기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon EC2에 모델 배포 예측을 위해서는 Amazon SageMaker AI를 사용하여 모델을 Amazon EC2에 배포하세요. **Topics** + [SageMaker AI 호스팅 서비스에 모델 배포](#ex1-deploy-model) + [(선택 사항) 기존 엔드포인트 재사용 또는 호출](#ex1-deploy-model-sdk-use-endpoint) + [(선택 사항) 배치 변환으로 예측하기](#ex1-batch-transform) ## SageMaker AI 호스팅 서비스에 모델 배포 Amazon SageMaker AI를 사용하여 Amazon EC2를 통해 모델을 호스팅하려면에서 훈련한 모델을 배포합니다[훈련 작업 생성 및 실행](ex1-train-model.md#ex1-train-model-sdk). Amazon SageMaker `ModelBuilder` 클래스를 사용하여 모델을 빌드하고 배포합니다. `ModelBuilder`는 리소스 체인화를 지원하므로 훈련된를 `ModelTrainer` 직접 전달하여 모델을 빌드하고 배포할 수 있습니다. ``` from sagemaker.serve import ModelBuilder # Build and deploy using resource chaining from the trained model model_builder = ModelBuilder( model=xgb_model_trainer, role_arn=role, instance_type='ml.t2.medium' ) # Build creates a SageMaker Model resource model = model_builder.build() # Deploy creates a SageMaker Endpoint resource endpoint = model_builder.deploy(endpoint_name="xgboost-endpoint") ``` + `model` - 훈련된 `ModelTrainer` 객체입니다.는 훈련 출력을 배포에 `ModelBuilder` 자동으로 연결합니다. + `instance_type` (str) – 배포된 모델을 작동할 인스턴스 유형입니다. `build()` 메서드는 SageMaker AI 모델 리소스를 생성하고 SageMaker AI 엔드포인트 리소스를 `deploy()` 생성합니다. 자세한 내용은 Amazon [SageMaker Python SDK의 SageMaker AI ModelBuilder](https://sagemaker.readthedocs.io/en/stable/)를 참조하세요. [Amazon SageMaker ](https://sagemaker.readthedocs.io/en/stable) 엔드포인트의 이름을 검색하려면 다음 코드를 실행합니다. ``` endpoint.endpoint_name ``` 이 엔드포인트는 ML 인스턴스에서 활성 상태로 유지되며 나중에 종료하지 않는 한 언제든지 즉시 예측을 수행할 수 있습니다. 이 엔드포인트 이름을 복사하고 저장하여 SageMaker Studio 또는 SageMaker AI 노트북 인스턴스의 다른 곳에서 재사용 및 실시간 예측을 수행할 수 있습니다. **작은 정보** Amazon EC2 인스턴스 또는 엣지 디바이스에 배포하기 위해 모델을 컴파일하고 최적화하는 방법에 대해 자세히 알아보려면 [Neo로 모델 컴파일 및 배포](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html)를 참조하세요. ## (선택 사항) 기존 엔드포인트 재사용 또는 호출 모델을 엔드포인트에 배포한 후 sagemaker-core의 `Endpoint` 클래스를 사용하여 다른 노트북 또는 애플리케이션에서 모델을 호출할 수 있습니다. 다음 예제 코드는 기존 엔드포인트를 가져오고 예측하는 방법을 보여줍니다. 위의 배포 단계에서 엔드포인트 이름을 재사용합니다. ``` from sagemaker.core.resources import Endpoint endpoint = Endpoint.get(endpoint_name="{{xgboost-endpoint}}") # Make a prediction response = endpoint.invoke( body=test_data, content_type="text/csv" ) result = response.body.read().decode('utf-8') ``` ## (선택 사항) 배치 변환으로 예측하기 프로덕션 환경에서 엔드포인트를 호스팅하는 대신 SageMaker AI 배치 변환을 사용하여 테스트 데이터세트를 예측하는 일회성 배치 추론 작업을 실행할 수 있습니다. 모델 훈련이 완료되면 배치 변환기를 사용하여 지정된 S3 버킷에서 입력 데이터를 읽고 예측할 수 있습니다. **배치 변환 작업을 생성하려면** 1. 다음 코드를 실행하여 테스트 데이터세트의 특성 열을 CSV 파일로 변환하고 S3 버킷에 업로드합니다. ``` X_test.to_csv('test.csv', index=False, header=False) boto3.Session().resource('s3').Bucket(bucket).Object( os.path.join(prefix, 'test/test.csv')).upload_file('test.csv') ``` 1. 배치 변환 작업에 대한 입력 및 출력의 S3 버킷 URI를 다음과 같이 지정합니다. ``` # The location of the test dataset batch_input = 's3://{}/{}/test'.format(bucket, prefix) # The location to store the results of the batch transform job batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix) ``` 1. 배치 변환 작업을 생성하고 실행합니다. ``` # Build a model from the trained ModelTrainer model_builder = ModelBuilder(model=xgb_model_trainer, role_arn=role) model = model_builder.build(model_name="xgboost-batch-model") # Create and run the batch transform job from sagemaker.core.resources import TransformJob transform_job = TransformJob.create( model_name=model.model_name, transform_input={ "data_source": { "s3_data_source": { "s3_data_type": "S3Prefix", "s3_uri": batch_input } }, "content_type": "text/csv", "split_type": "Line" }, transform_output={ "s3_output_path": batch_output }, transform_resources={ "instance_type": "ml.m4.xlarge", "instance_count": 1 } ) transform_job.wait() ``` 1. 배치 변환 작업이 완료되면 SageMaker AI는 `batch_output` 경로에 저장된 `test.csv.out` 예측 데이터를 생성하며, 이 데이터는 `s3://sagemaker--111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction` 형식이어야 합니다. 다음을 실행 AWS CLI 하여 배치 변환 작업의 출력 데이터를 다운로드합니다. ``` ! aws s3 cp {batch_output} ./ --recursive ``` 이렇게 하면 현재 작업 디렉터리 아래에 `test.csv.out` 파일이 생성됩니다. XGBoost 훈련 작업의 로지스틱 회귀 분석을 기반으로 예측된 부동 값을 확인할 수 있습니다.