제한 사항 및 문제 해결 - 아마존 SageMaker
콘솔을 통한 권한 부여 관련 문제 해결 SageMaker 공간 장애로 인한 Canvas 애플리케이션 생성 관련 문제 해결공동 작업 제한 사항BYOM(Bring Your Own Model)에 대한 제한 사항

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

제한 사항 및 문제 해결

다음 섹션에서는 Amazon SageMaker Canvas를 사용할 때 적용되는 문제 해결 도움말과 제한 사항을 간략하게 설명합니다. 이 주제를 사용하여 발생하는 모든 문제를 해결할 수 있습니다.

콘솔을 통한 권한 부여 관련 문제 해결 SageMaker

사용자에게 Canvas 기본 권한 또는 R eady-to-use 모델 권한을 부여하는 데 문제가 있는 경우 사용자에게 다른 AWS 서비스에 대한 신뢰 관계가 두 개 이상 있는 AWS IAM 실행 역할이 있을 수 있습니다. 신뢰 관계는 역할을 맡을 수 있는 보안 주체(사용자, 역할, 계정 또는 서비스)를 정의하는 역할에 연결된 정책입니다. 예를 들어, 사용자의 실행 역할이 Amazon SageMaker 및 Amazon Forecast와 신뢰 관계에 있는 경우 사용자에게 추가 Canvas 권한을 부여하는 데 문제가 발생할 수 있습니다.

이 문제는 다음 옵션 중 하나를 선택하여 해결할 수 있습니다.

1. 신뢰할 수 있는 서비스 하나를 제외한 모든 서비스를 역할에서 제거합니다.

이 솔루션을 사용하려면 사용자 프로필의 IAM 역할에 대한 신뢰 관계를 편집하고 다음을 제외한 모든 AWS 서비스를 제거해야 합니다. SageMaker

IAM 실행 역할의 신뢰 관계를 편집하려면 다음을 수행하세요.

  1. IAM 콘솔(https://console.aws.amazon.com/iam)로 이동합니다.

  2. IAM 콘솔의 탐색 창에서 역할을 선택합니다. 콘솔에 계정에 대한 역할이 표시됩니다.

  3. 변경하고자 하는 역할의 이름을 선택한 후 세부 정보 페이지에서 신뢰 관계 탭을 선택합니다.

  4. 신뢰 정책 편집을 선택합니다.

  5. 신뢰 정책 편집 편집기에 다음을 붙여 넣은 다음 정책 업데이트를 선택합니다.

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

IAM CLI를 사용하여 이 정책 문서를 업데이트할 수도 있습니다. 자세한 내용은 IAM 명령 줄 참조의 update-trust를 참조하세요.

이제 사용자에게 Canvas 기본 권한 또는 R eady-to-use 모델 권한을 다시 부여해 볼 수 있습니다.

2. 하나 이하의 신뢰할 수 있는 서비스에 다른 역할을 사용합니다.

이 솔루션을 사용하려면 사용자 프로필에 다른 IAM 역할을 지정해야 합니다. 대체할 수 있는 IAM 역할이 이미 있는 경우 이 옵션을 사용하세요.

사용자에 대해 다른 실행 역할을 지정하려면 다음을 수행합니다.

  1. https://console.aws.amazon.com/sagemaker/ 에서 아마존 SageMaker 콘솔을 엽니다.

  2. 왼쪽 탐색 창에서 관리자 구성을 선택합니다.

  3. 관리자 구성에서 도메인을 선택합니다.

  4. 도메인 목록에서 사용자 프로필 목록을 보려는 도메인을 선택합니다.

  5. 도메인 세부 정보 페이지에서 사용자 프로필 탭을 선택합니다.

  6. 편집할 권한을 보유한 사용자를 선택합니다. 사용자 세부 정보 페이지에서 편집을 선택합니다.

  7. 일반 설정 페이지에서 실행 역할 드롭다운 목록을 선택하고 사용하려는 역할을 선택합니다.

  8. 제출을 선택하여 변경 내용을 사용자 프로필에 저장합니다.

이제 사용자는 신뢰할 수 있는 서비스가 하나뿐인 실행 역할을 사용해야 합니다 (SageMaker).

사용자에게 Canvas 기본 권한 또는 R eady-to-use 모델 권한을 다시 부여해 볼 수 있습니다.

3. 도메인 설정의 토글을 사용하는 대신 AWS 관리형 정책을 실행 역할에 수동으로 연결하십시오. SageMaker

도메인 또는 사용자 프로필 설정의 토글을 사용하는 대신 사용자에게 올바른 권한을 부여하는 AWS 관리형 정책을 수동으로 연결할 수 있습니다.

사용자에게 Canvas 기본 권한을 부여하려면 AmazonSageMakerCanvasFullAccess정책을 연결하세요. 사용자에게 R eady-to-use 모델 권한을 부여하려면 AmazonSageMakerCanvasAI ServicesAccess 정책을 연결합니다.

다음 절차를 사용하여 AWS 관리형 정책을 역할에 연결하세요.

  1. IAM 콘솔(https://console.aws.amazon.com/iam)로 이동합니다.

  2. 역할을 선택합니다.

  3. 검색 상자에서 이름을 기준으로 사용자의 IAM 역할을 검색하고 선택합니다.

  4. 사용자 역할 페이지의 권한에서 권한 추가를 선택합니다.

  5. 드롭다운 목록에서 정책 연결을 선택합니다.

  6. 사용자의 실행 역할에 연결할 정책을 검색하여 선택합니다.

    1. Canvas에 기본 권한을 부여하려면 AmazonSageMakerCanvasFullAccess정책을 검색하여 선택합니다.

    2. R eady-to-use 모델에 권한을 부여하려면 AmazonSageMakerCanvasAI ServicesAccess 정책을 검색하여 선택합니다.

  7. 정책을 역할에 연결하려면 권한 추가를 선택합니다.

IAM 콘솔을 통해 AWS 관리형 정책을 사용자 역할에 연결하면 이제 사용자는 Canvas 기본 권한 또는 R eady-to-use 모델 권한을 갖게 됩니다.

공간 장애로 인한 Canvas 애플리케이션 생성 관련 문제 해결

새 Canvas 애플리케이션을 생성할 때 다음과 같은 오류가 발생하면 기본 Amazon SageMaker Studio 공간 생성이 실패했음을 나타냅니다. Unable to create app <app-arn> because space <space-arn> is not in InService state 스튜디오 공간은 Canvas 애플리케이션 데이터를 호스팅하는 기본 스토리지입니다. Studio 스페이스에 대한 일반 정보는 을 참조하십시오아마존 SageMaker 스튜디오 스페이스. Canvas에서 공간을 구성하는 방법에 대한 자세한 내용은 을 참조하십시오 SageMaker Canvas 애플리케이션 데이터를 나만의 공간에 저장하세요. SageMaker .

스페이스 생성이 실패한 이유의 근본 원인을 확인하려면 DescribeSpaceAPI를 사용하여 FailureReason 필드를 확인할 수 있습니다. 가능한 공간 상태 및 의미에 대한 자세한 내용은 을 참조하십시오Amazon SageMaker 도메인 엔티티 및 상태에 대해 자세히 알아보기.

이 문제를 해결하려면 SageMaker 콘솔에서 도메인을 찾아 받은 오류 메시지에 나열된 장애가 발생한 공간을 삭제하십시오. 스페이스를 찾고 삭제하는 방법에 대한 자세한 단계는 페이지를 Studio 실행 인스턴스, 애플리케이션 및 스페이스를 삭제하거나 중지합니다. 참조하고 Studio 스페이스 삭제 지침을 따르십시오. 공간을 삭제하면 스페이스와 관련된 모든 애플리케이션도 삭제됩니다. 공간을 삭제한 후 Canvas 애플리케이션을 다시 만들어 볼 수 있습니다. 이제 공간이 성공적으로 프로비저닝되어 Canvas를 시작할 수 있을 것입니다.

공동 작업 제한 사항

Amazon SageMaker Studio Classic에서 데이터 과학자와 협업할 때는 다음과 같은 일반 제한 사항이 적용됩니다.

  • Canvas에서 Studio Classic으로 성공적으로 학습된 모델만 공유할 수 있습니다. 마찬가지로 스튜디오 클래식에서 성공적으로 학습된 모델만 캔버스에 다시 공유할 수 있습니다.

  • 캔버스의 퀵 빌드 모델은 스튜디오 클래식으로 공유할 수 없습니다. 표준 빌드 모델만 공유할 수 있습니다.

  • Canvas에서 훈련된 표준 빌드 모델은 한 가지 버전만 공유할 수 있습니다. Canvas에서 모델의 추가 버전을 트레이닝할 수 있지만 Studio Classic에 공유할 수는 없습니다.

  • Studio Classic에서는 피드백을 공유하거나 업데이트된 모델을 Canvas와만 공유할 수 있습니다. 두 가지 작업을 동시에 수행할 수 없습니다.

  • 스튜디오 클래식에서 캔버스로, 캔버스에서 스튜디오 클래식으로 공유되는 댓글의 길이 제한은 1024자입니다.

  • 캔버스 또는 스튜디오 클래식 모델은 다른 사용자 프로필과만 공유할 수 있습니다. 사용자 프로필 내에서는 캔버스와 스튜디오 클래식 간에 모델을 공유할 수 없습니다.

  • 캔버스 사용자에서 캔버스 사용자로 또는 스튜디오 클래식 사용자에서 스튜디오 클래식 사용자로 공유할 수 없습니다.

공유하려는 모델 유형에 따라 적용되는 제한 사항도 있습니다. 시계열 예측 모델, 숫자 및 카테고리 예측 모델에 대한 제한 사항은 다음 섹션을 참조하세요.

시계열 예측 모델의 공동 작업 제한 사항

Canvas와 Studio Classic 간에 시계열 예측 모델을 공동 작업할 때는 다음과 같은 제한 사항이 적용됩니다.

  • Studio Classic의 시계열 예측 모델에서는 자동화된 공유 버튼을 통해 예측을 수행할 수 없습니다. 하지만 Jupyter notebook을 만들고 고유한 코드를 작성할 수는 있습니다.

  • 시계열 예측 모델의 경우 Studio Classic에서 모델 레시피나 데이터 변환을 변경할 수 없습니다. Studio Classic에서는 시계열 예측 모델을 다음과 같이 업데이트할 수만 있습니다.

    • 예측 기간의 길이를 업데이트할 수 있습니다.

    • 특정 열을 기준으로 데이터를 그룹화하는 항목의 메타데이터 필드를 업데이트할 수 있습니다.

    • 휴일 일정 지정과 같은 다른 차원 필드를 업데이트할 수 있습니다.

숫자 및 카테고리 예측 모델 공동 작업에 대한 제한 사항

Canvas와 Studio Classic 간에 수치 및 범주형 예측 모델 유형을 공동 작업할 때는 다음과 같은 제한 사항이 적용됩니다.

  • Studio Classic에서 모델을 업데이트하거나 학습할 때 상단에 협업 배너가 있는 탭을 닫으면 모델 공유 워크플로가 종료되고 진행 상황이 손실됩니다. 이 경우 공유 모델 페이지의 나와 공유됨 섹션에서 공유 모델 워크플로를 다시 시작해야 합니다. 자세한 내용은 데이터 사이언티스트와의 협업을 참조하세요.

  • Studio Classic에서 모델을 업데이트할 때 모델 업데이트를 Canvas에 다시 공유하려는 경우 대상 열을 변경할 수 없습니다. 대상 열을 변경하고 모델을 다시 훈련하려면 모델을 훈련시킨 다음 공유 버튼을 사용하여 Canvas에 공유하세요. 새 모델을 Canvas에 공유하는 방법에 대한 자세한 내용은 Canvas로 자체 모델 가져오기를 SageMaker 참조하십시오.

  • 스튜디오 클래식의 Amazon SageMaker Data Wrangler Recipe 인터페이스에서 모델을 업데이트할 때 스튜디오 클래식 사용자가 적용할 수 있는 변경 사항에는 Canvas가 지원하는 한도가 있습니다.

    • Data Wrangler 선형 데이터 흐름의 마지막 노드에서 훈련된 모델만 Canvas에 공유할 수 있습니다.

    • 변환 노드만 지원됩니다.

    • 대상 열에서는 작업을 수행할 수 없습니다.

    • 열의 데이터 유형은 업데이트할 수 없습니다.

    • 데이터 원본을 업데이트하거나 새 데이터 원본을 추가할 수 없습니다.

  • 스튜디오 클래식 오토파일럿 페이지에서 캔버스의 대체 후보를 공유하는 경우 순위표에서 모델을 선택할 수 없습니다. 배너에서 공유 모델을 선택한 다음 목록에서 대체 모델을 선택해야 합니다. 자세한 내용은 Canvas 설명서에서 Canvas 사용자와 대체 모델 공유를 참조하세요.

  • SageMaker Neo와 호환되는 모델만 Canvas에 성공적으로 다시 공유할 수 있습니다. 호환되는 모델은 XGBoost 또는 MLP 알고리즘을 사용하는 Autopilot 모델입니다. 호환되지 않는 모델에는 선형 학습자 알고리즘을 사용하는 Autopilot 모델이 포함됩니다.

  • Spark SQL을 사용하는 사용자 지정 공식 변환의 경우 Canvas는 단항 연산, 집계 함수, 문자열 연결 연산 및 거듭제곱 연산만 지원합니다. 다른 작업은 지원되지 않습니다.

BYOM(Bring Your Own Model)에 대한 제한 사항

자체 모델을 SageMaker Canvas로 가져오려는 경우 다음과 같은 일반 제한 사항이 적용됩니다.

  • Studio Classic에서 Canvas로 모델을 공유하는 경우 Canvas 사용자는 모델을 빌드하는 데 사용된 데이터세트를 업데이트하거나 세부 정보를 볼 수 없습니다.

  • Canvas 사용자가 가져온 모델에 대해 단일 예측을 실행하려는 경우 열 값을 업데이트할 때 데이터 유형 제한이 없습니다. 단일 예측에 대한 값을 업데이트할 때 기존 값의 데이터 유형과 일치하는지 수동으로 확인해야 합니다.

  • Canvas 사용자가 가져온 모델에 대해 배치 예측을 실행하려는 경우 Canvas는 사용자(Canvas 사용자)가 예상되는 입력 데이터 세트가 어떤 모습인지 알고 있다고 가정합니다. 모델을 훈련하는 데 사용된 데이터 세트와 일치하는 열과 데이터 유형이 있는 데이터 세트가 있어야 합니다. 그렇지 않은 경우 모델을 공유한 사용자에게 문의하여 배치 예측을 실행하는 데 사용할 수 있는 데이터 세트를 가져오세요.

  • Canvas 애플리케이션은 내부적으로 서버리스 엔드포인트를 사용하여 예측을 실행하고 모델 지표를 생성합니다. Canvas에 공유되는 모델은 서버리스 엔드포인트와 호환되어야 합니다.

    • 최대 메모리 크기는 6144MB입니다.

    • 컨테이너에서 추론 입력 응답 키를 구성할 때는 다음 구성을 사용하세요.

      INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}

    • SageMaker제공된 추론 컨테이너를 선택하거나 엔드포인트로 사용할 자체 이미지 추론 컨테이너를 가져올 수 있습니다. SageMaker 내장 알고리즘을 위한 컨테이너와 가장 일반적인 일부 기계 학습 프레임워크를 위해 사전 빌드된 Docker 이미지를 제공합니다. 자체 컨테이너를 가져오는 경우 사용할 수 있도록 수정해야 합니다. SageMaker 고유한 컨테이너 가져오기에 대한 자세한 내용은 고유한 추론 컨테이너 조정을 참조하세요.

    • 서버리스 엔드포인트에 대한 기능 제외도 적용됩니다.

  • Studio Classic에서 Canvas로 모델을 성공적으로 공유하기 위해 Canvas는 아래 형식의 모델 추론 출력을 허용합니다.

    TEXT/CSV

    • 회귀: 모델 추론 응답은 각 출력 예측이 \n로 구분되는 바이트 문자열이어야 합니다.

      b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'

    • 분류: 모델 추론 응답은 predicted_label, predicted_probability, probabilities, labels각각을 \n로 구분한 바이트 문자열이어야 합니다. 다음은 바이너리 분류의 예제입니다.

      b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

      다음은 다중 클래스 분류에 대한 예제입니다.

      b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

    APPLICATION/JSON

    • 회귀: 모델 추론 응답은 prediction키가 포함된 JSON 문자열이어야 하고, 해당 값은 출력 예측 목록이어야 합니다.

      let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

    • 분류: 모델 추론 응답은 probabilities키가 포함된 JSON 문자열이어야 하고, 그 값은 확률 목록이어야 합니다.

      다음은 바이너리 분류의 예제입니다.

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

      다음은 다중 클래스 분류에 대한 예제입니다.

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

가져오려는 모델 유형에 따라 적용되는 제한 사항도 있습니다.

다음에서 자체 모델을 가져오세요. JumpStart

Canvas와 JumpStart 모델을 공유할 때는 다음 정보와 제한을 검토하세요.

  • 다음은 모델을 Canvas로 가져올 수 있는 지원되는 알고리즘입니다. 자세한 내용은 JumpStart 설명서를 참조하십시오.

    • 표 형식 분류: LightGBM, XGBoost CatBoost, -표 형식, 선형 학습기 AutoGluon TabTransformer

    • 표 형식 회귀: LightGBM, XGBoost, -표 형식, 선형 학습기 CatBoost AutoGluon TabTransformer

  • JumpStart에서는 모델을 Canvas에 공유할 준비가 된 경우에만 공유 버튼이 켜집니다. 학습된 모델에 SageMaker Canvas에 공유 버튼이 없는 경우 해당 모델은 BYOM을 지원하지 않습니다.

  • 모델을 학습할 때 학습 및 검증 데이터 세트를 제공해야 합니다. JumpStart 데이터세트는 Amazon S3에 저장되어야 하며, 스튜디오 클래식 및 캔버스 사용자의 실행 역할은 Amazon S3 위치에 액세스할 수 있어야 합니다. 동일한 Amazon S3 URI를 사용하여 훈련 및 검증 데이터 세트를 Canvas와 공유하거나 동일한 데이터 스키마로 다른 데이터 세트를 공유할 수 있습니다.

    훈련 또는 검증 데이터 파일은 다음과 같은 형식이어야 합니다(CSV 형식). 첫 번째 열을 대상으로 하여 파일을 인덱싱해야 합니다.

    3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6

  • 기본적으로 모델을 학습할 때 교육 및 검증 데이터 세트의 첫 번째 열을 대상으로 JumpStart 사용합니다. 데이터 세트의 대상 열(또는 기본적으로 첫 번째 열)은 Canvas에 공유됩니다.

  • 모델을 훈련할 때는 훈련 및 검증 데이터세트의 열 헤더를 제공해야 합니다. JumpStart 기본적으로 은 열 헤더가 없는 JumpStart 데이터셋만 허용하므로 모델을 학습시키는 동안 열 헤더를 파일로 추가해야 합니다. 열 헤더 파일의 Amazon S3 URI는 Canvas에도 공유됩니다. 열 헤더 파일은 다음 예시(CSV 형식)와 비슷하게 출력됩니다. 첫 번째 열이 대상이 되어야 합니다.

    Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1

  • 에서 교육 작업을 JumpStart Complete 완료해야 Canvas와 공유할 수 있습니다.

  • 분류 문제(또는 Canvas의 카테고리 예측)의 경우 Canvas에 공유할 때 모델 출력 구성 섹션에 원본 클래스 이름을 제공해야 합니다. 클래스 이름의 순서는 모델에 사용된 인덱싱과 일치해야 합니다. 매핑 관계 파일은 CSV 형식의 다음 예제와 같아야 합니다.여기서 인덱스 0(첫 번째 인덱스)은 클래스 이름 A에 매핑됩니다.

    A	B	C	D

    Canvas 사용자가 Canvas 애플리케이션에서 모델 지표를 볼 때 각 클래스의 인덱스(0, 1, 2)만 볼 수 있습니다. 하지만 사용자는 단일 예측에 대한 결과를 볼 때 클래스 이름을 볼 수 있습니다.

Autopilot에서 고유한 모델 사용

Autopilot에서 Canvas로 모델을 공유할 때 다음 정보 및 제한 사항을 검토하세요.

  • Ensembling, HPO, 또는 Auto 모드를 사용하여 AutoML 작업에서 성공적으로 훈련한 모델만 Canvas에 공유할 수 있습니다(Auto 모드의 경우 Autopilot은 훈련 데이터 세트 크기에 따라 Ensembling 또는 HPO모드를 선택합니다). 현재 지원되는Autopilot 문제 유형은 회귀, 다중 클래스 분류, 바이너리 분류입니다.

  • 각 Autopilot 작업에 대해 모델(최고의 모델 또는 기타 후보)을 선택하여 한 번에 하나씩 Canvas에 공유할 수 있습니다. 모델 공유 버튼을 선택한 다음 모델과 메모를 공유하려는 Canvas 사용자를 지정하기만 하면 됩니다.

  • AutoGluon-추론을 위해 데이터 랭글러 변환기를 사용하는 테이블 형식 모델은 Canvas와 공유할 수 없습니다. 이는 Data Wrangler 변환기로 인해 모델이 둘 이상의 컨테이너를 사용하게 되기 때문입니다.

  • SageMaker Neo와 호환되지 않는 HPO 모델은 Canvas에 성공적으로 공유할 수 없습니다. 호환되는 모델은 XGBoost 또는 MLP 알고리즘을 사용하는 Autopilot 모델입니다. 호환되지 않는 모델에는 선형 학습자 알고리즘을 사용하는 Autopilot 모델이 포함됩니다.

모델 레지스트리에서 고유한 모델 사용

모델 레지스트리에서 Canvas로 모델을 공유할 때는 다음 정보와 제한 사항을 검토하세요.

  • 에서 제공하는 JumpStart공유 버튼과 달리 모델 레지스트리는 모델 검증을 제공하지 않으므로 Studio Classic에서 성공적으로 공유한 등록된 모델을 Canvas로 가져오는 동안 모델 비호환성으로 인해 실패할 수 있습니다. 모델 레지스트리에서 Canvas로 공유하기 전에 다음 팁을 검토하세요.

    • 모델에 단일 추론 컨테이너를 사용하세요. AdditionalInference사양 필드 내에서 여러 컨테이너가 있는 모델을 등록할 수 있지만 Canvas는 모델당 하나의 추론 컨테이너에만 최적화되어 있습니다. 예를 들어 추론 파이프라인을 사용하고 여러 데이터를 AdditionalInferenceSpecifications필드에 사전 처리 컨테이너 및 추론 컨테이너로 등록하는 경우 기본적으로 Canvas에서 모델 추론을 위해 첫 번째 컨테이너가 선택됩니다. 기계 학습 파이프라인을 사용하는 경우 이 방법이 사용 사례에 적합한지 평가하세요.

    • 호환 가능한 SageMaker 추론 형식을 갖춘 내장된 표 형식 알고리즘을 사용하십시오. 추론 출력이 호환되는 테스트를 거친 샘플 알고리즘은 Autogluon-Tabular, LightGBM 및 XGBoost입니다. CatBoost TabTransformer Factorization Machines와 같은 알고리즘은 CSV를 파일 입력으로 허용하지 않으며 선형 학습기 및 K-NN과 같은 알고리즘의 추론 출력 형식은 Canvas에서 지원되지 않습니다.

    • 자체 이미지 컨테이너를 가져와 Canvas에 공유하거나 사전 빌드된 컨테이너를 수정할 수도 있습니다. SageMaker

  • 모델 패키지 그룹에 모델을 등록할 때는 추론 컨테이너에 다음 속성을 제공해야 합니다.

    • 환경:

      "{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

    • 이미지:

      "s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

    • ModelDataUrl

      "<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

  • 모델 레지스트리에서 Canvas로 모델을 공유할 때는 훈련 및 검증 데이터 세트를 제공해야 합니다. 데이터 세트는 Amazon S3에 저장되어야 하며, 스튜디오 클래식 및 캔버스 사용자의 실행 역할은 Amazon S3 위치에 액세스할 수 있어야 합니다. 동일한 Amazon S3 URI를 사용하여 훈련 및 검증 데이터 세트를 Canvas와 공유하거나 동일한 데이터 스키마로 다른 데이터 세트를 공유할 수 있습니다. 데이터 세트는 모델의 추론 컨테이너에 제공되는 정확한 입력 형식이 있어야 합니다.

  • 대상 열을 Canvas에 제공해야 합니다.그렇지 않으면 훈련/검증 데이터 세트의 첫 번째 열이 기본적으로 사용됩니다.

  • Canvas에 공유할 때 모델 세부 정보 추가 섹션에서 훈련 및 검증 데이터 세트를 첫 번째 행에 헤더로 제공하거나 헤더를 다른 파일로 지정할 수 있습니다.

  • 분류 문제 (또는 Canvas의 범주형 예측) 의 경우 모델 출력 구성 옵션을 통해 SageMaker Canvas에 공유할 때 원본 클래스 이름을 제공해야 합니다. 클래스 이름의 순서는 공유 모델에 사용된 인덱싱과 일치해야 합니다. 매핑은 Amazon S3의 CSV 파일이거나 클래스 이름을 수동으로 입력할 수 있습니다.