예측 서비스 배포 - Learn

5분

실시간 추론용 추론 파이프라인을 만들고 테스트한 후에는 이를 클라이언트 응용 프로그램에서 사용할 서비스로 게시할 수 있습니다.

참고

이 연습에서는 ACI(Azure Container Instance)에 웹 서비스를 배포합니다. 이러한 유형의 컴퓨팅은 동적으로 만들어지며 개발 및 테스트에 유용합니다. 프로덕션 환경에서는 ‘유추 클러스터’를 만들어 향상된 스케일링 성능 및 보안을 제공하는 AKS(Azure Kubernetes Service) 클러스터를 제공해야 합니다.

서비스 배포

이전 단원에서 만든 자동차 가격 예측 유추 파이프라인을 확인합니다.
오른쪽 위에서 배포 를 선택하고 다음 설정을 사용하여 새로운 실시간 엔드포인트를 배포합니다.
- 이름: predict-auto-price
- 설명: 자동 가격 회귀
- 컴퓨팅 형식: Azure Container Instances
웹 서비스가 배포될 때까지 기다립니다. 몇 분 정도 걸릴 수 있습니다. 배포 상태는 디자이너 인터페이스의 왼쪽 상단에 표시됩니다.

서비스 테스트

이제 클라이언트 애플리케이션에서 배포된 서비스를 테스트할 수 있습니다. 여기에서는 아래 셀의 코드를 사용하여 클라이언트 애플리케이션을 시뮬레이션합니다.

엔드포인트 페이지에서 predict-auto-price 실시간 엔드포인트를 엽니다.
predict-auto-price 엔드포인트가 열리면 사용 탭을 보고 다음 정보를 확인합니다. 클라이언트 애플리케이션에서 배포된 서비스로 연결하려면 해당 정보가 필요합니다.
- 서비스에 대한 REST 엔드포인트
- 서비스에 대한 기본 키
해당 값 옆에 있는 ⧉ 링크를 사용하여 이를 클립보드에 복사할 수 있습니다.
브라우저에서 predict-auto-price 서비스 페이지의 사용 페이지가 열린 상태에서 새 브라우저 탭을 열고 Azure Machine Learning Studio의 두 번째 인스턴스를 엽니다. 그런 다음, 새 탭에서 Notebooks 페이지(작성자 아래)를 봅니다.
Notebooks 페이지의 내 파일 에서 🗋 단추를 사용하여 다음 설정으로 새 파일을 만듭니다.
- 파일 위치: Users/사용자 이름
- 파일 이름: Test-Autos
- 파일 형식: Notebook
- 이미 있는 경우 덮어쓰기: 선택됨
새 Notebook이 만들어지면 이전에 만든 컴퓨팅 인스턴스가 컴퓨팅 상자에서 선택되었는지, 그리고 상태가 실행 중 인지 확인합니다.
≪ 단추를 사용하여 파일 탐색기 창을 축소하고 Test-Autos.ipynb Notebook 탭에 사용할 수 있는 공간을 확보합니다.

Notebook에서 만들어진 사각형 셀에 다음 코드를 붙여넣습니다.

endpoint = 'YOUR_ENDPOINT' #Replace with your endpoint
key = 'YOUR_KEY' #Replace with your key

import urllib.request
import json
import os

# Prepare the input data
data = {
    "Inputs": {
        "WebServiceInput0":
        [
            {
                    'symboling': 3,
                    'normalized-losses': None,
                    'make': "alfa-romero",
                    'fuel-type': "gas",
                    'aspiration': "std",
                    'num-of-doors': "two",
                    'body-style': "convertible",
                    'drive-wheels': "rwd",
                    'engine-location': "front",
                    'wheel-base': 88.6,
                    'length': 168.8,
                    'width': 64.1,
                    'height': 48.8,
                    'curb-weight': 2548,
                    'engine-type': "dohc",
                    'num-of-cylinders': "four",
                    'engine-size': 130,
                    'fuel-system': "mpfi",
                    'bore': 3.47,
                    'stroke': 2.68,
                    'compression-ratio': 9,
                    'horsepower': 111,
                    'peak-rpm': 5000,
                    'city-mpg': 21,
                    'highway-mpg': 27,
            },
        ],
    },
    "GlobalParameters":  {
    }
}
body = str.encode(json.dumps(data))
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ key)}
req = urllib.request.Request(endpoint, body, headers)

try:
    response = urllib.request.urlopen(req)
    result = response.read()
    json_result = json.loads(result)
    y = json_result["Results"]["WebServiceOutput0"][0]["predicted_price"]
    print('Predicted price: {:.2f}'.format(y))

except urllib.error.HTTPError as error:
    print("The request failed with status code: " + str(error.code))

    # Print the headers to help debug the error
    print(error.info())
    print(json.loads(error.read().decode("utf8", 'ignore')))

참고

코드의 세부 정보에 대해 너무 걱정하지 마세요. 자동차의 세부 정보를 제출하고 만들어진 predict-auto-price 서비스를 사용하여 예측 가격을 얻습니다.

predict-auto-price 서비스의 사용 페이지가 포함된 브라우저 탭으로 전환한 다음 서비스에 대한 REST 엔드포인트를 복사합니다. Notebook을 포함하는 탭으로 돌아가 키를 코드에 복사하고 YOUR_ENDPOINT를 대체합니다.
predict-auto-price 서비스의 사용 페이지가 포함된 브라우저 탭으로 전환한 다음 서비스에 대한 기본 키를 복사합니다. Notebook을 포함하는 탭으로 돌아가 키를 코드에 복사하고 YOUR_KEY를 대체합니다.
Notebook을 저장합니다. 셀 옆에 있는 ▷ 단추를 사용하여 코드를 실행합니다.
예측 가격이 반환되는지 확인합니다.

계속