모델 배포

Azure Machine Learning 작업 영역을 사용하여 모델을 수동으로 배포할 수 있습니다. 모델을 자동으로 배포하려면 Azure Machine Learning CLI(v2) 및 GitHub Actions를 사용할 수 있습니다. GitHub Actions를 사용하여 모델을 자동으로 배포하려면 다음을 수행해야 합니다.

• 모델을 패키지하고 등록합니다.
• 엔드포인트를 만들고 모델을 배포합니다.
• 배포된 모델 테스트

모델 패키지 및 등록

Azure Machine Learning 작업 영역을 사용하여 모델을 배포하려는 경우 모델의 출력을 저장하고 작업 영역에 모델을 등록해야 합니다. 모델을 등록할 때 MLflow 또는 사용자 지정 모델이 있는지 여부를 지정합니다.

MLflow를 사용하여 모델을 만들고 로그할 때 코드 없는 배포를 사용할 수 있습니다.

MLflow를 사용하여 모델을 로그하려면 mlflow.autolog()를 사용하여 학습 스크립트에서 자동 로깅을 사용하도록 설정합니다.

모델 학습 중에 모델을 로그하면 모델이 작업 출력에 저장됩니다. 또는 Azure Machine Learning 데이터 저장소에 모델을 저장할 수 있습니다.

모델을 등록하려면 작업의 출력 또는 Azure Machine Learning 데이터 저장소의 위치를 가리킬 수 있습니다.

엔드포인트 만들기 및 모델 배포

모델을 엔드포인트에 배포하려면 먼저 엔드포인트를 만든 다음, 모델을 배포합니다. 엔드포인트는 웹앱이 데이터를 보내고 예측을 가져올 수 있는 HTTPS 엔드포인트입니다. 업데이트된 모델을 동일한 엔드포인트에 배포한 후에도 엔드포인트가 동일하게 유지되도록 합니다. 엔드포인트가 동일하게 유지되면 모델을 다시 학습할 때마다 웹앱을 업데이트할 필요가 없습니다.

모델 테스트

마지막으로, 엔드포인트를 웹앱과 통합하기 전에 배포된 모델을 테스트하려고 합니다. 또는 엔드포인트의 모든 트래픽을 업데이트된 모델로 변환하기 전에 그럴 수 있습니다. 온라인 엔드포인트를 수동으로 테스트하거나 GitHub Actions를 사용하여 엔드포인트 테스트를 자동화할 수 있습니다.