파이프라인 에디터를 사용하여 그래픽 캔버스에서 생성부터 배포까지 에셋의 엔드투엔드 흐름을 오케스트레이션할 수 있습니다. 파이프라인을 조립하고 구성하여 머신 러닝 모델과 Python 스크립트를 생성, 학습, 배포 및 업데이트할 수 있습니다.
오케스트레이션 파이프라인의 지원 지역에 대한 자세한 내용은 Cloud Pak for Data as a Service 지역 제한을 참조하세요.
노드를 캔버스에 드래그하고 개체와 매개변수를 지정한 다음 파이프라인을 실행하고 모니터링하여 파이프라인을 설계합니다.
제품에 대한 경로 자동화
모델을 제품에 넣는 것은 다단계 프로세스입니다. 데이터를 로드하고 처리해야 하며, 모델을 학습하고 평가한 후 배포하고 테스트해야 합니다. AI 실험, 데이터 분석 및 머신러닝 모델은 모두 편향이나 편차를 피하기 위해 시간이 지남에 따라 더 많은 관찰, 평가 및 업데이트가 필요합니다.
다음 그래픽은 만들 수 있는 여러 가지 흐름 중에서 자동화할 수 있는 모델 수명 주기의 한 가지 예를 보여줍니다.
파이프라인을 다음과 같이 자동화할 수 있습니다:
- 다양한 내부 소스 및 외부 연결에서 데이터를 안전하게 로드하고 처리할 수 있습니다.
- 일관된 방식으로 모델 또는 실행 스크립트를 빌드, 실행, 평가 및 배포하여 원하는 결과를 얻을 수 있습니다.
- 를 사용하면 브랜치를 생성하여 흐름의 경로를 간단하게 실행하고 직접 시각적으로 결과를 수집할 수 있습니다.
파이프라인은 다음을 포함하되 이에 국한되지 않는 실험을 실행할 수 있습니다:
- AutoAI 실험
- Jupyter Notebook 작업
- Data Refinery 작업
- SPSS Modeler 작업
파이프라인을 조립하고 수정 사항을 신속하게 업데이트 및 테스트하여 구상부터 생산까지 걸리는 시간을 단축할 수 있습니다. 파이프라인 캔버스는 파이프라인을 시각화하고 파이프라인 매개변수 변수를 사용하여 런타임 시 파이프라인을 사용자 정의한 후 이를 평가판 작업으로 또는 스케줄에 따라 실행하는 도구를 제공합니다.
파이프라인 편집 도구를 사용하면 데이터 과학자와 ModelOps 엔지니어 간에 더욱 긴밀하게 협업할 수 있습니다. 데이터 과학자는 모델을 작성하고 훈련할 수 있습니다. ModelOps 엔지니어는 모델이 프로덕션 환경에 공개된 후 모델을 훈련, 배치 및 평가하는 프로세스를 자동화할 수 있습니다.
유스 케이스 및 학습서
데이터 패브릭 솔루션에 IBM 오케스트레이션 파이프라인을 포함시켜 데이터 및 AI 라이프사이클을 관리하고 자동화할 수 있습니다. Data Fabric 머신 러닝 목표와 운영을 실질적인 방식으로 지원하는 방법에 대한 자세한 내용은 사용 사례를 참조하세요.
- 데이터 과학 및 MLOps 사용 사례에서는 데이터를 관리하고, 모델 구축 및 배포 파이프라인을 구축하고, 모델 공정성 및 성능을 평가하는 방법을 설명합니다.
- 데이터 과학 및 MLOps 튜토리얼: 데이터 통합으로 AI 파이프라인 조정
- 데이터 과학 및 MLOps 튜토리얼: 모델 모니터링으로 AI 파이프라인 조정
추가 자원
자세한 정보는 파이프라인 플로우를 사용하여 AI 라이프사이클 자동화에 대한 블로그 게시물을 참조하십시오.
자세한 정보
- 프로젝트에 파이프라인 추가를 입력하고 캔버스 도구를 확인하십시오.
- 기본 제공 샘플 파이프라인 실행을 사용하여 실제 파이프라인 흐름을 실행해 보세요.
- 파이프라인 만들기로 사용자 지정 시나리오의 엔드투엔드 흐름을 만들 수 있습니다.
- 파이프라인 실행 및 저장하기에서 파이프라인을 자산으로 관리할 수 있습니다.