Azure Storage 계정: 작업 영역에 사용되는 파일 및 Notebook을 저장하고 작업 및 모델의 메타데이터를 저장합니다.
Azure Key Vault : 작업 영역에서 사용하는 인증 키와 자격 증명과 같은 비밀을 안전하게 관리합니다.
Application Insights: 작업 영역에서 예측 서비스를 모니터링합니다.
Azure Container Registry: Azure Machine Learning 환경의 이미지를 저장해야 하는 경우 생성됩니다.
작업 영역 만들기
다음과 같은 방법 중 하나로 Azure Machine Learning 작업 영역을 만들 수 있습니다.
- Azure Portal에서 사용자 인터페이스를 사용하여 Azure Machine Learning Service를 만듭니다.
- Azure Resource Manager(ARM) 템플릿을 만듭니다. ARM 템플릿을 사용하여 작업 영역을 만드는 방법을 알아봅니다.
- Azure CLI(명령줄 인터페이스)를 Azure Machine Learning CLI 확장과 함께 사용합니다. CLI v2를 사용하여 작업 영역을 만드는 방법을 알아봅니다.
- Azure Machine Learning Python SDK를 사용합니다.
예를 들어 다음 코드는 Python SDK를 사용하여 mlw-example이라는 작업 영역을 만듭니다.
from azure.ai.ml.entities import Workspace
workspace_name = "mlw-example"
ws_basic = Workspace(
name=workspace_name,
location="eastus",
display_name="Basic workspace-example",
description="This example shows how to create a basic workspace",
)
ml_client.workspaces.begin_create(ws_basic)
Azure Portal의 작업 영역 살펴보기
Azure Machine Learning 작업 영역은 일반적으로 만드는 데 5~10분 정도 걸립니다. 작업 영역을 만들 때는 작업 영역을 선택하여 세부 정보를 볼 수 있습니다.
Azure Portal에 있는 Azure Machine Learning 작업 영역의 개요 페이지에서 Azure Machine Learning 스튜디오를 실행할 수 있습니다. Azure Machine Learning 스튜디오 웹 포털이며 작업 영역에서 리소스 및 자산을 만들고, 관리하고, 사용할 수 있는 사용하기 쉬운 인터페이스를 제공합니다.
Azure Portal에서 액세스 제어를 사용하여 다른 사용자에게 Azure Machine Learning 작업 영역에 대한 액세스 권한을 부여할 수도 있습니다.
Azure Machine Learning 작업 영역에 대한 액세스 권한 부여
개별 사용자 또는 팀에게 Azure Machine Learning 작업 영역에 대한 액세스 권한을 부여할 수 있습니다. 리소스 또는 리소스 그룹의 액세스 제어 탭에서 구성할 수 있는 RBAC(역할 기반 액세스 제어)를 사용하여 Azure에서 액세스 권한을 부여합니다.
액세스 제어 탭에서 권한을 관리하여 특정 사용자 또는 팀이 수행할 수 있는 작업을 제한할 수 있습니다. 예를 들어 Azure 관리자 그룹의 사용자만 컴퓨팅 대상 및 데이터 저장소를 만들 수 있도록 허용하는 정책을 만들 수 있습니다. 데이터 과학자 그룹의 사용자는 작업을 만들고 실행하여 모델을 학습시키고 모델을 등록할 수 있습니다.
다음과 같이 세 가지 일반적인 기본 제공 역할을 리소스 및 리소스 그룹에서 다른 사용자에게 권한을 할당하는 데 사용할 수 있습니다.
- 소유자: 모든 리소스에 대한 모든 권한을 가져오고 액세스 제어를 사용하여 다른 리소스에 대한 액세스 권한을 부여할 수 있습니다.
- 기여자: 모든 리소스에 대한 모든 권한이 부여되지만 다른 리소스에 대한 액세스 권한을 부여할 수는 없습니다.
- 읽기 권한자: 리소스를 볼 수만 있고 변경할 수는 없습니다.
추가로 Azure Machine Learning에는 사용할 수 있는 특정 기본 제공 역할이 있습니다.
- AzureML 데이터 과학자: 컴퓨팅 리소스를 만들거나 삭제하거나 작업 영역 설정을 편집하는 경우를 제외하고 작업 영역 내의 모든 작업을 수행할 수 있습니다.
- AzureML 컴퓨팅 연산자: 작업 영역 내에서 컴퓨팅 리소스에 대한 액세스를 만들고, 변경하고, 관리할 수 있습니다.
마지막으로 기본 제공 역할이 요구 사항을 충족하지 않는 경우 사용자 지정 역할을 만들어 다른 사용자에게 권한을 할당할 수 있습니다.
작업 영역 구성
처음에는 하나의 작업 영역으로만 작업할 수 있습니다. 그러나 대규모 프로젝트를 진행할 때는 여러 작업 영역을 사용하도록 선택할 수 있습니다.
작업 영역을 사용하여 프로젝트, 배포 환경(예: 테스트 및 프로덕션), 팀 또는 기타 구성 원칙에 따라 기계 학습 자산을 그룹화할 수 있습니다.
팁
엔터프라이즈 환경에 맞춰 Azure Machine Learning 작업 영역을 구성하는 방법을 자세히 알아보세요.