Azure Machine Learning이란?

이 문서에서는 ML 모델의 학습, 배포, 자동화, 관리 및 추적에 사용할 수 있는 클라우드 기반 환경인 Azure Machine Learning에 대해 알아봅니다.

Azure Machine Learning은 전통적인 기계 학습부터 딥 러닝, 감독 학습 및 자율 학습에 이르는 모든 종류의 기계 학습에 사용할 수 있습니다. SDK를 사용하여 Python 또는 R 코드를 작성하든, 스튜디오에서 코드 없음/낮은 코드 옵션으로 작업하든 상관없이 Azure Machine Learning 작업 영역에서 기계 학습 및 딥 러닝 모델을 빌드, 학습 및 추적할 수 있습니다.

로컬 머신에서 학습을 시작한 다음, 클라우드로 확장할 수 있습니다.

이 서비스는 PyTorch, TensorFlow, scikit-learn 및 Ray RLlib와 같은 널리 사용되는 딥 러닝 및 강화 오픈 소스 도구와도 상호 운용됩니다.

평가판! Azure 구독이 없는 경우 시작하기 전에 체험 계정을 만듭니다. 지금 Azure Machine Learning 평가판 또는 유료 버전을 사용해 보세요. Azure 서비스에서 사용 가능한 크레딧을 제공합니다. 크레딧이 소진되더라도 계정이 유지되므로 무료 Azure 서비스를 계속 사용할 수 있습니다. 설정을 명시적으로 변경하여 결제를 요청하지 않는 한 신용 카드로 결제되지 않습니다.

머신 러닝이란 무엇인가요?

머신 러닝은 컴퓨터에서 기존 데이터를 사용하여 미래 동작, 결과 및 추세를 예측하는 데이터 과학 기술입니다. 머신 러닝을 사용하면 컴퓨터에서 명시적으로 프로그래밍하지 않고 학습합니다.

Machine Learning을 통한 예측은 좀 더 똑똑한 앱 및 디바이스를 만드는 데 도움이 됩니다. 온라인 쇼핑을 예로 들면, 머신 러닝은 사용자가 구매한 제품에 따라 좋아할 만한 다른 제품을 추천하는 데 도움이 됩니다. 또는 신용 카드를 읽을 때 머신 러닝은 해당 거래를 거래 데이터베이스와 비교하여 부정 행위를 검색하는 데 도움을 줍니다. 또한 로봇 진공 청소기가 방을 청소할 때, 머신 러닝은 작업이 완료되었는지 여부를 판단하도록 해줍니다.

각 작업에 적합한 기계 학습 도구

Azure Machine Learning은 개발자와 데이터 과학자에게 다음을 비롯한 기계 학습 워크플로에 필요한 모든 도구를 제공합니다.

  • Azure Machine Learning 디자이너: 모듈 끌어서 놓기를 통해 실험을 빌드한 다음, 낮은 코드 환경에서 파이프라인을 배포합니다.

  • Jupyter Notebook: 예제 Notebook을 사용하거나 고유한 Notebook을 만들어 기계 학습에서 Python용 Azure SDK 샘플을 활용할 수 있습니다.

  • R용 SDK를 사용하여 고유한 코드를 작성하는 R 스크립트 또는 Notebook이나 디자이너에서 사용하는 R 모듈

  • 많은 모델 솔루션 가속기(미리 보기)는 Azure Machine Learning을 기반으로 하며 수백 또는 수천 개의 기계 학습 모델을 학습, 운영 및 관리할 수 있습니다.

  • Visual Studio Code용 기계 학습 확장(미리 보기)은 기계 학습 프로젝트를 빌드하고 관리하기 위한 완전한 기능을 갖춘 개발 환경을 제공합니다.

  • 기계 학습 CLI는 명령줄에서 Azure Machine Learning 리소스로 관리하기 위한 명령을 제공하는 Azure CLI 확장입니다.

  • PyTorch, TensorFlow 및 scikit-learn과 같은 오픈 소스 프레임워크와의 통합은 엔드투엔드 기계 학습 프로세스를 학습, 배포 및 관리하기 위한 다양한 기능을 포함합니다.

  • Ray RLlib를 사용하는 보충 학습

MLflow를 사용하여 메트릭을 추적하거나 Kubeflow를 사용하여 엔드투엔드 워크플로 파이프라인을 빌드할 수도 있습니다.

Python 또는 R에서 ML 모델 빌드

Azure Machine Learning Python SDK 또는 R SDK를 사용하여 로컬 머신에서 학습을 시작한 다음, 클라우드로 확장할 수 있습니다.

Azure Machine Learning 컴퓨팅 및 Azure Databricks와 같이 사용할 수 있는 여러 컴퓨팅 대상고급 하이퍼 매개 변수 튜닝 서비스를 통해 클라우드의 강력한 기능을 사용하여 더 나은 모델을 더 빠르게 빌드할 수 있습니다.

SDK를 사용하여 모델 학습 및 튜닝을 자동화할 수도 있습니다.

스튜디오에서 ML 모델 빌드

Azure Machine Learning 스튜디오는 모델 학습, 배포 및 자산 관리를 위한 낮은 코드와 코드 없음 옵션에 대한 Azure Machine Learning의 웹 포털입니다. 스튜디오는 원활한 환경을 위해 Azure Machine Learning SDK와 통합됩니다. 자세한 내용은 Azure Machine Learning 스튜디오란?을 참조하세요.

MLOps: 배포 및 수명 주기 관리

적합한 모델이 있는 경우 웹 서비스, IoT 디바이스 또는 Power BI에서 해당 모델을 쉽게 사용할 수 있습니다. 자세한 내용은 배포 방법 및 위치 문서를 참조하세요.

그런 다음, Python용 Azure Machine Learning SDK, Azure Machine Learning Studio 또는 기계 학습 CLI를 사용하여 배포된 모델을 관리할 수 있습니다.

이러한 모델은 사용 가능하며 대량의 데이터에 대한 예측을 실시간으로 또는 비동기적으로 반환할 수 있습니다.

또한 고급 기계 학습 파이프라인을 사용하여 데이터 준비부터 모델 학습, 평가 및 배포까지 각 단계에서 공동 작업을 수행할 수 있습니다. 파이프라인을 통해 다음을 수행할 수 있습니다.

  • 클라우드에서 엔드투엔드 기계 학습 프로세스 자동화
  • 구성 요소를 다시 사용하고 필요한 경우에만 단계를 다시 실행
  • 각 단계에서 다른 컴퓨팅 리소스 사용
  • 일괄 처리 점수 매기기 작업 실행

스크립트를 사용하여 기계 학습 워크플로를 자동화하려는 경우 기계 학습 CLI가 제공하는 명령줄 도구를 사용하여 학습 실행 제출이나 모델 배포와 같은 일반적인 작업을 수행할 수 있습니다.

Azure Machine Learning을 시작하려면 다음 단계를 참조하세요.

다른 서비스와 통합

Azure Machine Learning은 Azure 플랫폼의 다른 서비스와 함께 작동하며, Git 및 MLFlow 같은 오픈 소스 도구와 통합됩니다.

통신 보안

Azure Storage 계정, 컴퓨팅 대상 및 기타 리소스를 가상 네트워크 내에서 안전하게 사용하여 모델을 학습시키고 유추를 수행할 수 있습니다. 자세한 내용은 Virtual Network 격리 및 개인 정보 개요를 참조하세요.

다음 단계

빠른 시작: Azure Machine Learning 서비스 시작으로 시작합니다. 그런 다음 이러한 리소스를 사용하여 원하는 방법으로 첫 번째 실험을 만듭니다.