빠른 시작: AutoAI로 기계 학습 모델 빌드 및 배치

데이터 및 AutoAI 실험을 저장할 프로젝트가 필요합니다. 샌드박스 프로젝트를 사용하거나 프로젝트를 작성할 수 있습니다.

1. 탐색 메뉴 에서 프로젝트 > 모든 프로젝트 보기 를 선택하십시오.

2. 샌드박스 프로젝트를 여십시오. 새 프로젝트를 사용하려면 다음을 수행하십시오.

   1. 새 프로젝트를 클릭하십시오.

   2. 빈 프로젝트 작성을 선택하십시오.

   3. 프로젝트의 이름 및 선택적 설명을 입력하십시오.

   4. 기존 오브젝트 스토리지 서비스 인스턴스를 선택하거나 새로 작성하십시오.

   5. 작성을 클릭하십시오.

3. 프로젝트가 열리면 관리 탭을 클릭하고 서비스 및 통합 페이지를 선택하십시오.

   1. IBM 서비스 탭에서 서비스 연관을 클릭하십시오.

   2. Watson Machine Learning 인스턴스를 선택하십시오. Watson Machine Learning 서비스 인스턴스가 아직 프로비저닝되지 않은 경우 다음 단계를 수행하십시오.

      1. 새 서비스를 클릭하십시오.

      2. Watson Machine Learning을 선택하십시오.

      3. 작성을 클릭하십시오.

      4. 목록에서 새 서비스 인스턴스를 선택하십시오.

   3. 서비스 연관을 클릭하십시오.

   4. 필요한 경우 취소 를 클릭하여 서비스 및 통합 페이지로 돌아가십시오.

추가 정보나 동영상을 보려면 프로젝트 작성을 참조하십시오.

이 태스크를 미리보려면 00:08에 시작하는 비디오를 보십시오.

이제 프로젝트가 있으므로 AutoAI를 사용하여 모델을 빌드하고 훈련할 준비가 되었습니다. 다음 단계에 따라 AutoAI 실험을 작성하고, 모델 파이프라인을 검토하고, 모델로 저장할 파이프라인을 선택하십시오.

1. 프로젝트에서 자산 탭을 클릭한 후 새 자산 > 자동으로 기계 학습 모델 빌드를 클릭하십시오.

2. 자동으로 기계 학습 모델 빌드 페이지에서 기본 필드를 완료하십시오.

   1. 자원 허브 샘플 패널을 클릭하십시오.

   2. 은행 마케팅 샘플 데이터를 선택하고 다음을 클릭하십시오. 프로젝트 이름과 설명이 채워집니다.

   3. 프로젝트와 연관시킨 Machine Learning 서비스 인스턴스가 Watson Machine Learning Service 인스턴스 필드에서 선택되었는지 확인하십시오.

3. 작성을 클릭하십시오.

4. 이 샘플 AutoAI 실험에서는 실험에 대해 은행 마케팅 샘플 데이터 가 이미 선택되어 있음을 확인할 수 있습니다.

   

5. 사전 설정된 실험 설정을 검토하십시오. 데이터 세트 및 예측하도록 선택된 열을 기반으로, AutoAI는 데이터의 서브세트를 분석하고 분석할 예측 유형과 메트릭을 선택합니다. 이 경우 예측 유형은 2진분류이고 양의 클래스는 예이며 최적화된 메트릭은 ROC AUC & 런타임입니다.

6. 실험 실행을 클릭하십시오. 모델이 훈련할 때 파이프라인 빌드 프로세스를 보여주는 인포그래픽이 표시됩니다.
   

   AutoAI에서 각 머신 러닝 기법에 사용할 수 있는 알고리즘 또는 평가자 목록은 다음을 참조하십시오. AutoAI 구현 상세.

7. 실험 실행이 완료되면 리더보드에서 순위가 지정된 파이프라인을 보고 비교할 수 있습니다.

   

8. 파이프라인 비교 를 클릭하여 차이점을 확인할 수 있습니다.

   

9. 파이프라인 세부사항을 보려면 가장 높은 순위의 파이프라인을 클릭하십시오.

10. 다른 이름으로 저장을 클릭하고 모델을 선택한 후 작성을 클릭하십시오. 그러면 파이프라인이 프로젝트에 모델로 저장됩니다.

11. 모델이 저장되면 알림에서 프로젝트 보기 링크를 클릭하여 프로젝트의 모델을 보십시오. 또는 프로젝트의 자산 탭으로 이동하여 모델 섹션에서 모델 이름을 클릭할 수 있습니다.

이 태스크를 미리 보려면 04:57에서 시작하는 비디오를 시청하십시오.

모델을 배치하려면 먼저 모델을 배치 영역으로 승격해야 합니다. 모델을 배치 영역으로 승격하여 모델을 배치하려면 다음 단계를 수행하십시오.

1. 배치 영역으로 승격 아이콘 을 클릭하십시오.

2. 기존 배치 영역을 선택하십시오. 배치 영역이 없는 경우:

   1. 새 배치 영역 작성을 클릭하십시오.

   2. 공간 이름 및 선택적 설명을 제공하십시오.

   3. 스토리지 서비스를 선택하십시오.

   4. 기계 학습 서비스를 선택하십시오.

   5. 작성을 클릭하십시오.

   6. 닫기를 클릭하십시오.

3. 목록에서 새 배치 영역을 선택하십시오.

4. 승격 후 공간의 모델로 이동 옵션을 선택하십시오.

5. 승격을 클릭하십시오.

   참고: 승격 후 영역의 모델로 이동하는 옵션을 선택하지 않은 경우, 탐색 메뉴를 사용하여 배치 로 이동하여 배치 영역 및 모델을 선택할 수 있습니다.

6. 모델이 열려 있는 상태에서 새 배치를 클릭하십시오.

   1. 배치 유형으로 온라인을 선택하십시오.

   2. 배치의 이름을 지정하십시오.

   3. 작성을 클릭하십시오.

7. 배치가 완료되면 배치 이름을 클릭하여 배치 세부사항 페이지를 보십시오.

이 태스크를 미리 보려면 06:22에서 시작하는 비디오를 보십시오.

이제 모델이 배치되었으므로 사용자 인터페이스를 사용하거나 Watson Machine Learning API를 통해 해당 온라인 배치를 테스트할 수 있습니다. 사용자 인터페이스를 사용하여 새 데이터로 모델을 테스트하려면 다음 단계를 수행하십시오.

1. 테스트 탭을 클릭하십시오. JSON 코드로 테스트 또는 형식으로 테스트의 두 가지 방식으로 배치 세부사항 페이지에서 배치된 모델을 테스트할 수 있습니다.

2. JSON 입력 탭을 클릭하고 다음 테스트 데이터를 복사한 후 붙여넣어 기존 JSON 텍스트를 대체하십시오.

   {
      "input_data": [
         {
            "fields": [
                  "age",
                  "job",
                  "marital",
                  "education",
                  "default",
                  "balance",
                  "housing",
                  "loan",
                  "contact",
                  "day",
                  "month",
                  "duration",
                  "campaign",
                  "pdays",
                  "previous",
                  "poutcome"
               ],
            "values": [
                  [
                  27,
                  "unemployed",
                  "married",
                  "primary",
                  "no",
                  1787,
                  "no",
                  "no",
                  "cellular",
                  19,
                  "oct",
                  79,
                  1,
                  -1,
                  0,
                  "unknown"
                  ]
               ]
         }
      ]
   }
   

3. 지정된 속성을 가진 고객이 특정 유형의 계정에 등록할 가능성이 있는지 여부를 예측하려면 예측을 클릭하십시오. 결과 예측은 이 고객이 마케팅 프로모션에 등록하지 않을 확률이 매우 높음을 표시합니다.

4. X 를 클릭하여 예측 결과 창을 닫으십시오.

이제 단일 예측으로 배치된 모델을 테스트했으므로 일괄처리 배치를 작성하여 동시에 여러 레코드를 스코어링할 수 있습니다.