Azure Machine Learning을 사용하여 자동화된 Machine Learning 모델 만들기, 검토 및 배포Create, review, and deploy automated machine learning models with Azure Machine Learning

이 문서에서는 Azure Machine Learning studio에서 코드를 한 줄 사용 하지 않고 자동화 된 기계 학습 모델을 만들고 탐색 하 고 배포 하는 방법에 대해 알아봅니다.In this article, you learn how to create, explore, and deploy automated machine learning models without a single line of code in Azure Machine Learning studio.

자동화된 Machine Learning은 특정 데이터에 사용할 가장 적합한 기계 학습 알고리즘을 선택하는 프로세스입니다.Automated machine learning is a process in which the best machine learning algorithm to use for your specific data is selected for you. 이 프로세스를 통해 기계 학습 모델을 빠르게 생성할 수 있습니다.This process enables you to generate machine learning models quickly. 자동화된 Machine Learning에 대해 자세히 알아보세요.Learn more about automated machine learning.

엔드투엔드 예제의 경우 Azure Machine Learning의 자동화된 ML 인터페이스를 사용하여 분류 모델을 만드는 자습서를 사용해 보세요.For an end to end example, try the tutorial for creating a classification model with Azure Machine Learning's automated ML interface.

Python 코드 기반 환경의 경우 Azure Machine Learning SDK를 사용하여 자동화된 Machine Learning 실험을 구성하세요.For a Python code-based experience, configure your automated machine learning experiments with the Azure Machine Learning SDK.

사전 요구 사항Prerequisites

시작Get started

  1. Azure Machine Learning Studio에 로그인합니다.Sign in to Azure Machine Learning studio.

  2. 구독 및 작업 영역을 선택합니다.Select your subscription and workspace.

  3. 왼쪽 창으로 이동합니다.Navigate to the left pane. 작성 섹션 아래에서 자동화된 ML 을 선택합니다.Select Automated ML under the Author section.

Azure Machine Learning Studio 탐색 창Azure Machine Learning studio navigation pane

실험을 처음 수행하는 경우 자동화된 빈 목록과 설명서에 대한 링크가 표시됩니다.If this is your first time doing any experiments, you'll see an empty list and links to documentation.

그렇지 않으면 SDK를 사용하여 만든 실험을 포함하여 최근에 자동화된 Machine Learning 실험의 목록이 표시됩니다.Otherwise, you'll see a list of your recent automated machine learning experiments, including those created with the SDK.

실험 만들기 및 실행Create and run experiment

  1. + 새 자동화된 ML 실행 을 선택하고 양식을 채웁니다.Select + New automated ML run and populate the form.

  2. 스토리지 컨테이너에서 데이터 세트를 선택하거나 새 데이터 세트를 만듭니다.Select a dataset from your storage container, or create a new dataset. 데이터 세트는 로컬 파일, 웹 URL, 데이터 저장소 또는 Azure 오픈 데이터 세트에서 만들 수 있습니다.Datasets can be created from local files, web urls, datastores, or Azure open datasets. 데이터 집합 생성에 대해 자세히 알아보세요.Learn more about dataset creation.

    중요

    학습 데이터 요구 사항:Requirements for training data:

    • 데이터는 테이블 형식이어야 합니다.Data must be in tabular form.
    • 예측하려는 값(대상 열)이 데이터에 있어야 합니다.The value you want to predict (target column) must be present in the data.
    1. 로컬 컴퓨터의 파일에서 새 데이터 집합을 만들려면 + 데이터 집합 만들기 를 선택 하 고 로컬 파일에서를 선택 합니다.To create a new dataset from a file on your local computer, select +Create dataset and then select From local file.

    2. 기본 정보 양식에서 데이터 집합에 고유한 이름을 지정 하 고 설명 (선택 사항)을 제공 합니다.In the Basic info form, give your dataset a unique name and provide an optional description.

    3. 다음 을 선택하여 데이터 저장소 및 파일 선택 양식 을 엽니다.Select Next to open the Datastore and file selection form. 이 양식에서 데이터 세트를 업로드할 위치 또는 작업 영역에서 자동으로 만들어지는 기본 스토리지 컨테이너를 선택하거나 실험에 사용하려는 스토리지 컨테이너를 선택합니다.On this form you select where to upload your dataset; the default storage container that's automatically created with your workspace, or choose a storage container that you want to use for the experiment.

      1. 데이터가 가상 네트워크 뒤에 있는 경우 유효성 검사 함수 건너뛰기 를 사용 하도록 설정 하 여 작업 영역에서 데이터에 액세스할 수 있도록 해야 합니다.If your data is behind a virtual network, you need to enable the skip the validation function to ensure that the workspace can access your data. 자세한 내용은 Azure 가상 네트워크에서 Azure Machine Learning Studio 사용을 참조 하세요.For more information, see Use Azure Machine Learning studio in an Azure virtual network.
    4. 찾아보기 를 선택 하 여 데이터 집합에 대 한 데이터 파일을 업로드 합니다.Select Browse to upload the data file for your dataset.

    5. 설정 및 미리 보기 양식을 검토하여 정확히 지정했는지 확인합니다.Review the Settings and preview form for accuracy. 양식은 파일 형식에 따라 지능적으로 채워집니다.The form is intelligently populated based on the file type.

      필드Field DescriptionDescription
      파일 형식File format 파일에 저장된 데이터의 레이아웃 및 유형을 정의합니다.Defines the layout and type of data stored in a file.
      구분 기호Delimiter 일반 텍스트 또는 다른 데이터 스트림에서 별도의 독립적인 지역 간의 경계를 지정하기 위한 하나 이상의 문자입니다.One or more characters for specifying the boundary between separate, independent regions in plain text or other data streams.
      EncodingEncoding 데이터 세트를 읽는 데 사용할 문자 스키마 테이블을 식별합니다.Identifies what bit to character schema table to use to read your dataset.
      열 머리글Column headers 데이터 세트의 헤더(있는 경우)가 처리되는 방법을 나타냅니다.Indicates how the headers of the dataset, if any, will be treated.
      행 건너뛰기Skip rows 데이터 세트에서 건너뛴 행(있는 경우)의 수를 나타냅니다.Indicates how many, if any, rows are skipped in the dataset.

      다음 을 선택합니다.Select Next.

    6. 스키마 양식은 설정 및 미리 보기 양식의 선택 사항에 따라 지능적으로 채워집니다.The Schema form is intelligently populated based on the selections in the Settings and preview form. 여기서는 각 열의 데이터 형식을 구성하고, 열 이름을 검토하고, 실험에 포함하지 않을 열을 선택합니다.Here configure the data type for each column, review the column names, and select which columns to Not include for your experiment.

      다음 을 선택합니다.Select Next.

    7. 세부 정보 확인 양식은 이전에 기본 정보설정 및 미리 보기 양식에 채운 정보를 요약한 것입니다.The Confirm details form is a summary of the information previously populated in the Basic info and Settings and preview forms. 프로파일링을 사용하도록 설정된 컴퓨팅을 사용하여 데이터 세트에 대한 데이터 프로필을 만드는 옵션도 있습니다.You also have the option to create a data profile for your dataset using a profiling enabled compute. 데이터 프로파일링에 대한 자세한 정보Learn more about data profiling.

      다음 을 선택합니다.Select Next.

  3. 새로 만든 데이터 세트가 표시되면 선택합니다.Select your newly created dataset once it appears. 또한 데이터 세트 및 샘플 통계 미리 보기도 볼 수 있습니다.You are also able to view a preview of the dataset and sample statistics.

  4. 실행 구성 양식에서 새로 만들기 를 선택 하 고 실험 이름에 자습서-automl-deploy 를 입력 합니다.On the Configure run form, select Create new and enter Tutorial-automl-deploy for the experiment name.

  5. 대상 열을 선택합니다. 이 열은 예측을 수행하려는 열입니다.Select a target column; this is the column that you would like to do predictions on.

  6. 데이터 프로파일링 및 학습 작업에 대한 컴퓨팅을 선택합니다.Select a compute for the data profiling and training job. 기존 컴퓨팅 목록은 드롭다운에서 사용할 수 있습니다.A list of your existing computes is available in the dropdown. 새 컴퓨팅을 만들려면 7단계의 지침을 따릅니다.To create a new compute, follow the instructions in step 7.

  7. 새 컴퓨팅 만들기 를 선택하여 이 실험에 대한 컴퓨팅 컨텍스트를 구성합니다.Select Create a new compute to configure your compute context for this experiment.

    필드Field DescriptionDescription
    컴퓨팅 이름Compute name 컴퓨팅 컨텍스트를 식별하는 고유한 이름을 입력합니다.Enter a unique name that identifies your compute context.
    가상 컴퓨터 우선 순위Virtual machine priority 낮은 우선 순위의 가상 머신은 저렴 하지만 계산 노드를 보장 하지 않습니다.Low priority virtual machines are cheaper but don't guarantee the compute nodes.
    가상 머신 유형Virtual machine type 가상 컴퓨터 유형에 대해 CPU 또는 GPU를 선택 합니다.Select CPU or GPU for virtual machine type.
    가상 머신 크기Virtual machine size 컴퓨팅에 사용할 가상 머신 크기를 선택합니다.Select the virtual machine size for your compute.
    최소 / 최대 노드Min / Max nodes 데이터를 프로파일링하려면 하나 이상의 노드를 지정해야 합니다.To profile data, you must specify 1 or more nodes. 컴퓨팅에 사용할 최대 노드 수를 입력합니다.Enter the maximum number of nodes for your compute. AML 컴퓨팅의 경우 기본값은 6개 노드입니다.The default is 6 nodes for an AML Compute.
    고급 설정Advanced settings 이러한 설정을 사용 하 여 실험에 사용할 사용자 계정 및 기존 가상 네트워크를 구성할 수 있습니다.These settings allow you to configure a user account and existing virtual network for your experiment.

    만들기 를 선택합니다.Select Create. 새 컴퓨팅을 만드는 데 몇 분 정도 걸릴 수 있습니다.Creation of a new compute can take a few minutes.

    참고

    컴퓨팅 이름에는 선택하고 만드는 컴퓨팅에서 프로파일링을 사용하도록 설정 했는지 여부가 표시됩니다.Your compute name will indicate if the compute you select/create is profiling enabled. (자세한 내용은 데이터 프로파일링 섹션을 참조하세요.)(See the section data profiling for more details).

    다음 을 선택합니다.Select Next.

  8. 작업 유형 및 설정 양식에서 작업 유형(분류, 회귀 또는 예측)을 선택합니다.On the Task type and settings form, select the task type: classification, regression, or forecasting. 자세한 내용은 지원 되는 작업 형식 을 참조 하세요.See supported task types for more information.

    1. 분류 의 경우 심층 학습을 사용 하도록 설정할 수도 있습니다.For classification, you can also enable deep learning.

      심층 학습을 사용 하는 경우 유효성 검사는 train_validation 분할 으로 제한 됩니다.If deep learning is enabled, validation is limited to train_validation split. 유효성 검사 옵션에 대해 자세히 알아보세요.Learn more about validation options.

    2. 예측 을 위해 다음을 수행할 수 있습니다.For forecasting you can,

      1. 심층 학습을 사용 합니다.Enable deep learning.

      2. 시간 열 선택:이 열은 사용할 시간 데이터를 포함 합니다.Select time column: This column contains the time data to be used.

      3. 예측 간격 선택: 모델에서 미래를 예측할 수 있는 시간 단위 (분/시간/일/주/월/년) 수를 표시 합니다.Select forecast horizon: Indicate how many time units (minutes/hours/days/weeks/months/years) will the model be able to predict to the future. 나중에 예측하는 데 더 많은 모델이 필요할수록 정확도가 떨어집니다.The further the model is required to predict into the future, the less accurate it will become. 예측 및 예측 구간에 대해 자세히 알아보세요.Learn more about forecasting and forecast horizon.

  9. (선택 사항) 추가 구성 설정 보기: 학습 작업을 더 효율적으로 제어하는 데 사용할 수 있는 추가 설정입니다.(Optional) View addition configuration settings: additional settings you can use to better control the training job. 그렇지 않으면 실험 선택 및 데이터를 기반으로 기본값이 적용됩니다.Otherwise, defaults are applied based on experiment selection and data.

    추가 구성Additional configurations DescriptionDescription
    기본 메트릭Primary metric 모델의 점수를 매기는 데 사용되는 기본 메트릭입니다.Main metric used for scoring your model. 모델 메트릭에 대해 자세히 알아보세요.Learn more about model metrics.
    최상의 모델에 대한 설명Explain best model 권장 되는 최상의 모델에 대 한 설명을 표시 하려면 선택 합니다.Select to enable or disable, in order to show explanations for the recommended best model.
    이 기능은 현재 특정 예측 알고리즘에 사용할 수 없습니다.This functionality is not currently available for certain forecasting algorithms.
    차단된 알고리즘Blocked algorithm 학습 작업에서 제외하려는 알고리즘을 선택합니다.Select algorithms you want to exclude from the training job.

    알고리즘을 허용 하는 것은 SDK 실험에만 사용할 수 있습니다.Allowing algorithms is only available for SDK experiments.
    각 작업 형식에 대해 지원 되는 모델을 참조 하세요.See the supported models for each task type.
    종료 조건Exit criterion 다음 조건 중 하나가 충족되면 학습 작업이 중지됩니다.When any of these criteria are met, the training job is stopped.
    학습 작업 시간(시간) : 학습 작업을 실행할 수 있는 기간입니다.Training job time (hours): How long to allow the training job to run.
    메트릭 점수 임계값: 모든 파이프라인에 대한 최소 메트릭 점수입니다.Metric score threshold: Minimum metric score for all pipelines. 이렇게 하면 도달하려는 목표 메트릭이 정의되어 있는 경우 학습 작업에 필요한 시간보다 더 많은 시간을 소비하지 않습니다.This ensures that if you have a defined target metric you want to reach, you do not spend more time on the training job than necessary.
    유효성 검사Validation 학습 작업에 사용할 교차 유효성 검사 옵션 중 하나를 선택합니다.Select one of the cross validation options to use in the training job.
    교차 유효성 검사에 대해 자세히 알아보세요.Learn more about cross validation.

    예측은 k 접기 교차 유효성 검사만 지원 합니다.Forecasting only supports k-fold cross validation.
    동시성Concurrency 최대 동시 반복 횟수: 학습 작업에서 테스트할 최대 파이프라인(반복) 수입니다.Max concurrent iterations: Maximum number of pipelines (iterations) to test in the training job. 작업이 지정된 반복 횟수를 초과하여 실행되지 않습니다.The job will not run more than the specified number of iterations. 자동화 된 ML이 클러스터에서 여러 자식 실행을수행 하는 방법에 대해 자세히 알아보세요.Learn more about how automated ML performs multiple child runs on clusters.
  10. 필드 기능화 설정 보기: 추가 구성 설정 양식에서 자동 기능화 를 사용 하도록 선택 하는 경우 기본 기능화 기술이 적용 됩니다.(Optional) View featurization settings: if you choose to enable Automatic featurization in the Additional configuration settings form, default featurization techniques are applied. 기능화 설정 보기 에서 이러한 기본값을 변경 하 고 적절 하 게 사용자 지정할 수 있습니다.In the View featurization settings you can change these defaults and customize accordingly. Featurizations를 사용자 지정하는 방법을 알아봅니다.Learn how to customize featurizations.

    스크린샷 기능화 설정이 포함 된 작업 유형 선택 대화 상자를 표시 합니다.

기능화 사용자 지정Customize featurization

기능화 폼에서 자동 기능화를 사용 하거나 사용 하지 않도록 설정 하 고 실험에 대 한 자동 기능화 설정을 사용자 지정할 수 있습니다.In the Featurization form, you can enable/disable automatic featurization and customize the automatic featurization settings for your experiment. 이 양식을 열려면 실험 만들기 및 실행 섹션의 10 단계를 참조 하세요.To open this form, see step 10 in the Create and run experiment section.

다음 표에서는 현재 스튜디오를 통해 사용할 수 있는 사용자 지정 항목을 요약 합니다.The following table summarizes the customizations currently available via the studio.

Column 사용자 지정Customization
IncludedIncluded 학습에 포함할 열을 지정 합니다.Specifies which columns to include for training.
기능 유형Feature type 선택한 열에 대 한 값 유형을 변경 합니다.Change the value type for the selected column.
돌립니다Impute with 데이터에서 누락 된 값을 돌립니다 값을 선택 합니다.Select what value to impute missing values with in your data.

Azure Machine Learning studio 사용자 지정 기능화

실험 실행 및 결과 보기Run experiment and view results

마침 을 선택하여 실험을 실행합니다.Select Finish to run your experiment. 실험 준비 프로세스는 최대 10분 정도 걸릴 수 있습니다.The experiment preparing process can take up to 10 minutes. 각 파이프라인에서 실행을 완료하는 데 학습 작업에 2-3분 더 걸릴 수 있습니다.Training jobs can take an additional 2-3 minutes more for each pipeline to finish running.

참고

자동화 된 ML의 알고리즘에는 정확도와 같은 권장 모델의 최종 메트릭 점수에 약간의 변형이 발생할 수 있는 내재 된 무작위성이 있습니다.The algorithms automated ML employs have inherent randomness that can cause slight variation in a recommended model's final metrics score, like accuracy. 또한 자동화 된 ML은 필요한 경우 학습-테스트 분할, 학습-유효성 검사 분할 또는 교차 유효성 검사와 같은 데이터에 대 한 작업을 수행 합니다.Automated ML also performs operations on data such as train-test split, train-validation split or cross-validation when necessary. 따라서 동일한 구성 설정 및 기본 메트릭을 사용 하 여 실험을 여러 번 실행 하는 경우 이러한 요인으로 인해 각 실험 최종 메트릭 점수에 변형이 표시 될 수 있습니다.So if you run an experiment with the same configuration settings and primary metric multiple times, you'll likely see variation in each experiments final metrics score due to these factors.

실험 세부 정보 보기View experiment details

세부 정보 탭에 실행 세부 정보 화면이 열립니다. 이 화면에서는 실행 번호 옆의 위쪽에 상태 표시줄이 포함된 실험 실행 요약이 표시됩니다.The Run Detail screen opens to the Details tab. This screen shows you a summary of the experiment run including a status bar at the top next to the run number.

모델 탭에는 메트릭 점수를 기준으로 정렬하여 만든 모델 목록이 있습니다.The Models tab contains a list of the models created ordered by the metric score. 기본적으로 선택한 메트릭에 따라 가장 높은 점수를 획득한 모델이 목록 맨 위에 표시됩니다.By default, the model that scores the highest based on the chosen metric is at the top of the list. 학습 작업에서 더 많은 모델을 시도하면 모델이 목록에 추가됩니다.As the training job tries out more models, they are added to the list. 이 방법을 사용하여 지금까지 생성된 모델에 대한 메트릭을 신속하게 비교할 수 있습니다.Use this to get a quick comparison of the metrics for the models produced so far.

실행 세부 정보

학습 실행 세부 정보 보기View training run details

모델 탭의 모델 요약 또는 메트릭 탭의 성능 메트릭 차트와 같은 학습 실행 세부 정보를 보려면 완성 된 모델을 드릴 다운 합니다. 차트에대해 자세히 알아보세요.Drill down on any of the completed models to see training run details, like a model summary on the Model tab or performance metric charts on the Metrics tab. Learn more about charts.

반복 세부 정보Iteration details

모델 설명Model explanations

모델에 대해 더 잘 이해 하려면 모델 설명 대시보드를 사용 하 여 모델의 예측에 영향을 받는 데이터 기능 (raw 또는 엔지니어링)을 참조 하세요.To better understand your model, see which data features (raw or engineered) influenced the model's predictions with the model explanations dashboard.

모델 설명 대시보드는 예측 및 설명과 함께 학습 된 모델에 대 한 전체 분석을 제공 합니다.The model explanations dashboard provides an overall analysis of the trained model along with its predictions and explanations. 또한 개별 데이터 요소와 개별 기능 importances를 자세히 살펴볼 수 있습니다.It also lets you drill into an individual data point and its individual feature importances. 설명 대시보드 시각화 및 특정 플롯에 대해 자세히 알아보세요.Learn more about the explanation dashboard visualizations and specific plots.

특정 모델에 대 한 설명을 얻으려면To get explanations for a particular model,

  1. 모델 탭에서 사용 하려는 모델을 선택 합니다.On the Models tab, select the model you want to use.

  2. 모델 설명 단추를 선택 하 고 설명을 생성 하는 데 사용할 수 있는 계산을 제공 합니다.Select the Explain model button and provide a compute that can be used to generate the explanations.

  3. 자식 실행 탭에서 상태를 확인 합니다.Check the Child runs tab for the status.

  4. 완료 되 면 설명 대시보드가 포함 된 설명 (미리 보기) 탭으로 이동 합니다.Once complete, navigate to the Explanations (preview) tab which contains the explanations dashboard.

    모델 설명 대시보드

모델 배포Deploy your model

최상의 모델이 있으면 이제 새 데이터를 예측하기 위해 이 모델을 웹 서비스로 배포합니다.Once you have the best model at hand, it is time to deploy it as a web service to predict on new data.

Python SDK를 사용 하 여 패키지를 통해 생성 된 모델을 배포 하려면 automl 작업 영역에 모델을 등록 해야 합니다.If you are looking to deploy a model that was generated via the automl package with the Python SDK, you must register your model to the workspace.

모델을 등록 한 후에는 왼쪽 창에서 모델 을 선택 하 여 스튜디오에서 찾을 수 있습니다.Once you're model is registered, find it in the studio by selecting Models on the left pane. 모델을 연 후 화면 위쪽에서 배포 단추를 선택 하 고 모델 배포 섹션의 2 단계 에 설명 된 지침을 따를 수 있습니다.Once you open your model, you can select the Deploy button at the top of the screen, and then follow the instructions as described in step 2 of the Deploy your model section.

자동화된 ML을 사용하면 코드를 작성하지 않고도 모델을 배포할 수 있습니다.Automated ML helps you with deploying the model without writing code:

  1. 두 가지 배포 옵션은 다음과 같습니다.You have a couple options for deployment.

    • 옵션 1: 정의한 메트릭 조건에 따라 최상의 모델을 배포 합니다.Option 1: Deploy the best model, according to the metric criteria you defined.

      1. 실험이 완료 되 면 화면 맨 위에서 실행 1 을 선택 하 여 부모 실행 페이지로 이동 합니다.After the experiment is complete, navigate to the parent run page by selecting Run 1 at the top of the screen.
      2. 최적 모델 요약 섹션에 나열 된 모델을 선택 합니다.Select the model listed in the Best model summary section.
      3. 창의 왼쪽 위에서 배포 를 선택 합니다.Select Deploy on the top left of the window.
    • 옵션 2:이 실험에서 특정 모델 반복을 배포 합니다.Option 2: To deploy a specific model iteration from this experiment.

      1. 모델 탭에서 원하는 모델을 선택합니다.Select the desired model from the Models tab
      2. 창의 왼쪽 위에서 배포 를 선택 합니다.Select Deploy on the top left of the window.
  2. 모델 배포 창을 채웁니다.Populate the Deploy model pane.

    필드Field Value
    속성Name 배포에 대한 고유한 이름을 입력합니다.Enter a unique name for your deployment.
    DescriptionDescription 이 배포의 용도를 더 잘 식별할 수 있는 설명을 입력합니다.Enter a description to better identify what this deployment is for.
    컴퓨팅 형식Compute type 배포하려는 엔드포인트 유형으로 AKS(Azure Kubernetes Service) 또는 ACI(Azure Container Instance) 를 선택합니다.Select the type of endpoint you want to deploy: Azure Kubernetes Service (AKS) or Azure Container Instance (ACI).
    컴퓨팅 이름Compute name AKS에만 적용: 배포하려는 AKS 클러스터의 이름을 선택합니다.Applies to AKS only: Select the name of the AKS cluster you wish to deploy to.
    인증 사용Enable authentication 토큰 기반 또는 키 기반 인증을 허용할지를 선택합니다.Select to allow for token-based or key-based authentication.
    사용자 지정 배포 자산 사용Use custom deployment assets 사용자 고유의 채점 스크립트 및 환경 파일을 업로드하려면 이 기능을 사용하도록 설정합니다.Enable this feature if you want to upload your own scoring script and environment file. 점수 매기기 스크립트에 대해 자세히 알아보세요.Learn more about scoring scripts.

    중요

    파일 이름은 32자 미만이어야 하며 영숫자로 시작하고 끝나야 합니다.File names must be under 32 characters and must begin and end with alphanumerics. 대시, 밑줄, 점 및 영숫자를 포함할 수 있습니다.May include dashes, underscores, dots, and alphanumerics between. 공백은 허용되지 않습니다.Spaces are not allowed.

    고급 메뉴에서는 데이터 수집 및 리소스 사용률 설정과 같은 기본 배포 기능을 제공합니다.The Advanced menu offers default deployment features such as data collection and resource utilization settings. 이러한 기본값을 재정의하려면 이 메뉴에서 해당 작업을 수행합니다.If you wish to override these defaults do so in this menu.

  3. 배포 를 선택합니다.Select Deploy. 배포가 완료되는 데 약 20분 정도 걸릴 수 있습니다.Deployment can take about 20 minutes to complete. 배포가 시작되면 모델 요약 탭이 나타납니다.Once deployment begins, the Model summary tab appears. 배포 상태 섹션에서 배포 진행률을 확인하세요.See the deployment progress under the Deploy status section.

이제 예측을 생성하는 운영 웹 서비스가 있습니다!Now you have an operational web service to generate predictions! Power BI의 기본 제공 Azure Machine Learning 지원에서 서비스를 쿼리하여 예측을 테스트할 수 있습니다.You can test the predictions by querying the service from Power BI's built in Azure Machine Learning support.

다음 단계Next steps