Machine Learning Studio(클래식) 모델이 실험에서 웹 서비스로 진행되는 방법

적용 대상: 이는 이 문서가 Machine Learning Studio(클래식)에 적용된다는 것을 의미하는 확인 표시입니다.Machine Learning Studio(클래식) X입니다. 즉, 이 문서는 Azure Machine Learning에 적용되지 않습니다.Azure Machine Learning

Important

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

2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.

ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.

Machine Learning Studio(클래식)는 예측 분석 모델을 나타내는 실험을 개발, 실행, 테스트, 반복할 수 있는 대화형 캔버스를 제공합니다. 다음과 같은 다양한 모듈을 사용할 수 있습니다.

  • 실험에 데이터 입력
  • 데이터 조작
  • 기계 학습 알고리즘을 사용하여 모델 학습
  • 모델 점수 매기기
  • 결과 평가
  • 최종 값 출력

실험에 만족했으면 사용자가 새 데이터를 전송하고 그 결과를 다시 받을 수 있도록 해당 실험을 Machine Learning(클래식) 웹 서비스 또는 Azure Machine Learning 웹 서비스로 배포할 수 있습니다.

이 문서에서는 Machine Learning 모델이 개발 실험에서 운영화된 웹 서비스로 어떻게 진행되는지에 대한 메커니즘을 간략하게 설명합니다.

참고 항목

기계 학습 모델을 개발하고 배포하는 다른 방법이 있지만 이 문서에서는 Machine Learning Studio(클래식)를 사용하는 방법에 초점을 맞췄습니다. 예를 들어 R을 사용하여 클래식 예측 웹 서비스를 만드는 방법에 대한 설명을 읽으려면 RStudio 및 Azure Machine Learning 스튜디오 사용하여 빌드 및 예측 Web Apps 배포 블로그 게시물을 참조하세요.

Machine Learning Studio(클래식)는 예측 분석 모델을 개발하고 배포하는 데 도움이 되도록 설계되어 있지만 Studio(클래식)를 사용하여 예측 분석 모델을 포함하지 않는 실험을 개발할 수 있습니다. 예를 들어 실험으로 단지 데이터를 입력 및 조작한 후 결과를 출력할 수 있습니다. 예측 분석 실험과 마찬가지로 이 비 예측 실험을 웹 서비스로 배포할 수 있지만, 실험이 기계 학습 모델을 학습하거나 채점하지 않으므로 더 간단한 프로세스입니다. 일반적으로 Studio(클래식)를 이런 방식으로 사용하지는 않지만 Studio(클래식) 작동 방식을 완벽하게 설명할 수 있도록 계속 논의할 것입니다.

예측 웹 서비스 개발 및 배포

Machine Learning Studio(클래식)를 사용하여 개발 및 배포할 때 일반적인 솔루션이 따르는 단계는 다음과 같습니다.

배포 흐름

그림 1 - 일반적인 예측 분석 모델의 단계

학습 실험

학습 실험은 Machine Learning Studio(클래식)에서 웹 서비스를 개발하기 위한 초기 단계입니다. 학습 실험의 목적은 기계 학습 모델을 개발, 테스트, 반복하고 최종적으로 학습할 장소를 제공하는 것입니다. 최적의 솔루션을 찾으면서 여러 모델을 동시에 학습할 수도 있으나 실험을 완료한 후에는 하나의 학습 모델을 선택하고 나머지 모델은 실험에서 제거합니다. 예측 분석 실험 개발의 예제는 Machine Learning Studio(클래식)의 신용 위험 평가에 대한 예측 분석 솔루션 개발을 참조하세요.

예측 실험

학습 실험에 학습된 모델이 있으면 웹 서비스 설정을 클릭하고 Machine Learning Studio(클래식)에서 예측 웹 서비스를 선택하여 학습 실험을 예측 실험으로 변환하는 프로세스를 시작합니다. 예측 실험의 목적은 학습된 모델을 사용하여 새 데이터의 점수를 매기는 것이며, 결국 Azure 웹 서비스로 운영되는 것을 목표로 합니다.

이 변환은 다음 단계를 통해 수행됩니다.

  • 학습에 사용되는 모듈 집합을 단일 모듈로 변환하고 학습된 모델로 저장
  • 점수 매기기와 관련이 없는 불필요한 모듈 제거
  • 최종 웹 서비스에서 사용할 입력 및 출력 포트 추가

예측 실험을 웹 서비스로 배포할 준비가 되도록 변경하려는 변경 내용이 더 있을 수 있습니다. 예를 들어 웹 서비스가 결과의 하위 집합만 출력하도록 하려면 출력 포트 앞에 필터링 모듈을 추가할 수 있습니다.

이 변환 프로세스에서는 학습 실험이 삭제되지 않습니다. 프로세스가 완료되면 Studio(클래식)에 두 개의 탭이 생깁니다. 하나는 학습 실험용이고, 다른 하나는 예측 실험용입니다. 이렇게 하면 웹 서비스를 배포하고 예측 실험을 다시 빌드하기 전에 학습 실험을 변경할 수 있습니다. 또는 학습 실험의 복사본을 저장하고 실험의 다른 줄을 시작할 수 있습니다.

참고 항목

예측 웹 서비스를 클릭하면 자동 프로세스를 시작하여 학습 실험을 예측 실험으로 변환하며 대부분의 경우 잘 작동합니다. 동시에 참가할 학습에 대해 여러 경로가 있는 것처럼 학습 실험이 복잡한 경우에는 수동 변환을 선호할 수 있습니다. 자세한 내용은 Machine Learning Studio(클래식)에서 배포를 위해 모델을 준비하는 방법을 참조하세요.

웹 서비스

예측 실험이 준비되면 Azure Resource Manager를 기반으로 하는 클래식 웹 서비스 또는 새 웹 서비스로 서비스를 배포할 수 있습니다. 클래식 Machine Learning 웹 서비스로 배포하여 모델을 운영하려면 웹 서비스 배포를 클릭하고 웹 서비스 배포[클래식]를 선택합니다. 새 Machine Learning 웹 서비스로 배포하려면 웹 서비스 배포를 클릭하고 웹 서비스 배포[새로 만들기]를 선택합니다. 이제 사용자는 웹 서비스 REST API를 사용하여 모델에 데이터를 보내고 결과를 다시 받을 수 있습니다. 자세한 내용은 Machine Learning 웹 서비스를 사용하는 방법을 참조하세요.

일반적인 경우가 아닌 경우: 예측이 아닌 웹 서비스 만들기

실험이 예측 분석 모델을 학습시키지 않는 경우 학습 실험과 점수 매기기 실험을 둘 다 만들 필요가 없습니다. 실험이 하나뿐이며 웹 서비스로 배포할 수 있습니다. Machine Learning Studio(클래식)는 사용한 모듈을 분석하여 실험에 예측 모델이 포함되어 있는지 여부를 검색합니다.

실험을 반복하고 만족하면 다음을 수행합니다.

  1. 웹 서비스 설정을 클릭하고 웹 서비스 재학습 선택 - 입력 및 출력 노드가 자동으로 추가됨
  2. 실행을 클릭합니다.
  3. 웹 서비스 배포를 클릭하고 배포하려는 환경에 따라 웹 서비스 배포 [클래식] 또는 [새로 만들기] 배포를 선택합니다.

이제 웹 서비스가 배포되었으며 예측 웹 서비스처럼 액세스하고 관리할 수 있습니다.

웹 서비스 업데이트

이제 실험을 웹 서비스로 배포했으므로 업데이트해야 하는 경우 어떻게 해야 할까요?

업데이트해야 하는 항목에 따라 달라집니다.

입력 또는 출력을 변경하거나 웹 서비스가 데이터를 조작하는 방법을 수정하려고 합니다.

모델을 변경하지 않는 대신 웹 서비스에서 데이터를 처리하는 방법만 변경하는 경우에는 예측 실험을 편집한 다음, 다시 웹 서비스 배포를 클릭하고 웹 서비스 배포[기존] 또는 웹 서비스 배포[신규]를 선택합니다. 웹 서비스가 중지되고 업데이트된 예측 실험이 배포되고 웹 서비스가 다시 시작됩니다.

예: 예측 실험이 예측 결과와 함께 입력 데이터의 전체 행을 반환한다고 가정합니다. 웹 서비스가 결과를 반환하도록 결정할 수 있습니다. 따라서 예측 실험에서 출력 포트 바로 앞에 프로젝트 열 모듈을 추가하여 결과 이외의 열을 제외할 수 있습니다. 또다시 웹 서비스 배포를 클릭하고 웹 서비스 배포[기존] 또는 웹 서비스 배포[신규]를 선택하면 해당 웹 서비스가 업데이트됩니다.

새 데이터를 사용하여 모델을 다시 학습하려고 합니다.

기계 학습 모델을 유지하지만 새 데이터로 다시 학습하려는 경우 다음 두 가지 옵션이 있습니다.

  1. 웹 서비스 실행 중 모델 재학습 - 예측 웹 서비스를 실행하면서 모델을 재학습하려는 경우 학습 실험을 두 번 수정하여 재학습 실험으로 만든 후 재학습 웹 서비스로 배포하면 됩니다. 이 작업을 수행하는 방법에 대한 지침은 프로그래밍 방식으로 Machine Learning 모델 다시 학습을 참조 하세요.

  2. 원래 학습 실험으로 돌아가서 다른 학습 데이터를 사용하여 모델을 개발합니다. 예측 실험은 웹 서비스에 연결되지만 학습 실험은 이러한 방식으로 직접 연결되지 않습니다. 원래 학습 실험을 수정하고 웹 서비스 설정을 클릭하면 배포 시 새 웹 서비스를 만드는 새 예측 실험이 생성됩니다. 원래 웹 서비스만 업데이트하는 것이 아닙니다.

    학습 실험을 수정해야 하는 경우 실험을 열고 다른 이름으로 저장을 클릭하여 복사본을 만듭니다. 이렇게 하면 원래 학습 실험, 예측 실험 및 웹 서비스가 그대로 유지됩니다. 이제 변경 내용을 사용하여 새 웹 서비스를 만들 수 있습니다. 새 웹 서비스를 배포한 후에는 이전 웹 서비스를 중지할지 아니면 새 웹 서비스와 함께 계속 실행할지 결정할 수 있습니다.

다른 모델을 학습하려고 합니다.

원래 예측 모델을 변경하고 다른 기계 학습 알고리즘을 선택하는 것처럼 다른 학습 방법 등을 시도하려는 경우에는 모델 재학습을 위해 위에서 설명한 두 번째 절차를 수행해야 합니다. 즉 학습 실험을 열고 다른 이름으로 저장을 클릭하여 복사본을 만든 후 모델 개발, 예측 실험 만들기 및 웹 서비스 배포를 새롭게 다시 시작합니다. 이렇게 하면 원래 웹 서비스와 관련이 없는 새 웹 서비스가 만들어지며, 계속 실행할 웹 서비스 중 하나 또는 둘 다를 결정할 수 있습니다.

다음 단계

개발 및 실험 프로세스에 대한 자세한 내용은 다음 문서를 참조하세요.

전체 프로세스의 예제는 다음을 참조하세요.