You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
350 lines
28 KiB
350 lines
28 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "bd4da10766c64fce4294a98f6479dfb0",
|
|
"translation_date": "2025-09-05T12:55:44+00:00",
|
|
"source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
|
|
"language_code": "ko"
|
|
}
|
|
-->
|
|
# 클라우드에서의 데이터 과학: "로우 코드/노 코드" 방식
|
|
|
|
| ](../../sketchnotes/18-DataScience-Cloud.png)|
|
|
|:---:|
|
|
| 클라우드에서의 데이터 과학: 로우 코드 - _스케치노트 by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
목차:
|
|
|
|
- [클라우드에서의 데이터 과학: "로우 코드/노 코드" 방식](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [강의 전 퀴즈](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [1. 소개](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [1.1 Azure Machine Learning이란?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [1.2 심부전 예측 프로젝트:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [1.3 심부전 데이터셋:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2. Azure ML Studio에서 로우 코드/노 코드 방식으로 모델 학습](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.1 Azure ML 작업 공간 생성](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.2 컴퓨팅 리소스](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.2.1 컴퓨팅 리소스에 적합한 옵션 선택](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.2.2 컴퓨팅 클러스터 생성](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.3 데이터셋 로드](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [2.4 AutoML을 활용한 로우 코드/노 코드 학습](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [3. 로우 코드/노 코드 방식으로 모델 배포 및 엔드포인트 활용](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [3.1 모델 배포](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [3.2 엔드포인트 활용](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [🚀 도전 과제](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [강의 후 퀴즈](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [복습 및 자기 학습](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
- [과제](../../../../5-Data-Science-In-Cloud/18-Low-Code)
|
|
|
|
## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ds/quiz/34)
|
|
|
|
## 1. 소개
|
|
### 1.1 Azure Machine Learning이란?
|
|
|
|
Azure 클라우드 플랫폼은 200개 이상의 제품과 클라우드 서비스를 제공하여 새로운 솔루션을 구현할 수 있도록 설계되었습니다.
|
|
데이터 과학자들은 데이터를 탐색하고 전처리하며, 다양한 모델 학습 알고리즘을 시도하여 정확한 모델을 생성하는 데 많은 노력을 기울입니다. 이러한 작업은 시간이 많이 소요되며, 종종 고가의 컴퓨팅 하드웨어를 비효율적으로 사용하는 경우가 많습니다.
|
|
|
|
[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)은 Azure에서 머신러닝 솔루션을 구축하고 운영할 수 있는 클라우드 기반 플랫폼입니다. 이 플랫폼은 데이터 준비, 모델 학습, 예측 서비스 게시, 사용 모니터링 등 데이터 과학자들을 위한 다양한 기능과 도구를 제공합니다. 특히, 모델 학습과 관련된 시간 소모적인 작업을 자동화하여 효율성을 높이고, 대량의 데이터를 처리할 수 있는 클라우드 기반 컴퓨팅 리소스를 효과적으로 확장하며, 실제 사용 시에만 비용이 발생하도록 합니다.
|
|
|
|
Azure ML은 머신러닝 워크플로우를 위한 모든 도구를 제공합니다. 주요 도구는 다음과 같습니다:
|
|
|
|
- **Azure Machine Learning Studio**: 모델 학습, 배포, 자동화, 추적 및 자산 관리를 위한 로우 코드/노 코드 옵션을 제공하는 웹 포털입니다. Azure Machine Learning SDK와 통합되어 원활한 경험을 제공합니다.
|
|
- **Jupyter Notebooks**: ML 모델을 빠르게 프로토타입하고 테스트할 수 있습니다.
|
|
- **Azure Machine Learning Designer**: 모듈을 드래그 앤 드롭하여 실험을 구축하고 로우 코드 환경에서 파이프라인을 배포할 수 있습니다.
|
|
- **자동화된 머신러닝 UI (AutoML)**: 반복적인 머신러닝 모델 개발 작업을 자동화하여 높은 확장성, 효율성, 생산성을 유지하면서도 모델 품질을 보장합니다.
|
|
- **데이터 라벨링**: 데이터를 자동으로 라벨링할 수 있는 보조 ML 도구입니다.
|
|
- **Visual Studio Code용 머신러닝 확장**: ML 프로젝트를 구축하고 관리할 수 있는 완전한 개발 환경을 제공합니다.
|
|
- **머신러닝 CLI**: 명령줄에서 Azure ML 리소스를 관리할 수 있는 명령어를 제공합니다.
|
|
- **PyTorch, TensorFlow, Scikit-learn 등 오픈소스 프레임워크와의 통합**: 모델 학습, 배포, 엔드투엔드 머신러닝 프로세스를 관리할 수 있습니다.
|
|
- **MLflow**: 머신러닝 실험의 라이프사이클을 관리하기 위한 오픈소스 라이브러리입니다. **MLflow Tracking**은 실험 환경에 관계없이 학습 실행 메트릭과 모델 아티팩트를 기록하고 추적합니다.
|
|
|
|
### 1.2 심부전 예측 프로젝트:
|
|
|
|
프로젝트를 만들고 구축하는 것은 자신의 기술과 지식을 테스트하는 가장 좋은 방법입니다. 이번 강의에서는 Azure ML Studio에서 심부전 예측 프로젝트를 두 가지 방식으로 구축하는 방법을 탐구합니다: 로우 코드/노 코드 방식과 Azure ML SDK를 사용하는 방식입니다. 아래의 스키마를 참고하세요:
|
|
|
|
|
|
|
|
각 방식은 장단점이 있습니다. 로우 코드/노 코드 방식은 GUI(그래픽 사용자 인터페이스)를 사용하므로 코드에 대한 사전 지식 없이도 쉽게 시작할 수 있습니다. 이 방법은 프로젝트의 실행 가능성을 빠르게 테스트하고 POC(개념 증명)를 생성하는 데 적합합니다. 하지만 프로젝트가 성장하고 프로덕션 준비가 필요해지면 GUI를 통해 리소스를 생성하는 것은 비효율적입니다. 이때는 Azure ML SDK를 사용하여 리소스 생성부터 모델 배포까지 모든 것을 프로그래밍적으로 자동화하는 것이 중요합니다.
|
|
|
|
| | 로우 코드/노 코드 | Azure ML SDK |
|
|
|-------------------|------------------|---------------------------|
|
|
| 코드 전문성 | 필요 없음 | 필요 |
|
|
| 개발 시간 | 빠르고 쉬움 | 코드 전문성에 따라 다름 |
|
|
| 프로덕션 준비 | 아니오 | 예 |
|
|
|
|
### 1.3 심부전 데이터셋:
|
|
|
|
심혈관 질환(CVD)은 전 세계 사망 원인 1위로, 전 세계 사망의 31%를 차지합니다. 담배 사용, 건강하지 못한 식단과 비만, 신체 활동 부족, 과도한 음주와 같은 환경적 및 행동적 위험 요인은 예측 모델의 특징으로 사용할 수 있습니다. CVD 발생 가능성을 예측할 수 있다면 고위험군에서 발작을 예방하는 데 큰 도움이 될 수 있습니다.
|
|
|
|
Kaggle은 [심부전 데이터셋](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data)을 공개적으로 제공하며, 이번 프로젝트에서 이 데이터를 사용할 것입니다. 지금 데이터를 다운로드할 수 있습니다. 이 데이터셋은 13개의 열(12개의 특징과 1개의 타겟 변수)과 299개의 행으로 구성된 표 형식 데이터입니다.
|
|
|
|
| | 변수 이름 | 유형 | 설명 | 예시 |
|
|
|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
|
|
| 1 | age | 숫자형 | 환자의 나이 | 25 |
|
|
| 2 | anaemia | 불리언 | 적혈구 또는 헤모글로빈 감소 | 0 또는 1 |
|
|
| 3 | creatinine_phosphokinase | 숫자형 | 혈액 내 CPK 효소 수치 | 542 |
|
|
| 4 | diabetes | 불리언 | 환자가 당뇨병이 있는지 여부 | 0 또는 1 |
|
|
| 5 | ejection_fraction | 숫자형 | 심장이 수축할 때 배출되는 혈액의 비율 | 45 |
|
|
| 6 | high_blood_pressure | 불리언 | 환자가 고혈압이 있는지 여부 | 0 또는 1 |
|
|
| 7 | platelets | 숫자형 | 혈액 내 혈소판 수치 | 149000 |
|
|
| 8 | serum_creatinine | 숫자형 | 혈액 내 혈청 크레아티닌 수치 | 0.5 |
|
|
| 9 | serum_sodium | 숫자형 | 혈액 내 혈청 나트륨 수치 | jun |
|
|
| 10 | sex | 불리언 | 여성 또는 남성 | 0 또는 1 |
|
|
| 11 | smoking | 불리언 | 환자가 흡연자인지 여부 | 0 또는 1 |
|
|
| 12 | time | 숫자형 | 추적 기간(일) | 4 |
|
|
|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
|
|
| 21 | DEATH_EVENT [타겟] | 불리언 | 추적 기간 동안 환자가 사망했는지 여부 | 0 또는 1 |
|
|
|
|
데이터셋을 준비한 후, Azure에서 프로젝트를 시작할 수 있습니다.
|
|
|
|
## 2. Azure ML Studio에서 로우 코드/노 코드 방식으로 모델 학습
|
|
### 2.1 Azure ML 작업 공간 생성
|
|
Azure ML에서 모델을 학습시키려면 먼저 Azure ML 작업 공간을 생성해야 합니다. 작업 공간은 Azure Machine Learning의 최상위 리소스로, Azure Machine Learning을 사용할 때 생성하는 모든 아티팩트를 중앙에서 관리할 수 있는 공간을 제공합니다. 작업 공간은 로그, 메트릭, 출력 및 스크립트 스냅샷을 포함한 모든 학습 실행 기록을 보관합니다. 이를 통해 어떤 학습 실행이 가장 우수한 모델을 생성했는지 확인할 수 있습니다. [자세히 알아보기](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
|
|
|
운영 체제와 호환되는 최신 브라우저를 사용하는 것이 권장됩니다. 지원되는 브라우저는 다음과 같습니다:
|
|
|
|
- Microsoft Edge (최신 버전의 새로운 Microsoft Edge. Microsoft Edge 레거시는 제외)
|
|
- Safari (최신 버전, Mac 전용)
|
|
- Chrome (최신 버전)
|
|
- Firefox (최신 버전)
|
|
|
|
Azure Machine Learning을 사용하려면 Azure 구독에서 작업 공간을 생성하세요. 그런 다음 이 작업 공간을 사용하여 데이터, 컴퓨팅 리소스, 코드, 모델 및 머신러닝 작업과 관련된 기타 아티팩트를 관리할 수 있습니다.
|
|
|
|
> **_참고:_** Azure Machine Learning 작업 공간이 구독에 존재하는 한 데이터 저장소에 대해 소액의 비용이 청구됩니다. 더 이상 사용하지 않을 경우 작업 공간을 삭제하는 것을 권장합니다.
|
|
|
|
1. [Azure 포털](https://ms.portal.azure.com/)에 Microsoft 계정으로 로그인합니다.
|
|
2. **＋리소스 생성**을 선택합니다.
|
|
|
|
|
|
|
|
Machine Learning을 검색하고 Machine Learning 타일을 선택합니다.
|
|
|
|
|
|
|
|
생성 버튼을 클릭합니다.
|
|
|
|
|
|
|
|
다음과 같이 설정을 입력합니다:
|
|
- 구독: Azure 구독
|
|
- 리소스 그룹: 리소스 그룹 생성 또는 선택
|
|
- 작업 공간 이름: 작업 공간의 고유 이름 입력
|
|
- 지역: 가장 가까운 지리적 지역 선택
|
|
- 저장소 계정: 작업 공간에 대해 생성될 기본 새 저장소 계정 확인
|
|
- 키 자격 증명 모음: 작업 공간에 대해 생성될 기본 새 키 자격 증명 모음 확인
|
|
- 애플리케이션 인사이트: 작업 공간에 대해 생성될 기본 새 애플리케이션 인사이트 리소스 확인
|
|
- 컨테이너 레지스트리: 없음 (모델을 컨테이너에 처음 배포할 때 자동으로 생성됨)
|
|
|
|
|
|
|
|
- 검토 + 생성 버튼을 클릭한 후 생성 버튼을 클릭합니다.
|
|
3. 작업 공간이 생성될 때까지 기다립니다(몇 분 소요될 수 있음). 그런 다음 포털에서 작업 공간으로 이동합니다. Machine Learning Azure 서비스를 통해 찾을 수 있습니다.
|
|
4. 작업 공간의 개요 페이지에서 Azure Machine Learning Studio를 실행하거나 새 브라우저 탭을 열고 https://ml.azure.com으로 이동하여 Microsoft 계정으로 Azure Machine Learning Studio에 로그인합니다. 요청 시 Azure 디렉터리와 구독, Azure Machine Learning 작업 공간을 선택합니다.
|
|
|
|
|
|
|
|
5. Azure Machine Learning Studio에서 왼쪽 상단의 ☰ 아이콘을 전환하여 인터페이스의 다양한 페이지를 확인합니다. 이 페이지를 사용하여 작업 공간의 리소스를 관리할 수 있습니다.
|
|
|
|
|
|
|
|
Azure 포털을 사용하여 작업 공간을 관리할 수 있지만, 데이터 과학자와 머신러닝 운영 엔지니어에게는 Azure Machine Learning Studio가 작업 공간 리소스를 관리하기 위한 더 집중된 사용자 인터페이스를 제공합니다.
|
|
|
|
### 2.2 컴퓨팅 리소스
|
|
|
|
컴퓨팅 리소스는 모델 학습 및 데이터 탐색 프로세스를 실행할 수 있는 클라우드 기반 리소스입니다. 생성할 수 있는 컴퓨팅 리소스는 네 가지 유형이 있습니다:
|
|
|
|
- **컴퓨팅 인스턴스**: 데이터 과학자가 데이터와 모델을 작업할 수 있는 개발 워크스테이션입니다. 여기에는 가상 머신(VM)을 생성하고 노트북 인스턴스를 실행하는 작업이 포함됩니다. 그런 다음 노트북에서 컴퓨팅 클러스터를 호출하여 모델을 학습시킬 수 있습니다.
|
|
- **컴퓨팅 클러스터**: 실험 코드를 온디맨드로 처리할 수 있는 확장 가능한 VM 클러스터입니다. 모델을 학습시킬 때 필요합니다. 컴퓨팅 클러스터는 GPU 또는 CPU와 같은 특수 리소스를 사용할 수도 있습니다.
|
|
- **추론 클러스터**: 학습된 모델을 사용하는 예측 서비스를 배포하기 위한 대상입니다.
|
|
- **Attached Compute**: 기존 Azure 컴퓨팅 리소스(예: Virtual Machines 또는 Azure Databricks 클러스터)에 연결합니다.
|
|
|
|
#### 2.2.1 컴퓨팅 리소스를 위한 적합한 옵션 선택하기
|
|
|
|
컴퓨팅 리소스를 생성할 때 고려해야 할 몇 가지 주요 요소가 있으며, 이러한 선택은 중요한 결정이 될 수 있습니다.
|
|
|
|
**CPU가 필요합니까, 아니면 GPU가 필요합니까?**
|
|
|
|
CPU(중앙 처리 장치)는 컴퓨터 프로그램을 구성하는 명령을 실행하는 전자 회로입니다. GPU(그래픽 처리 장치)는 그래픽 관련 코드를 매우 빠르게 실행할 수 있는 특수 전자 회로입니다.
|
|
|
|
CPU와 GPU 아키텍처의 주요 차이점은 CPU는 다양한 작업을 빠르게 처리하도록 설계되었지만(이는 CPU 클럭 속도로 측정됨), 동시에 실행할 수 있는 작업의 수가 제한적이라는 점입니다. 반면 GPU는 병렬 컴퓨팅에 최적화되어 있어 딥러닝 작업에 훨씬 더 적합합니다.
|
|
|
|
| CPU | GPU |
|
|
|-----------------------------------------|-----------------------------|
|
|
| 비용이 저렴함 | 비용이 비쌈 |
|
|
| 낮은 수준의 동시성 | 높은 수준의 동시성 |
|
|
| 딥러닝 모델 훈련 속도가 느림 | 딥러닝에 최적화됨 |
|
|
|
|
**클러스터 크기**
|
|
|
|
클러스터가 클수록 비용이 더 많이 들지만 응답성이 향상됩니다. 따라서 시간이 충분하지만 예산이 부족하다면 작은 클러스터로 시작해야 합니다. 반대로 예산은 충분하지만 시간이 부족하다면 큰 클러스터로 시작해야 합니다.
|
|
|
|
**VM 크기**
|
|
|
|
시간과 예산 제약에 따라 RAM, 디스크, 코어 수 및 클럭 속도의 크기를 조정할 수 있습니다. 이러한 모든 매개변수를 증가시키면 비용이 더 많이 들지만 성능이 향상됩니다.
|
|
|
|
**전용 인스턴스 또는 저우선순위 인스턴스?**
|
|
|
|
저우선순위 인스턴스는 중단 가능하다는 것을 의미합니다. 즉, Microsoft Azure가 해당 리소스를 다른 작업에 할당하여 작업을 중단할 수 있습니다. 전용 인스턴스(중단 불가능)는 작업이 사용자의 허가 없이 종료되지 않음을 의미합니다. 이는 시간과 비용을 고려해야 하는 또 다른 요소로, 중단 가능한 인스턴스는 전용 인스턴스보다 저렴합니다.
|
|
|
|
#### 2.2.2 컴퓨팅 클러스터 생성하기
|
|
|
|
이전에 생성한 [Azure ML 워크스페이스](https://ml.azure.com/)에서 컴퓨팅으로 이동하면 방금 논의한 다양한 컴퓨팅 리소스(예: 컴퓨팅 인스턴스, 컴퓨팅 클러스터, 추론 클러스터 및 연결된 컴퓨팅)를 확인할 수 있습니다. 이번 프로젝트에서는 모델 훈련을 위해 컴퓨팅 클러스터가 필요합니다. Studio에서 "Compute" 메뉴를 클릭한 후 "Compute cluster" 탭을 선택하고 "+ New" 버튼을 클릭하여 컴퓨팅 클러스터를 생성합니다.
|
|
|
|
|
|
|
|
1. 옵션 선택: 전용 vs 저우선순위, CPU 또는 GPU, VM 크기 및 코어 수(이 프로젝트에서는 기본 설정을 유지할 수 있습니다).
|
|
2. "Next" 버튼을 클릭합니다.
|
|
|
|
|
|
|
|
3. 클러스터에 컴퓨팅 이름을 지정합니다.
|
|
4. 옵션 선택: 최소/최대 노드 수, 축소 전 유휴 시간, SSH 액세스. 최소 노드 수가 0이면 클러스터가 유휴 상태일 때 비용을 절약할 수 있습니다. 최대 노드 수가 많을수록 훈련 시간이 짧아집니다. 권장되는 최대 노드 수는 3입니다.
|
|
5. "Create" 버튼을 클릭합니다. 이 단계는 몇 분 정도 소요될 수 있습니다.
|
|
|
|
|
|
|
|
좋습니다! 이제 컴퓨팅 클러스터가 생성되었으니 데이터를 Azure ML Studio에 로드해야 합니다.
|
|
|
|
### 2.3 데이터셋 로드하기
|
|
|
|
1. 이전에 생성한 [Azure ML 워크스페이스](https://ml.azure.com/)에서 왼쪽 메뉴에서 "Datasets"를 클릭하고 "+ Create dataset" 버튼을 클릭하여 데이터셋을 생성합니다. "From local files" 옵션을 선택하고 이전에 다운로드한 Kaggle 데이터셋을 선택합니다.
|
|
|
|
|
|
|
|
2. 데이터셋에 이름, 유형 및 설명을 지정합니다. "Next"를 클릭합니다. 파일에서 데이터를 업로드합니다. "Next"를 클릭합니다.
|
|
|
|
|
|
|
|
3. 스키마에서 다음 특징에 대해 데이터 유형을 Boolean으로 변경합니다: anaemia, diabetes, high blood pressure, sex, smoking, DEATH_EVENT. "Next"를 클릭하고 "Create"를 클릭합니다.
|
|
|
|
|
|
|
|
좋습니다! 이제 데이터셋이 준비되었고 컴퓨팅 클러스터가 생성되었으니 모델 훈련을 시작할 수 있습니다!
|
|
|
|
### 2.4 AutoML을 활용한 저코드/무코드 훈련
|
|
|
|
전통적인 머신러닝 모델 개발은 많은 리소스를 필요로 하며, 상당한 도메인 지식과 시간이 요구됩니다. 자동화된 머신러닝(AutoML)은 머신러닝 모델 개발의 시간 소모적이고 반복적인 작업을 자동화하는 과정입니다. 이를 통해 데이터 과학자, 분석가 및 개발자는 높은 규모, 효율성 및 생산성을 유지하면서도 모델 품질을 유지하며 ML 모델을 구축할 수 있습니다. AutoML은 프로덕션 준비가 된 ML 모델을 더 빠르고 쉽게 생성할 수 있도록 도와줍니다. [자세히 알아보기](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
|
|
|
1. 이전에 생성한 [Azure ML 워크스페이스](https://ml.azure.com/)에서 왼쪽 메뉴에서 "Automated ML"을 클릭하고 방금 업로드한 데이터셋을 선택합니다. "Next"를 클릭합니다.
|
|
|
|
|
|
|
|
2. 새로운 실험 이름, 대상 열(DEATH_EVENT) 및 생성한 컴퓨팅 클러스터를 입력합니다. "Next"를 클릭합니다.
|
|
|
|
|
|
|
|
3. "Classification"을 선택하고 "Finish"를 클릭합니다. 이 단계는 컴퓨팅 클러스터 크기에 따라 30분에서 1시간 정도 소요될 수 있습니다.
|
|
|
|
|
|
|
|
4. 실행이 완료되면 "Automated ML" 탭을 클릭하고 실행을 선택한 후 "Best model summary" 카드에서 알고리즘을 클릭합니다.
|
|
|
|
|
|
|
|
여기에서 AutoML이 생성한 최적의 모델에 대한 자세한 설명을 확인할 수 있습니다. 또한 "Models" 탭에서 다른 모델을 탐색할 수 있습니다. "Explanations (preview)" 버튼에서 모델을 몇 분 동안 탐색해 보세요. AutoML이 선택한 최적의 모델을 사용하기로 결정한 후, 이를 배포하는 방법을 살펴보겠습니다.
|
|
|
|
## 3. 저코드/무코드 모델 배포 및 엔드포인트 소비
|
|
### 3.1 모델 배포
|
|
|
|
자동화된 머신러닝 인터페이스를 통해 몇 단계만으로 최적의 모델을 웹 서비스로 배포할 수 있습니다. 배포는 모델을 통합하여 새로운 데이터를 기반으로 예측을 수행하고 잠재적인 기회를 식별할 수 있도록 하는 과정입니다. 이번 프로젝트에서는 웹 서비스로의 배포를 통해 의료 애플리케이션이 모델을 활용하여 환자의 심장마비 위험을 실시간으로 예측할 수 있도록 합니다.
|
|
|
|
최적의 모델 설명에서 "Deploy" 버튼을 클릭합니다.
|
|
|
|
|
|
|
|
15. 이름, 설명, 컴퓨팅 유형(Azure Container Instance), 인증 활성화를 설정하고 "Deploy"를 클릭합니다. 이 단계는 약 20분 정도 소요될 수 있습니다. 배포 과정은 모델 등록, 리소스 생성 및 웹 서비스 구성을 포함합니다. 배포 상태 아래에 상태 메시지가 나타납니다. 상태를 확인하려면 주기적으로 "Refresh"를 선택하세요. 상태가 "Healthy"일 때 배포가 완료되고 실행 중입니다.
|
|
|
|
|
|
|
|
16. 배포가 완료되면 "Endpoint" 탭을 클릭하고 방금 배포한 엔드포인트를 선택합니다. 여기에서 엔드포인트에 대한 모든 세부 정보를 확인할 수 있습니다.
|
|
|
|
|
|
|
|
멋집니다! 이제 모델이 배포되었으니 엔드포인트 소비를 시작할 수 있습니다.
|
|
|
|
### 3.2 엔드포인트 소비
|
|
|
|
"Consume" 탭을 클릭합니다. 여기에서 REST 엔드포인트와 소비 옵션에 대한 Python 스크립트를 확인할 수 있습니다. Python 코드를 읽어보세요.
|
|
|
|
이 스크립트는 로컬 머신에서 직접 실행할 수 있으며 엔드포인트를 소비합니다.
|
|
|
|
|
|
|
|
다음 두 줄의 코드를 확인해 보세요:
|
|
|
|
```python
|
|
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
|
|
api_key = '' # Replace this with the API key for the web service
|
|
```
|
|
`url` 변수는 소비 탭에서 찾을 수 있는 REST 엔드포인트이며, `api_key` 변수는 인증을 활성화한 경우 소비 탭에서 찾을 수 있는 기본 키입니다. 이 스크립트는 이러한 정보를 사용하여 엔드포인트를 소비합니다.
|
|
|
|
18. 스크립트를 실행하면 다음과 같은 출력이 표시됩니다:
|
|
```python
|
|
b'"{\\"result\\": [true]}"'
|
|
```
|
|
이는 제공된 데이터에 대한 심부전 예측이 참임을 의미합니다. 스크립트에 자동으로 생성된 데이터를 자세히 살펴보면 모든 값이 기본적으로 0이고 거짓임을 알 수 있습니다. 다음 입력 샘플로 데이터를 변경할 수 있습니다:
|
|
|
|
```python
|
|
data = {
|
|
"data":
|
|
[
|
|
{
|
|
'age': "0",
|
|
'anaemia': "false",
|
|
'creatinine_phosphokinase': "0",
|
|
'diabetes': "false",
|
|
'ejection_fraction': "0",
|
|
'high_blood_pressure': "false",
|
|
'platelets': "0",
|
|
'serum_creatinine': "0",
|
|
'serum_sodium': "0",
|
|
'sex': "false",
|
|
'smoking': "false",
|
|
'time': "0",
|
|
},
|
|
{
|
|
'age': "60",
|
|
'anaemia': "false",
|
|
'creatinine_phosphokinase': "500",
|
|
'diabetes': "false",
|
|
'ejection_fraction': "38",
|
|
'high_blood_pressure': "false",
|
|
'platelets': "260000",
|
|
'serum_creatinine': "1.40",
|
|
'serum_sodium': "137",
|
|
'sex': "false",
|
|
'smoking': "false",
|
|
'time': "130",
|
|
},
|
|
],
|
|
}
|
|
```
|
|
스크립트는 다음을 반환해야 합니다:
|
|
```python
|
|
b'"{\\"result\\": [true, false]}"'
|
|
```
|
|
|
|
축하합니다! 배포된 모델을 소비하고 Azure ML에서 훈련을 완료했습니다!
|
|
|
|
> **_NOTE:_** 프로젝트가 완료되면 모든 리소스를 삭제하는 것을 잊지 마세요.
|
|
|
|
## 🚀 도전 과제
|
|
|
|
AutoML이 생성한 최상위 모델에 대한 설명과 세부 정보를 자세히 살펴보세요. 최적의 모델이 다른 모델보다 왜 더 나은지 이해해 보세요. 어떤 알고리즘이 비교되었나요? 그들 간의 차이점은 무엇인가요? 이번 사례에서 최적의 모델이 더 잘 작동하는 이유는 무엇인가요?
|
|
|
|
## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ds/quiz/35)
|
|
|
|
## 복습 및 자기 학습
|
|
|
|
이번 강의에서는 클라우드에서 저코드/무코드 방식으로 심부전 위험을 예측하는 모델을 훈련, 배포 및 소비하는 방법을 배웠습니다. 아직 하지 않았다면 AutoML이 생성한 최상위 모델에 대한 설명을 더 깊이 탐구하고 최적의 모델이 다른 모델보다 왜 더 나은지 이해해 보세요.
|
|
|
|
저코드/무코드 AutoML에 대해 더 알아보려면 이 [문서](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)를 읽어보세요.
|
|
|
|
## 과제
|
|
|
|
[Azure ML에서 저코드/무코드 데이터 과학 프로젝트](assignment.md)
|
|
|
|
---
|
|
|
|
**면책 조항**:
|
|
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생할 수 있는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다. |