오케스트레이션 워크플로 모델 학습

학습은 모델이 레이블이 지정된 발화에서 학습하는 프로세스입니다. 학습이 완료되면 모델 성능을 볼 수 있습니다.

모델을 학습시키려면 학습 작업을 시작합니다. 성공적으로 완료된 작업만 모델을 만듭니다. 학습 작업은 7일 후에 만료되며, 이 시간 이후에는 더 이상 작업 세부 정보를 검색할 수 없습니다. 학습 작업이 성공적으로 완료되고 모델이 만들어지면 작업이 만료되는 경우에는 영향을 받지 않습니다. 한 번에 하나의 학습 작업만 실행할 수 있으며, 동일한 프로젝트에서 다른 작업을 시작할 수 없습니다.

학습 시간은 간단한 프로젝트를 처리할 때 몇 초에서 발화의 최대 제한에 도달할 때까지 몇 시간이 될 수 있습니다.

학습이 성공적으로 완료되면 모델 평가가 자동으로 트리거됩니다. 평가 프로세스는 학습된 모델을 사용하여 테스트 세트의 발화에 대한 예측을 실행하는 것으로 시작하고, 예측된 결과를 제공된 레이블과 비교합니다(진리 기준 설정). 결과가 반환되므로 모델의 성능을 검토할 수 있습니다.

필수 구성 요소

• 구성된 Azure Blob Storage 계정을 사용하여 성공적으로 만들어진 프로젝트

프로젝트 개발 수명 주기를 참조하세요.

데이터 분할

학습 프로세스를 시작하기 전에 프로젝트의 레이블이 지정된 발화는 학습 세트와 테스트 세트로 나뉩니다. 각각 다른 기능을 제공합니다. 학습 집합은 모델을 학습하는 데 사용됩니다. 이는 모델이 레이블이 지정된 발화를 학습하는 집합입니다. 테스트 세트는 학습 중이 아니라 평가 중에만 도입되는 블라인드 세트입니다.

모델이 성공적으로 학습되면 모델을 사용하여 테스트 세트의 발화에서 예측을 수행할 수 있습니다. 이러한 예측은 평가 메트릭을 계산하는 데 사용됩니다.

모든 의도는 학습 및 테스트 집합 모두에서 적절하게 표현되는 것이 좋습니다.

오케스트레이션 워크플로는 다음 두 가지 데이터 분할 방법을 지원합니다.

• 테스트 집합을 학습 데이터에서 자동으로 분할: 시스템은 선택한 백분율에 따라 학습 및 테스트 집합 간에 태그가 지정된 데이터를 분할합니다. 권장되는 분할 백분율은 학습용으로 80%, 테스트용으로 20%입니다.

• 학습 및 테스트 데이터의 수동 분할 사용: 이 방법을 사용하면 사용자가 특정 세트에 속해야 하는 특정 발화를 정의할 수 있습니다. 이 단계는 레이블 지정 중에 테스트 집합에 발화를 추가한 경우에만 사용할 수 있습니다.

모델 학습

학습 작업 시작

다음 URL, 헤더 및 JSON 본문을 사용하여 POST 요청을 만들어 학습 작업을 제출합니다.

요청 URL

API 요청을 만들 때 다음 URL을 사용합니다. 자리 표시자 값을 사용자 고유의 값으로 바꿉니다.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

headers

다음 헤더를 사용하여 요청을 인증합니다.

요청 본문

요청에 다음 개체를 사용합니다. 학습이 완료되면 모델 이름이 MyModel로 지정됩니다.

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "standard",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}

API 요청을 보내면 성공을 나타내는 202 응답을 받게 됩니다. 응답 헤더에서 다음과 같이 포맷된 operation-location 값을 추출합니다.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

이 URL을 사용하여 학습 작업 상태를 가져올 수 있습니다.

학습 작업 상태 가져오기

학습 데이터 크기와 스키마 복잡성에 따라 학습에 시간이 다소 걸릴 수 있습니다. 다음 요청을 사용하여 성공적으로 완료될 때까지 학습 작업의 상태를 계속 폴링할 수 있습니다.

다음 GET 요청을 사용하여 모델의 학습 진행률에 대한 상태를 가져옵니다. 자리 표시자 값을 사용자 고유의 값으로 바꿉니다.

요청 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

headers

다음 헤더를 사용하여 요청을 인증합니다.

응답 본문

요청을 보내면 다음과 같은 응답을 가져오게 됩니다. status 매개 변수가 "succeeded"로 변경될 때까지 이 엔드포인트를 계속 폴링합니다.

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

학습 작업 취소

다음 URL, 헤더 및 JSON 본문을 사용하여 학습 작업을 취소하는 POST 요청을 만듭니다.

요청 URL

API 요청을 만들 때 다음 URL을 사용합니다. 자리 표시자 값을 사용자 고유의 값으로 바꿉니다.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}/:cancel?api-version={API-VERSION}

headers

다음 헤더를 사용하여 요청을 인증합니다.

API 요청을 보내면 성공을 나타내는 202 응답을 받게 됩니다. 즉, 학습 작업이 취소되었습니다. 작업의 상태를 확인하는 데 사용되는 Operation-Location 헤더가 포함된 성공적인 호출 결과.

다음 단계

• 모델 평가 메트릭 개념
• 모델을 배포하는 방법