개요

이 실습에서는 파이프라인을 포함한 TFX 파이프라인 메타데이터를 탐색하고 아티팩트를 실행합니다. AI Platform Pipelines 인스턴스에는 ML 메타데이터 서비스가 포함됩니다. AI Platform Pipelines에서 ML 메타데이터는 MySQL을 데이터베이스 백엔드로 사용하고 GRPC 서버를 사용하여 액세스할 수 있습니다.

목표

GRPC 서버를 사용하여 AI Platform Pipelines 인스턴스의 ML 메타데이터 서비스에 저장된 파이프라인 아티팩트를 액세스하고 분석합니다.

설정

각 실습에서는 정해진 기간 동안 새 Google Cloud 프로젝트와 리소스 집합이 무료로 제공됩니다.

1. 시크릿 창을 사용하여 Qwiklabs에 로그인합니다.

2. 실습 사용 가능 시간(예: 1:15:00)을 참고하여 해당 시간 내에 완료합니다.
   일시중지 기능은 없습니다. 필요한 경우 다시 시작할 수 있지만 처음부터 시작해야 합니다.

3. 준비가 되면 실습 시작을 클릭합니다.

4. 실습 사용자 인증 정보(사용자 이름 및 비밀번호)를 기록해 두세요. Google Cloud Console에 로그인합니다.

5. Google Console 열기를 클릭합니다.

6. 다른 계정 사용을 클릭한 다음, 안내 메시지에 이 실습에 대한 사용자 인증 정보를 복사하여 붙여넣습니다.
   다른 사용자 인증 정보를 사용하는 경우 오류가 발생하거나 요금이 부과됩니다.

7. 약관에 동의하고 리소스 복구 페이지를 건너뜁니다.

Cloud Shell 활성화

Cloud Shell은 여러 개발 도구가 포함된 가상 머신입니다. 5GB의 영구적인 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다. gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 탭 자동 완성을 지원합니다.

1. Google Cloud Console의 탐색창에서 Cloud Shell 활성화()를 클릭합니다.

2. 계속을 클릭합니다.
   환경을 프로비저닝하고 연결하는 데는 몇 분 정도 소요됩니다. 연결되면 사용자 인증도 처리되어 프로젝트가 PROJECT_ID로 설정됩니다. 예를 들면 다음과 같습니다.

샘플 명령어

• 활성 계정 이름을 나열합니다.

gcloud auth list

(출력)

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

(출력 예시)

Credentialed accounts: - google1623327_student@qwiklabs.net

• 프로젝트 ID를 나열합니다.

gcloud config list project

(출력)

[core] project = <project_ID>

(출력 예시)

[core] project = qwiklabs-gcp-44776a13dea667a6

작업 1. AI Platform 파이프라인 인스턴스 만들기

이 작업에서는 Kubeflow 파이프라인을 Kuberenetes 앱으로 배포합니다. Kubeflow 파이프라인은 클릭을 통해 간편하게 Google Kubernetes Engine에 배포하는 솔루션으로 온프레미스 Kubernetes 클러스터 또는 타사 클라우드에 배포할 수 있는 유연성을 갖추고 있습니다. Kubeflow Pipelines가 Google Cloud 환경에 AI Platform Pipelines로 통합됩니다. 이 주제에 관심이 있다면 설치 단계 중에 이 Kubeflow 소개 문서를 통해 Kubeflow Pipelines에 관해 자세히 알아보세요.

1. Google Cloud 콘솔의 탐색 메뉴에서 AI Platform으로 스크롤한 후 나중에 실습 중에 손쉽게 액세스할 수 있도록 해당 섹션을 고정합니다.

2. AI Platform > Pipelines로 이동합니다.

3. 그런 다음 새 인스턴스를 클릭합니다.

4. 구성을 클릭합니다.

5. 클러스터를 만들려면 영역을 선택한 후 다음 Cloud API에 대한 액세스 허용을 선택하고 이름은 그대로 둔 다음 새 클러스터 만들기를 클릭합니다.

참고: 클러스터를 만드는 데 3~5분 정도 걸립니다. 이 단계가 완료되어야 다음 단계로 진행할 수 있습니다. 참고: 특정 리전/영역의 리소스 부족으로 인해 클러스터 생성에 실패하면 다른 영역으로 다시 시도하세요.

6. 페이지 하단으로 스크롤하여 Marketplace 약관을 수락하고 배포를 클릭합니다. KFP 개별 서비스가 GKE 클러스터에 배포되었음을 확인할 수 있습니다. 클러스터가 배포되기를 기다린 후 다음 작업으로 넘어갑니다.

7. Cloud Shell에서 다음 명령어를 실행하여 kubectl 명령줄 액세스를 구성합니다.

gcloud container clusters get-credentials cluster-1 --zone {{{project_0.default_zone|place_holder_text}}} --project {{{project_0.project_id|place_holder_text}}}

8. Cloud Shell에서 다음 명령어를 실행하여 KFP 배포의 엔드포인트를 가져옵니다.

kubectl describe configmap inverse-proxy-config | grep googleusercontent.com 중요: 이후 작업에서 노트북의 셀 중 하나에 KFP의 엔드포인트를 설정해야 합니다. 위의 출력을 엔드포인트로 사용해야 합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. AI Platform Pipelines 인스턴스 만들기

작업 2. Vertex AI Workbench 액세스

AI Platform Workbench를 실행하려면 다음 안내를 따르세요.

1. 탐색 메뉴를 클릭해 Vertex AI에서 Workbench로 이동합니다.

2. 사용자 관리 노트북을 클릭합니다.

사전 프로비저닝된 tfx-on-googlecloud 노트북이 표시됩니다. 표시되지 않는 경우 몇 분 후에 페이지를 새로고침합니다.

3. JupyterLab 열기를 클릭합니다. JupyterLab 창이 새 탭에서 열립니다.

작업 3. AI Platform Notebooks 인스턴스 내로 예시 저장소 클론

JupyterLab 인스턴스로 mlops-on-gcp 노트북을 클론하려면 다음을 수행합니다.

1. JupyterLab에서 터미널 아이콘을 클릭하여 새 터미널을 엽니다.

2. 명령줄 프롬프트에 다음 명령어를 입력하고 Enter를 누릅니다.

   git clone https://github.com/GoogleCloudPlatform/mlops-on-gcp 참고: 클론된 저장소가 JupyterLab UI에 표시되지 않는 경우에는 상단 메뉴의 Git > Clone a repository(저장소 클론)에서 UI를 사용해 저장소를 클론(https://github.com/GoogleCloudPlatform/mlops-on-gcp)하면 됩니다.

   

3. mlops-on-gcp 디렉터리를 더블클릭하고 디렉터리의 콘텐츠를 볼 수 있는지 확인하여 저장소가 클론되었는지 확인합니다. 이 과정의 모든 Jupyter 노트북 기반 실습 파일은 이 디렉터리에서 확인할 수 있습니다.

실습 노트북으로 이동

1. mlops-labs/workshops/tfx-caip-tf23 폴더에서 install.sh 스크립트를 실행하여 TFX와 KFP SDK를 설치합니다.

cd mlops-on-gcp/workshops/tfx-caip-tf23 ./install.sh

2. 이제 AI Platform Notebook에서 mlops-labs/workshops/tfx-caip-tf23/lab-04-tfx-metadata/labs로 이동하여 lab-04.ipynb를 엽니다.

3. 노트북 툴바에서 지우기 버튼을 찾아 노트북의 셀을 모두 지우고 셀을 하나씩 실행합니다.

4. 메시지가 표시되면 다음 안내를 다시 참고하여 진행 상황을 확인합니다.

추가 도움이 필요하면 mlops-on-gcp/workshops/tfx-caip-tf23/lab-04-tfx-metadata/solutions로 이동한 다음 lab-04.ipynb를 열어 전체 솔루션을 살펴볼 수 있습니다.

작업 4. 클라우드에서 학습 작업 실행

완료된 작업 테스트 - kubeflow 파이프라인 컴파일하기

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Kubeflow Pipeline 컴파일하기

완료된 작업 테스트 - AI Platform Pipelines에 파이프라인 패키지 배포하기

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. AI Platform Pipelines에 파이프라인 패키지 배포하기

수고하셨습니다

이 실습에서는 TFX 파이프라인에서 TFX 파이프라인 ResolverNodes를 사용하여 TFX 파이프라인 실행에서 생성된 ML 메타데이터와 ML 아티팩트에 대해 살펴보았습니다.

실습 종료

실습을 완료하면 실습 종료를 클릭합니다. Qwiklabs에서 사용된 리소스를 자동으로 삭제하고 계정을 지웁니다.

실습 경험을 평가할 수 있습니다. 해당하는 별표 수를 선택하고 의견을 입력한 후 제출을 클릭합니다.

별점의 의미는 다음과 같습니다.

• 별표 1개 = 매우 불만족
• 별표 2개 = 불만족
• 별표 3개 = 중간
• 별표 4개 = 만족
• 별표 5개 = 매우 만족

의견을 제공하고 싶지 않다면 대화상자를 닫으면 됩니다.

의견이나 제안 또는 수정할 사항이 있다면 지원 탭을 사용하세요.

Copyright 2020 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.