Amazon SageMaker 리소스 생성 - AWS Marketplace
모델 패키지 생성 알고리즘 생성

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

Amazon SageMaker 리소스 생성

모델 패키지 또는 알고리즘 제품을 게시하려면 Amazon 에서 해당 모델 패키지 리소스 또는 알고리즘 리소스를 생성해야 합니다 SageMaker. AWS Marketplace 제품용 리소스를 생성할 때에는 검증 단계를 통해 인증을 받아야 합니다. 검증 단계에서는 모델 패키지 또는 알고리즘 리소스를 테스트할 데이터를 제공해야 하며, 그 후 게시할 수 있습니다. 다음 섹션에서는 모델 패키지 SageMaker 리소스 또는 알고리즘 리소스와 같은 리소스를 생성하는 방법을 보여줍니다. 여기에는 검증 수행 SageMaker 방법을 알려주는 검증 사양 설정이 포함됩니다.

참고

제품의 이미지를 아직 생성하지 않고 Amazon Elastic Container Registry(AmazonECR)에 업로드하지 않은 경우 에서 기계 학습 제품을 위한 이미지로 코드 패키징 AWS Marketplace 및 Amazon Elastic Container Registry에 이미지 업로드 에서 이미지 생성 방법에 대한 정보를 참조하세요.

모델 패키지 생성

AWS Marketplace용 모델 패키지를 생성하려면 다음과 같은 요구 사항을 충족해야 합니다.

  • AmazonECR에 저장된 추론 이미지

  • (선택 사항) Amazon S3에 별도로 저장된 모델 아티팩트

  • Amazon Simple Storage Service(S3)에 저장된 추론용 테스트 데이터

참고

다음은 모델 패키지 제품을 생성하는 방법에 대한 내용입니다. 의 모델 패키지에 대한 자세한 내용은 모델 패키지 리소스 생성을 SageMaker참조하세요. https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-mkt-create-model-package.html

모델 패키지 리소스 생성

다음은 모델 패키지 리소스를 생성하는 과정입니다.

1단계: 모델 패키지 리소스 생성

  1. Amazon SageMaker 콘솔 을 엽니다.

  2. 페이지 오른쪽 상단을 보고 게시하려는 AWS 리전에 있는지 확인합니다. 게시에 대한 내용은 게시 AWS 리전 지원 섹션을 참조하세요. ECR 이전 단계에서 Amazon에 업로드한 추론 이미지는 동일한 리전에 있어야 합니다.

  3. 왼쪽 탐색 메뉴에서 모델 패키지를 선택합니다.

  4. 모델 패키지 생성을 선택합니다.

패키지를 생성한 후에는 추론 패키지의 사양을 설정해야 합니다.

2단계: 추론 사양 설정

  1. 모델 패키지의 이름을 입력합니다(예: my-model-package).

  2. 추론 이미지의 위치 에 Amazon 에 업로드된 추론 이미지URI의 를 입력합니다ECR. Amazon ECR 콘솔 에서 이미지를 URI 찾아 를 검색할 수 있습니다.

  3. 훈련의 모델 아티팩트가 추론 이미지의 로직과 함께 번들로 제공되면 모델 데이터 아티팩트 위치를 비워 둡니다. 그렇지 않으면 모델 아티팩트 압축 파일(.tar.gz)의 전체 Amazon S3 위치를 지정합니다.

  4. 드롭다운 상자를 사용하여 실시간 추론(엔드포인트라고도 함) 및 배치 변환 작업을 모두 지원하는 추론 이미지 인스턴스 유형을 선택합니다.

  5. Next(다음)를 선택합니다.

모델 패키지를 생성하고 게시하려면 먼저 모델 패키지가 예상대로 작동하는지 확인하는 검증 절차를 거쳐야 합니다. 이를 위해서는 제공한 추론용 테스트 데이터를 사용하여 배치 변환 작업을 실행해야 합니다. 검증 사양은 검증을 수행하는 SageMaker 방법을 설명합니다.

3단계: 검증 사양 설정

  1. AWS Marketplace에서 이 모델 패키지 게시를 예로 설정합니다. 아니요로 설정하면 나중에 이 모델 패키지를 게시할 수 없습니다. 예를 선택하면 에 대한 모델 패키지가 인증 AWS Marketplace 되고 검증 단계가 필요합니다.

  2. 이 프로세스를 처음 완료하는 경우 역할에 대한 새 역할 생성을 선택합니다IAM. Amazon SageMaker 은 모델 패키지를 배포할 때 이 역할을 사용합니다. 여기에는 Amazon에서 이미지를 가져오ECR거나 Amazon S3에서 아티팩트를 가져오는 등의 작업이 포함됩니다. 설정을 검토하고 역할 생성 을 선택합니다. 여기에서 역할을 생성하면 AmazonSageMakerFullAccess IAM 정책에서 설명하는 권한이 생성한 역할에 부여됩니다.

  3. 검증 프로필JSON에서 를 편집합니다. 허용되는 값에 대한 자세한 내용은 섹션을 참조하세요TransformJobDefinition.

    1. TransformInput.DataSource.S3Uri: 추론용 테스트 데이터가 저장되는 위치로 설정합니다.

    2. TransformInput.ContentType: 테스트 데이터 콘텐츠 유형(예: , application/jsonimage/png , 또는 기타 값)을 지정합니다. text/plain는 실제 입력 데이터를 검증하지 SageMaker 않습니다. 이 값은 Content-type 헤더 값의 컨테이너 HTTP 엔드포인트로 전달됩니다.

    3. TransformInput.CompressionType: Amazon S3의 추론용 테스트 데이터가 압축되지 않았으면 None으로 설정합니다.

    4. TransformInput.SplitType: 추론에 사용할 Amazon S3의 각 객체를 전체적으로 전달하려면 None으로 설정합니다.

    5. TransformOutput.S3OutputPath: 추론 출력이 저장되는 위치로 설정합니다.

    6. TransformOutput.AssembleWith: Amazon S3에서 각 추론을 별도의 객체로 출력하려면 None으로 설정합니다.

  4. 모델 패키지 생성을 선택합니다.

SageMaker 는 Amazon 에서 추론 이미지를 가져오고ECR, 모든 아티팩트를 추론 컨테이너에 복사하고, 추론을 위한 테스트 데이터를 사용하여 배치 변환 작업을 실행합니다. 검증이 성공하면 상태가 완료로 변경됩니다.

참고

검증 단계에서는 테스트 데이터로 모델의 정확도를 평가하지 않습니다. 검증 단계에서는 컨테이너가 실행되고 예상대로 응답하는지 확인합니다.

모델 제품 리소스 생성을 완료했습니다. 계속해서 AWS Marketplace에서 제품 게시로 이동하십시오.

알고리즘 생성

AWS Marketplace용 알고리즘을 생성하려면 다음과 같은 요구 사항을 충족해야 합니다.

  • Amazon에 저장된 추론 이미지 ECR

  • Amazon에 저장된 훈련 이미지 ECR

  • Amazon S3에 저장된 훈련용 테스트 데이터

  • Amazon S3에 저장된 추론용 테스트 데이터

참고

다음은 알고리즘 제품을 생성하는 연습입니다. 자세한 내용은 알고리즘 리소스 생성을 참조하세요.

알고리즘 리소스 생성

다음은 알고리즘 패키지에 리소스를 생성하는 과정입니다.

1단계: 알고리즘 리소스 생성

  1. Amazon SageMaker 콘솔 을 엽니다.

  2. 페이지 오른쪽 상단을 보고 게시하려는 AWS 리전에 있는지 확인합니다( 참조게시 AWS 리전 지원). ECR 이전 단계에서 Amazon에 업로드한 훈련 및 추론 이미지는 동일한 리전에 있어야 합니다.

  3. 왼쪽 탐색 창에서 알고리즘을 선택합니다.

  4. 알고리즘 생성을 선택합니다.

알고리즘 패키지를 생성한 후에는 모델의 훈련 및 튜닝 사양을 설정해야 합니다.

2단계: 훈련 및 튜닝 사양 설정

  1. 알고리즘의 이름을 입력합니다(예: my-algorithm).

  2. 훈련 이미지 의 경우 Amazon 에 업로드된 훈련 이미지의 전체 URI 위치를 붙여넣습니다ECR. Amazon ECR 콘솔 에서 이미지를 URI 찾아 를 검색할 수 있습니다.

  3. 드롭다운 상자를 사용하여 훈련 이미지가 지원하는 훈련용 인스턴스 유형을 선택합니다.

  4. 채널 사양 섹션에서 알고리즘이 지원하는 각 입력 데이터 세트의 채널을 추가합니다. 입력 소스 채널을 20개까지 추가할 수 있습니다. 자세한 내용은 입력 데이터 구성을 참조하세요.

  5. Next(다음)를 선택합니다.

  6. 알고리즘이 하이퍼파라미터 및 하이퍼파라미터 튜닝을 지원하는 경우 튜닝 파라미터를 지정해야 합니다.

  7. Next(다음)를 선택합니다.

참고

알고리즘이 하이퍼파라미터 튜닝을 지원하고 적절한 파라미터를 튜닝 가능하게 만드는 것이 좋습니다. 이렇게 하면 데이터 과학자가 모델을 튜닝하여 최상의 결과를 얻을 수 있습니다.

튜닝 파라미터(있는 경우)를 설정한 후에는 추론 이미지의 사양을 설정해야 합니다.

3단계: 추론 이미지 사양 설정

  1. 추론 이미지 위치 에서 Amazon 에 업로드된 추론 이미지URI의 를 붙여넣습니다ECR. Amazon ECR 콘솔 에서 이미지를 URI 찾아 를 검색할 수 있습니다.

  2. 드롭다운 상자를 사용하여 실시간 추론(엔드포인트라고도 함) 및 배치 변환 작업을 모두 지원하는 추론 이미지의 인스턴스 유형을 선택합니다.

  3. Next(다음)를 선택합니다.

알고리즘을 생성하고 게시하려면 먼저 모델 패키지가 예상대로 작동하는지 확인하는 검증 절차를 거쳐야 합니다. 이를 위해서는 훈련용 테스트 데이터로 훈련 작업을 실행하고, 제공한 추론용 테스트 데이터로 배치 변환 작업을 실행해야 합니다. 검증 사양은 검증을 수행하는 SageMaker 방법을 설명합니다.

4단계: 검증 사양 설정

  1. AWS Marketplace에서 이 알고리즘 게시를 예로 설정합니다. 아니요로 설정하면 나중에 이 알고리즘을 게시할 수 없습니다. 예를 선택하면 에 대한 알고리즘이 인증 AWS Marketplace 되고 검증 사양이 필요합니다.

  2. 에 대한 기계 학습 패키지를 처음 생성하는 경우 역할에 대한 새 역할 생성을 AWS Marketplace선택합니다. IAM Amazon SageMaker 은 알고리즘을 훈련하고 후속 모델 패키지를 배포할 때 이 역할을 사용합니다. 여기에는 Amazon 에서 이미지 가져오기ECR, Amazon S3에 아티팩트 저장, Amazon S3에서 훈련 데이터 복사와 같은 작업이 포함됩니다. 설정을 검토하고 역할 생성 을 선택합니다. 여기에서 역할을 생성하면 AmazonSageMakerFullAccess IAM 정책에서 설명하는 권한이 생성한 역할에 부여됩니다.

  3. 훈련 작업 정의 에 대한 검증 프로필에서 JSON 파일을 편집합니다. 허용되는 값에 대한 자세한 내용은 섹션을 TrainingJobDefinition참조하세요.

    1. InputDataConfig: 이 JSON 배열에서 훈련 사양 단계에서 지정한 각 채널에 대한 채널 객체를 추가합니다. 채널마다 훈련용 테스트 데이터가 저장되는 위치를 지정합니다.

    2. OutputDataConfig: 훈련이 완료되면 훈련 컨테이너 디렉터리 경로 /opt/ml/model/의 모델 아티팩트가 압축되어 Amazon S3에 복사됩니다. 압축 파일(.tar.gz)이 저장되는 Amazon S3 위치를 지정합니다.

  4. 변환 작업 정의 에 대한 검증 프로필에서 JSON 파일을 편집합니다. 허용되는 값에 대한 자세한 내용은 섹션을 TransformJobDefinition참조하세요.

    1. TransformInput.DataSource.S3Uri: 추론용 테스트 데이터가 저장되는 위치로 설정합니다.

    2. TransformInput.ContentType: 테스트 데이터 콘텐츠 유형을 지정합니다. 예: application/json, text/plain, image/png 또는 기타 값. Amazon SageMaker 은 실제 입력 데이터를 검증하지 않습니다. 이 값은 Content-type 헤더 값의 컨테이너 HTTP 엔드포인트로 전달됩니다.

    3. TransformInput.CompressionType: Amazon S3의 추론용 테스트 데이터가 압축되지 않았으면 None으로 설정합니다.

    4. TransformInput.SplitType: S3의 객체 분할 방식을 선택합니다. 예를 들어 None은 추론에 사용할 Amazon S3의 각 객체를 전체적으로 전달합니다. 자세한 내용은 Amazon SageMaker API 참조 SplitType의 섹션을 참조하세요.

    5. TransformOutput.S3OutputPath: 추론 출력이 저장되는 위치로 설정합니다.

    6. TransformOutput.AssembleWith: Amazon S3에서 각 추론을 별도의 객체로 출력하려면 None으로 설정합니다.

  5. 알고리즘 패키지 생성을 선택합니다.

SageMaker 는 Amazon 에서 훈련 이미지를 가져오고ECR, 데이터를 사용하여 테스트 훈련 작업을 실행하고, 모델 아티팩트를 Amazon S3에 저장합니다. 그런 다음 Amazon 에서 추론 이미지를 가져와 Amazon S3의 아티팩트를 추론 컨테이너로 ECR복사하고 추론을 위한 테스트 데이터를 사용하여 배치 변환 작업을 실행합니다. 검증이 성공하면 상태가 완료로 변경됩니다.

참고

검증 단계에서는 테스트 데이터로 훈련 또는 모델의 정확도를 평가하지 않습니다. 검증 단계에서는 컨테이너가 실행되고 예상대로 응답하는지 확인합니다.

검증 단계에서는 배치 처리만 검증합니다. 실시간 처리가 제품에서 작동하는지 확인하는 것은 판매자의 몫입니다.

알고리즘 제품 리소스 생성을 완료했습니다. 계속해서 AWS Marketplace에서 제품 게시로 이동하십시오.