제한 사항 및 문제 해결 - Amazon SageMaker
SageMaker 콘솔을 통한 권한 부여 문제 해결공간 장애로 인한 Canvas 애플리케이션 생성 문제 해결공동 작업 제한 사항자체 모델 가져오기에 대한 제한 사항(BYOM)

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

제한 사항 및 문제 해결

다음 섹션에서는 Amazon SageMaker Canvas를 사용할 때 적용되는 문제 해결 도움말 및 제한 사항을 간략하게 설명합니다. 이 주제를 사용하여 발생하는 모든 문제를 해결할 수 있습니다.

SageMaker 콘솔을 통한 권한 부여 문제 해결

사용자에게 Canvas 기본 권한 또는 Ready-to-use 모델 권한을 부여하는 데 문제가 있는 경우 사용자는 다른 AWS 서비스와 둘 이상의 신뢰 관계가 있는 실행 역할을 가질 AWS IAM 수 있습니다. 신뢰 관계는 역할을 맡을 수 있는 보안 주체(사용자, 역할, 계정 또는 서비스)를 정의하는 역할에 연결된 정책입니다. 예를 들어 실행 역할이 Amazon SageMaker 및 Amazon Forecast와 신뢰 관계가 있는 경우 사용자에게 추가 Canvas 권한을 부여하는 데 문제가 발생할 수 있습니다.

이 문제는 다음 옵션 중 하나를 선택하여 해결할 수 있습니다.

1. 신뢰할 수 있는 서비스 하나를 제외한 모든 서비스를 역할에서 제거합니다.

이 솔루션을 사용하려면 사용자 프로필의 IAM 역할에 대한 신뢰 관계를 편집하고 를 제외한 모든 AWS 서비스를 제거해야 합니다 SageMaker.

IAM 실행 역할의 신뢰 관계를 편집하려면 다음을 수행합니다.

  1. 에서 IAM 콘솔로 이동합니다https://console.aws.amazon.com/iam/.

  2. IAM 콘솔의 탐색 창에서 역할 을 선택합니다. 콘솔에 계정에 대한 역할이 표시됩니다.

  3. 변경하고자 하는 역할의 이름을 선택한 후 세부 정보 페이지에서 신뢰 관계 탭을 선택합니다.

  4. 신뢰 정책 편집을 선택합니다.

  5. 신뢰 정책 편집 편집기에 다음을 붙여 넣은 다음 정책 업데이트를 선택합니다.

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

를 사용하여 이 정책 문서를 업데이트할 수도 있습니다IAMCLI. 자세한 내용은 IAM 명령줄 참조의 update-trust를 참조하세요.

이제 Canvas 기본 권한 또는 Ready-to-use 모델 권한을 사용자에게 다시 부여할 수 있습니다.

2. 하나 이하의 신뢰할 수 있는 서비스에 다른 역할을 사용합니다.

이 솔루션을 사용하려면 사용자 프로필에 다른 IAM 역할을 지정해야 합니다. 대체할 수 있는 IAM 역할이 이미 있는 경우 이 옵션을 사용합니다.

사용자에 대해 다른 실행 역할을 지정하려면 다음을 수행합니다.

  1. 에서 Amazon SageMaker 콘솔을 엽니다https://console.aws.amazon.com/sagemaker/.

  2. 왼쪽 탐색 창에서 관리자 구성을 선택합니다.

  3. 관리 구성에서 도메인 을 선택합니다.

  4. 도메인 목록에서 사용자 프로필 목록을 보려는 도메인을 선택합니다.

  5. 도메인 세부 정보 페이지에서 사용자 프로필 탭을 선택합니다.

  6. 편집할 권한을 보유한 사용자를 선택합니다. 사용자 세부 정보 페이지에서 편집을 선택합니다.

  7. 일반 설정 페이지에서 실행 역할 드롭다운 목록을 선택하고 사용하려는 역할을 선택합니다.

  8. 제출을 선택하여 변경 내용을 사용자 프로필에 저장합니다.

이제 사용자는 신뢰할 수 있는 서비스()가 하나뿐인 실행 역할을 사용해야 합니다SageMaker.

사용자에게 Canvas 기본 권한 또는 모델 권한 부여를 Ready-to-use 다시 시도할 수 있습니다.

3. SageMaker 도메인 설정에서 토글을 사용하는 대신 AWS 관리형 정책을 실행 역할에 수동으로 연결합니다.

도메인 또는 사용자 프로필 설정에서 토글을 사용하는 대신 사용자에게 올바른 권한을 부여하는 AWS 관리형 정책을 수동으로 연결할 수 있습니다.

사용자 Canvas 기본 권한을 부여하려면 AmazonSageMakerCanvasFullAccess 정책을 연결합니다. 사용자 Ready-to-use 모델 권한을 부여하려면 AmazonSageMakerCanvasAIServicesAccess 정책을 연결합니다.

다음 절차에 따라 AWS 관리형 정책을 역할에 연결할 수 있습니다.

  1. 에서 IAM 콘솔로 이동합니다https://console.aws.amazon.com/iam/.

  2. 역할을 선택합니다.

  3. 검색 상자에서 사용자 IAM 역할을 이름으로 검색하고 선택합니다.

  4. 사용자 역할 페이지의 권한에서 권한 추가를 선택합니다.

  5. 드롭다운 목록에서 정책 연결을 선택합니다.

  6. 사용자의 실행 역할에 연결할 정책을 검색하여 선택합니다.

    1. Canvas 기본 권한을 부여하려면 AmazonSageMakerCanvasFullAccess 정책을 검색하고 선택합니다.

    2. 모델 권한을 부여 Ready-to-use하려면 AmazonSageMakerCanvasAIServicesAccess 정책을 검색하고 선택합니다.

  7. 정책을 역할에 연결하려면 권한 추가를 선택합니다.

IAM 콘솔을 통해 AWS 관리형 정책을 사용자의 역할에 연결한 후 이제 사용자에게 Canvas 기본 권한 또는 Ready-to-use 모델 권한이 부여됩니다.

공간 장애로 인한 Canvas 애플리케이션 생성 문제 해결

새 Canvas 애플리케이션을 생성할 때 라는 오류가 발생하면 기본 Amazon SageMaker Studio 공간 생성이 실패했음을 Unable to create app <app-arn> because space <space-arn> is not in InService state나타냅니다. Studio 스페이스는 Canvas 애플리케이션 데이터를 호스팅하는 기본 스토리지입니다. Studio 공간에 대한 자세한 내용은 섹션을 참조하세요Amazon SageMaker Studio 공백. Canvas에서 공백을 구성하는 방법에 대한 자세한 내용은 섹션을 참조하세요자신의 SageMaker 공간에 SageMaker Canvas 애플리케이션 데이터 저장.

공간 생성이 실패한 이유의 근본 원인을 확인하려면 DescribeSpaceAPI를 사용하여 FailureReason 필드를 확인할 수 있습니다. 공백의 가능한 상태 및 의미에 대한 자세한 내용은 섹션을 참조하세요Amazon SageMaker 도메인 엔터티 및 상태.

이 문제를 해결하려면 SageMaker 콘솔에서 도메인을 찾고 수신한 오류 메시지에 나열된 실패한 공간을 삭제합니다. 공간을 찾고 삭제하는 방법에 대한 자세한 단계는 페이지를 참조Studio 실행 인스턴스, 애플리케이션 및 공백 삭제 또는 중지하고 Studio 공간 삭제 지침을 따르세요. 공간을 삭제하면 해당 공간과 연결된 모든 애플리케이션도 삭제됩니다. 공백을 삭제한 후 Canvas 애플리케이션을 다시 생성해 볼 수 있습니다. 이제 공간이 성공적으로 프로비저닝되어 Canvas가 시작될 수 있습니다.

공동 작업 제한 사항

Amazon SageMaker Studio Classic에서 데이터 사이언티스트와 협력할 때 다음과 같은 일반적인 제한 사항이 적용됩니다.

  • 성공적으로 훈련된 모델은 Canvas에서 Studio Classic으로만 공유할 수 있습니다. 마찬가지로 Studio Classic에서 성공적으로 훈련된 모델만 Canvas로 다시 공유할 수 있습니다.

  • Canvas에서 Studio Classic으로 빠른 빌드 모델을 공유할 수 없습니다. 표준 빌드 모델만 공유할 수 있습니다.

  • Canvas에서 훈련된 표준 빌드 모델은 한 가지 버전만 공유할 수 있습니다. Canvas 내에서 모델의 추가 버전을 훈련할 수 있지만 Studio Classic과 공유할 수는 없습니다.

  • Studio Classic에서는 Canvas와 피드백을 공유하거나 업데이트된 모델만 공유할 수 있습니다. 두 가지 작업을 동시에 수행할 수 없습니다.

  • Studio Classic에서 Canvas로, Canvas에서 Studio Classic으로 공유되는 주석의 길이 제한은 1,024자입니다.

  • Canvas 또는 Studio Classic 모델을 다른 사용자 프로필과만 공유할 수 있습니다. 사용자 프로필 내에서 Canvas와 Studio Classic 간에 모델을 공유할 수 없습니다.

  • Canvas 사용자에서 Canvas 사용자로, Studio Classic 사용자에서 Studio Classic 사용자로 공유할 수 없습니다.

공유하려는 모델 유형에 따라 적용되는 제한 사항도 있습니다. 시계열 예측 모델, 숫자 및 카테고리 예측 모델에 대한 제한 사항은 다음 섹션을 참조하세요.

시계열 예측 모델의 공동 작업 제한 사항

Canvas와 Studio Classic 간에 시계열 예측 모델을 공동 작업할 때 다음 제한 사항이 적용됩니다.

  • 자동 공유 버튼을 통해 Studio Classic의 시계열 예측 모델을 예측할 수 없습니다. 하지만 Jupyter notebook을 만들고 고유한 코드를 작성할 수는 있습니다.

  • 시계열 예측 모델의 경우 Studio Classic에서 모델 레시피 또는 데이터 변환을 변경할 수 없습니다. Studio Classic에서 시계열 예측 모델에 대해 다음 업데이트만 수행할 수 있습니다.

    • 예측 기간의 길이를 업데이트할 수 있습니다.

    • 특정 열을 기준으로 데이터를 그룹화하는 항목의 메타데이터 필드를 업데이트할 수 있습니다.

    • 휴일 일정 지정과 같은 다른 차원 필드를 업데이트할 수 있습니다.

숫자 및 카테고리 예측 모델 공동 작업에 대한 제한 사항

Canvas와 Studio Classic 간에 숫자 및 범주형 예측 모델 유형을 공동 작업할 때 다음 제한이 적용됩니다.

  • Studio Classic에서 모델을 업데이트하거나 훈련할 때 상단에 협업 배너가 있는 탭을 닫으면 공유 모델 워크플로가 종료되고 진행률이 손실됩니다. 이 경우 공유 모델 페이지의 나와 공유됨 섹션에서 공유 모델 워크플로를 다시 시작해야 합니다. 자세한 내용은 데이터 사이언티스트와의 협업을 참조하세요.

  • Studio Classic에서 모델을 업데이트할 때 모델 업데이트를 Canvas와 다시 공유하려는 경우 대상 열을 변경할 수 없습니다. 대상 열을 변경하고 모델을 다시 훈련하려면 모델을 훈련시킨 다음 공유 버튼을 사용하여 Canvas에 공유하세요. Canvas에 새 모델을 공유하는 방법에 대한 자세한 내용은 SageMaker Canvas에 자체 모델 가져오기를 참조하세요.

  • Studio Classic의 Amazon SageMaker Data Wrangler 레시피 인터페이스에서 모델을 업데이트할 때 Canvas가 지원하는 Studio Classic 사용자가 적용할 수 있는 변경 사항에는 제한이 있습니다.

    • Data Wrangler 선형 데이터 흐름의 마지막 노드에서 훈련된 모델만 Canvas에 공유할 수 있습니다.

    • 변환 노드만 지원됩니다.

    • 대상 열에서는 작업을 수행할 수 없습니다.

    • 열의 데이터 유형은 업데이트할 수 없습니다.

    • 데이터 원본을 업데이트하거나 새 데이터 원본을 추가할 수 없습니다.

  • Studio Classic Autopilot 페이지에서 Canvas에 대한 대체 후보를 공유하는 경우 리더보드에서 모델을 선택할 수 없습니다. 배너에서 공유 모델을 선택한 다음 목록에서 대체 모델을 선택해야 합니다. 자세한 내용은 Canvas 설명서에서 Canvas 사용자와 대체 모델 공유를 참조하세요.

  • SageMaker Neo와 호환되는 모델만 Canvas와 성공적으로 다시 공유할 수 있습니다. 호환되는 모델은 XGBoost 또는 MLP 알고리즘을 사용하는 Autopilot 모델입니다. 호환되지 않는 모델에는 선형 학습자 알고리즘을 사용하는 Autopilot 모델이 포함됩니다.

  • Spark 를 사용한 사용자 지정 수식 변환의 경우 SQLCanvas는 Unary 작업, 집계 함수, 문자열 연결 작업 및 전원 작업만 지원합니다. 다른 작업은 지원되지 않습니다.

자체 모델 가져오기에 대한 제한 사항(BYOM)

자체 모델을 Canvas로 가져오려는 경우 다음과 같은 일반적인 제한이 적용됩니다. SageMaker

  • Studio Classic에서 Canvas로 모델을 공유하면 Canvas 사용자는 모델을 빌드하는 데 사용된 데이터 세트에 대한 세부 정보를 업데이트하거나 볼 수 없습니다.

  • Canvas 사용자가 가져온 모델에 대해 단일 예측을 실행하려는 경우 열 값을 업데이트할 때 데이터 유형 제한이 없습니다. 단일 예측에 대한 값을 업데이트할 때 기존 값의 데이터 유형과 일치하는지 수동으로 확인해야 합니다.

  • Canvas 사용자가 가져온 모델에 대해 배치 예측을 실행하려는 경우 Canvas는 사용자(Canvas 사용자)가 예상되는 입력 데이터 세트가 어떤 모습인지 알고 있다고 가정합니다. 모델을 훈련하는 데 사용된 데이터 세트와 일치하는 열과 데이터 유형이 있는 데이터 세트가 있어야 합니다. 그렇지 않은 경우 모델을 공유한 사용자에게 문의하여 배치 예측을 실행하는 데 사용할 수 있는 데이터 세트를 가져오세요.

  • Canvas 애플리케이션은 내부적으로 서버리스 엔드포인트를 사용하여 예측을 실행하고 모델 지표를 생성합니다. Canvas에 공유되는 모델은 서버리스 엔드포인트와 호환되어야 합니다.

    • 최대 메모리 크기는 6144MB입니다.

    • 컨테이너에서 추론 입력 응답 키를 구성할 때는 다음 구성을 사용하세요.

      INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}

    • SageMaker제공된 추론 컨테이너를 선택하거나 엔드포인트에 사용할 자체 이미지 추론 컨테이너를 가져올 수 있습니다. SageMaker 는 내장 알고리즘용 컨테이너와 가장 일반적인 기계 학습 프레임워크를 위한 사전 구축된 Docker 이미지를 제공합니다. 자체 컨테이너를 가져오는 경우 에서 작동하도록 컨테이너를 수정해야 합니다 SageMaker. 고유한 컨테이너 가져오기에 대한 자세한 내용은 고유한 추론 컨테이너 조정을 참조하세요.

    • 서버리스 엔드포인트에 대한 기능 제외도 적용됩니다.

  • Studio Classic에서 Canvas로 모델을 성공적으로 공유하기 위해 Canvas는 아래 형식의 모델 추론 출력을 수락합니다.

    TEXT/CSV

    • 회귀: 모델 추론 응답은 각 출력 예측이 \n로 구분되는 바이트 문자열이어야 합니다.

      b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'

    • 분류: 모델 추론 응답은 predicted_label, predicted_probability, probabilities, labels각각을 \n로 구분한 바이트 문자열이어야 합니다. 다음은 바이너리 분류의 예제입니다.

      b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

      다음은 다중 클래스 분류에 대한 예제입니다.

      b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

    APPLICATION/JSON

    • 회귀: 모델 추론 응답은 prediction 키가 포함된 JSON 문자열이어야 하며, 값은 출력 예측 목록이어야 합니다.

      let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

    • 분류: 모델 추론 응답은 probabilities 키가 포함된 JSON 문자열이어야 하며, 해당 값은 확률 목록이어야 합니다.

      다음은 바이너리 분류의 예제입니다.

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

      다음은 다중 클래스 분류에 대한 예제입니다.

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

가져오려는 모델 유형에 따라 적용되는 제한 사항도 있습니다.

에서 자체 모델 가져오기 JumpStart

Canvas와 JumpStart 모델을 공유할 때 다음 정보와 제한을 검토합니다.

  • 다음은 모델을 Canvas로 가져올 수 있는 지원되는 알고리즘입니다. 자세한 내용은 JumpStart 설명서를 참조하십시오.

    • 테이블 분류: Light GBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner

    • 테이블 회귀: Light GBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner

  • 에서 JumpStart 공유 버튼은 모델이 Canvas에 공유할 준비가 된 경우에만 켜집니다. 훈련된 모델에 SageMaker 캔버스에 공유 버튼이 없는 경우 모델은 에서 지원되지 않습니다BYOM.

  • JumpStart 모델을 훈련할 때는 훈련 및 검증 데이터 세트를 제공해야 합니다. 데이터 세트는 Amazon S3에 저장해야 하며 Studio Classic 및 Canvas 사용자의 실행 역할은 Amazon S3 위치에 액세스할 수 있어야 합니다. 동일한 Amazon S3URIs를 사용하여 Canvas와 훈련 및 검증 데이터 세트를 공유하거나 동일한 데이터 스키마로 다른 데이터 세트를 공유할 수 있습니다.

    훈련 또는 검증 데이터 파일은 다음과 같아야 합니다( CSV 형식). 첫 번째 열을 대상으로 하여 파일을 인덱싱해야 합니다.

    3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6

  • 기본적으로 는 모델을 훈련할 때 훈련 및 검증 데이터 세트의 첫 번째 열을 대상으로 JumpStart 사용합니다. 데이터 세트의 대상 열(또는 기본적으로 첫 번째 열)은 Canvas에 공유됩니다.

  • JumpStart 모델을 훈련할 때 훈련 및 검증 데이터 세트의 열 헤더를 제공해야 합니다. 기본적으로 는 열 헤더가 없는 데이터 세트 JumpStart 만 허용하므로 모델을 훈련하는 동안 열 헤더를 파일로 추가해야 합니다. URI 열 헤더 파일의 Amazon S3도 Canvas와 공유됩니다. 열 헤더 파일은 다음 예제(CSV형식)와 같아야 합니다. 첫 번째 열이 대상이 되어야 합니다.

    Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1

  • Canvas와 공유Complete하려면 의 훈련 작업이 이어야 JumpStart 합니다.

  • 분류 문제(또는 Canvas의 카테고리 예측)의 경우 Canvas에 공유할 때 모델 출력 구성 섹션에 원본 클래스 이름을 제공해야 합니다. 클래스 이름의 순서는 모델에 사용된 인덱싱과 일치해야 합니다. 매핑 관계 파일은 CSV 형식의 다음 예제와 같아야 합니다. 여기서 인덱스 0(첫 번째 인덱스)은 클래스 이름 에 매핑됩니다A.

    A	B	C	D

    Canvas 사용자가 Canvas 애플리케이션에서 모델 지표를 볼 때 각 클래스의 인덱스(0, 1, 2)만 볼 수 있습니다. 하지만 사용자는 단일 예측에 대한 결과를 볼 때 클래스 이름을 볼 수 있습니다.

Autopilot에서 고유한 모델 사용

Autopilot에서 Canvas로 모델을 공유할 때 다음 정보 및 제한 사항을 검토하세요.

  • 앙상블링 , HPO또는 자동 모드를 사용하여 AutoML 작업에서 성공적으로 훈련한 모델만 Canvas에 공유할 수 있습니다(자동 모드의 경우 Autopilot은 훈련 데이터 세트 크기에 따라 앙상블링 또는 HPO 모드를 선택합니다). 현재 지원되는Autopilot 문제 유형은 회귀, 다중 클래스 분류, 바이너리 분류입니다.

  • 각 Autopilot 작업에 대해 모델(최고의 모델 또는 기타 후보)을 선택하여 한 번에 하나씩 Canvas에 공유할 수 있습니다. 모델 공유 버튼을 선택한 다음 모델과 메모를 공유하려는 Canvas 사용자를 지정하기만 하면 됩니다.

  • AutoGluon-추론에 Data Wrangler 변환기를 사용하는 테이블 형식 모델은 Canvas와 공유할 수 없습니다. 이는 Data Wrangler 변환기로 인해 모델이 둘 이상의 컨테이너를 사용하게 되기 때문입니다.

  • HPO SageMaker Neo와 호환되지 않는 모델은 Canvas와 성공적으로 공유할 수 없습니다. 호환되는 모델은 XGBoost 또는 MLP 알고리즘을 사용하는 Autopilot 모델입니다. 호환되지 않는 모델에는 선형 학습자 알고리즘을 사용하는 Autopilot 모델이 포함됩니다.

모델 레지스트리에서 고유한 모델 사용

모델 레지스트리에서 Canvas로 모델을 공유할 때는 다음 정보와 제한 사항을 검토하세요.

  • 에서 제공하는 공유 버튼과 달리 JumpStart모델 레지스트리는 모델 검증을 제공하지 않으므로 모델 비호환성으로 인해 Studio Classic에서 성공적으로 공유된 등록된 모델이 Canvas로 가져오는 동안 실패할 수 있습니다. 모델 레지스트리에서 Canvas로 공유하기 전에 다음 팁을 검토하세요.

    • 모델에 단일 추론 컨테이너를 사용하세요. AdditionalInferenceSpecifications 필드 내에 여러 컨테이너가 있는 모델을 등록할 수 있지만 Canvas는 모델당 하나의 추론 컨테이너에만 최적화되어 있습니다. 예를 들어 추론 파이프라인을 사용하고 여러 데이터를 AdditionalInferenceSpecifications필드에 사전 처리 컨테이너 및 추론 컨테이너로 등록하는 경우 기본적으로 Canvas에서 모델 추론을 위해 첫 번째 컨테이너가 선택됩니다. 기계 학습 파이프라인을 사용하는 경우 이 방법이 사용 사례에 적합한지 평가하세요.

    • 호환되는 추론 형식과 함께 SageMaker 기본 제공 테이블 형식 알고리즘을 사용합니다. 호환되는 추론 출력이 있는 테스트된 샘플 알고리즘은 Autogluon-Tabular, CatBoost, LightGBM TabTransformer 및 입니다XGBoost. Factorization Machines와 같은 알고리즘은 파일 입력CSV으로 허용되지 않으며 Linear Learner 및 K-NN과 같은 알고리즘의 추론 출력 형식은 Canvas에서 지원되지 않습니다.

    • 자체 이미지 컨테이너를 가져와 Canvas에 공유하거나 사전 구축된 SageMaker 컨테이너를 수정할 수도 있습니다.

  • 모델 패키지 그룹에 모델을 등록할 때는 추론 컨테이너에 다음 속성을 제공해야 합니다.

    • 환경:

      "{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

    • 이미지:

      "s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

    • ModelDataUrl

      "<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

  • 모델 레지스트리에서 Canvas로 모델을 공유할 때는 훈련 및 검증 데이터 세트를 제공해야 합니다. 데이터 세트는 Amazon S3에 저장해야 하며 Studio Classic 및 Canvas 사용자의 실행 역할은 Amazon S3 위치에 액세스할 수 있어야 합니다. 동일한 Amazon S3URIs를 사용하여 Canvas와 훈련 및 검증 데이터 세트를 공유하거나 동일한 데이터 스키마와 다른 데이터 세트를 공유할 수 있습니다. 데이터 세트는 모델의 추론 컨테이너에 제공되는 정확한 입력 형식이 있어야 합니다.

  • 대상 열을 Canvas에 제공해야 합니다.그렇지 않으면 훈련/검증 데이터 세트의 첫 번째 열이 기본적으로 사용됩니다.

  • Canvas에 공유할 때 모델 세부 정보 추가 섹션에서 훈련 및 검증 데이터 세트를 첫 번째 행에 헤더로 제공하거나 헤더를 다른 파일로 지정할 수 있습니다.

  • 분류 문제(또는 Canvas의 범주형 예측)의 경우 모델 출력 구성 옵션을 통해 SageMaker Canvas에 공유할 때 원래 클래스 이름을 제공해야 합니다. 클래스 이름의 순서는 공유 모델에 사용된 인덱싱과 일치해야 합니다. 매핑은 Amazon S3의 CSV 파일이거나 클래스 이름을 수동으로 입력할 수 있습니다.