클래식 Studio(클래식) 웹 서비스 재학습 및 배포

적용 대상: Machine Learning Studio(클래식) 는 적용되지 않습니다.

기계 학습 모델을 재학습하는 것은 정확한 상태를 유지하고 사용 가능한 가장 관련성이 큰 데이터를 기반으로 하는 한 가지 방법입니다. 이 문서에서는 클래식 Studio(클래식) 웹 서비스를 다시 학습하는 방법을 보여 줍니다. 새 Studio(클래식) 웹 서비스를 다시 학습하는 방법에 대한 가이드는 이 방법 문서를 참조하세요.

필수 조건

이 문서에서는 재학습 실험과 예측 실험이 모두 이미 있다고 가정합니다. 이러한 단계는 기계 학습 모델 재교육 및 배치에 설명되어 있습니다. 그러나 기계 학습 모델을 새로운 웹 서비스로 배포하는 대신, 예측 실험을 클래식 웹 서비스로 배포하겠습니다.

새 엔드포인트 추가

배포한 예측 웹 서비스는 원래의 학습 및 점수 매기기 실험 학습된 모델과 동기화를 유지하는 기본 점수 매기기 엔드포인트를 포함합니다. 웹 서비스를 학습된 새 모델로 업데이트하려면 새 점수 매기기 엔드포인트를 만들어야 합니다.

웹 서비스에 새 엔드포인트를 추가할 수 있는 두 가지 방법이 있습니다.

• 프로그래밍 방식
• Azure Web Services 포털 사용

프로그래밍 방식으로 엔드포인트 추가

이 GitHub 리포지토리에 제공된 샘플 코드를 사용하여 점수 매기기 엔드포인트를 추가할 수 있습니다.

Azure Web Services 포털을 사용하여 엔드포인트 추가

1. Machine Learning Studio(클래식)의 왼쪽 탐색 열에서 웹 서비스를 클릭합니다.
2. 웹 서비스 대시보드 아래쪽에서 엔드포인트 관리 미리 보기를 클릭합니다.
3. 추가를 클릭합니다.
4. 새 엔드포인트의 이름과 설명을 입력합니다. 로깅 수준 및 샘플 데이터 사용 여부를 선택합니다. 자세한 내용은 Machine Learning 웹 서비스에 대해 로깅 사용을 참조하세요.

추가된 엔드포인트의 학습된 모델 업데이트

패치 URL 검색

웹 포털을 사용하여 올바른 PATCH URL을 가져오려면 다음 단계를 수행합니다.

1. Azure Machine Learning 웹 서비스 포털에 로그인합니다.
2. 맨 위에 있는 웹 서비스 또는 클래식 웹 서비스를 클릭합니다.
3. 사용 중인 점수 매기기 웹 서비스를 클릭합니다(웹 서비스의 기본 이름을 수정하지 않은 경우 “[Scoring Exp.]”로 끝남).
4. +새로 만들기를 클릭합니다.
5. 엔드포인트를 추가한 후 엔드포인트 이름을 클릭합니다.
6. 패치 URL 아래에서 API 도움말을 클릭하여 패치 도움말 페이지를 엽니다.

PATCH 도움말 페이지에는 사용해야 하는 PATCH URL이 포함되어 있으며 이를 호출하는 데 사용할 수 있는 샘플 코드를 제공합니다.

엔드포인트 업데이트

이제 학습된 모델을 사용하여 이전에 만든 점수 매기기 엔드포인트를 업데이트할 수 있습니다.

다음 샘플 코드에서는 BaseLocation, RelativeLocation, SasBlobToken 및 PATCH URL을 사용하여 엔드포인트를 업데이트하는 방법을 보여 줍니다.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

호출에 대한 apiKey 및 endpointUrl은 엔드포인트 대시보드에서 가져올 수 있습니다.

리소스의 Name 매개 변수 값은 예측 실험에서 저장된 학습된 모델의 리소스 이름과 일치해야 합니다. 리소스 이름을 얻으려면 다음을 수행합니다.

1. Azure Portal에 로그인합니다.
2. 왼쪽 메뉴에서 Machine Learning을 클릭합니다.
3. 이름 아래에서 작업 영역을 클릭한 다음 웹 서비스를 클릭합니다.
4. 이름 아래에서 인구 조사 모델 [예측 exp.]을 클릭합니다.
5. 추가한 새 엔드포인트를 클릭합니다.
6. 엔드포인트 대시보드에서 리소스 업데이트를 클릭합니다.
7. 웹 서비스의 리소스 API 설명서 업데이트 페이지에서 업데이트할 수 있는 리소스 아래에서 리소스 이름을 찾을 수 있습니다.

엔드포인트 업데이트를 완료하기 전에 SAS 토큰이 만료되는 경우 작업 ID를 사용하여 GET을 수행하여 새 토큰을 가져와야 합니다.

코드가 성공적으로 실행된 경우 새 엔드포인트는 다시 학습된 모델을 사용하여 약 30초 내에 시작해야 합니다.

다음 단계

웹 서비스를 관리하거나 여러 실험 실행을 추적하는 방법에 대한 자세한 내용은 다음 문서를 참조하세요.

• 웹 서비스 포털 살펴보기
• 실험 반복 관리