GSP354

개요

챌린지 실습에서는 특정 시나리오와 일련의 작업이 주어집니다. 단계별 안내를 따르는 대신, 과정의 실습에서 배운 기술을 사용하여 스스로 작업을 완료하는 방법을 알아내 보세요. 이 페이지에 표시되어 있는 자동 채점 시스템에서 작업을 올바르게 완료했는지 피드백을 제공합니다.

챌린지 실습을 진행할 때는 새로운 Google Cloud 개념에 대한 정보가 제공되지 않습니다. 학습한 기술을 응용하여 기본값을 변경하거나 오류 메시지를 읽고 조사하여 실수를 바로잡아야 합니다.

100점을 받으려면 시간 내에 모든 작업을 성공적으로 완료해야 합니다.

이 실습은 Build and Deploy Machine Learning Solutions on Vertex AI 과정에 등록한 수강생에게 권장됩니다. 챌린지에 도전할 준비가 되셨나요?

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

챌린지 시나리오

여러분은 최근 영화 리뷰 웹사이트를 운영하는 스타트업의 머신러닝 엔지니어로 채용되었습니다. 관리자는 여러분에게 사용자가 남긴 영화 리뷰의 감정을 긍정적 또는 부정적으로 분류하는 머신러닝 모델을 빌드하는 업무를 맡겼습니다. 이러한 예측은 다운스트림 영화 평점 시스템에 입력되고 영화 웹사이트 애플리케이션에 가장 호의적인 리뷰와 비판적인 리뷰를 표시하는 데 사용될 예정입니다.

문제점: 비즈니스 요구사항에 따라 기존 부트스트랩 솔루션을 개선하기 위해 75% 이상의 정확도를 달성하는 모델을 불과 6주 내에 프로덕션화해야 합니다. 또한 스타트업의 데이터 웨어하우스에서 탐색 분석을 수행한 결과, 5만 개의 텍스트 리뷰로 구성된 소규모 데이터 세트만을 사용하여 고성능 솔루션을 빌드해야 한다는 것을 알게 되었습니다.

챌린지

제한된 데이터로 신속하게 고성능 머신러닝 모델을 빌드하고 배포하기 위해 Google Cloud의 Vertex AI 플랫폼에서 온라인 예측을 위한 커스텀 TensorFlow BERT 감정 분류기를 학습시키고 배포하려고 합니다. Vertex AI는 Google Cloud의 차세대 머신러닝 개발 플랫폼으로, 여기서 최신 ML 사전 빌드 구성요소 및 AutoML을 활용하여 개발 생산성을 대폭 높이고 데이터를 통해 워크플로와 의사 결정의 규모를 조정하고 가치 창출 시간을 단축할 수 있습니다.

먼저 일반적인 실험 워크플로를 진행하면서 TF-Hub 및 tf.keras 분류 레이어의 선행 학습된 BERT 구성요소로 모델을 빌드하고 Vertex 노트북에서 모델을 학습시키고 평가합니다. 그런 다음 모델 코드를 Docker 컨테이너에 패키징하여 Google Cloud의 Vertex AI에서 학습시킵니다. 마지막으로 Vertex Pipelines에서 Kubeflow 파이프라인을 정의하고 실행하여 모델을 학습시키고 온라인 예측을 위해 쿼리할 Vertex 엔드포인트에 배포합니다.

작업 1. Vertex AI Workbench에서 노트북 열기

1. Google Cloud 콘솔의 탐색 메뉴()에서 Vertex AI > Workbench를 클릭합니다.

2. 인스턴스를 찾아 JupyterLab 열기 버튼을 클릭합니다.

Workbench 인스턴스의 JupyterLab 인터페이스가 새 브라우저 탭에서 열립니다.

작업 2. 노트북 설정하기

1. 노트북에서 터미널을 클릭합니다.

2. 실습용 필수 패키지를 설치합니다.

pip3 install -U -r requirements.txt --user

3. 왼쪽의 파일 브라우저에서 파일을 클릭합니다.

4. 사용할 커널을 묻는 메시지가 표시되면 Python 3(ipykernel) 커널을 선택합니다.

5. 노트북의 Setup(설정) 섹션을 실행하여 필요한 라이브러리를 설치하고 환경을 설정합니다.

   • 프로젝트 ID로는 을(를) 사용하고, 리전으로는 을(를) 사용합니다.

데이터 세트를 가져오고 전처리하는 데 사용되는 나머지 코드는 모두 제공되어 있습니다. 나머지 단계는 노트북 파일에 포함되어 있습니다. 이 실습 가이드를 참고하여 진행 상황을 확인하고 힌트를 얻으세요.

작업 3. Vertex 노트북에서 모델을 로컬로 빌드하고 학습시키기

이 섹션에서는 TensorFlow를 사용하여 로컬에서 모델을 학습시킵니다.

참고: 이 실습은 Vertex AI 서비스를 활용할 수 있도록 공식 TensorFlow BERT 텍스트 분류 튜토리얼을 바탕으로 심화했습니다. TensorFlow를 사용하여 BERT 모델을 파인 튜닝하는 방법에 대한 자세한 내용은 튜토리얼을 참조하세요.

TensorFlow BERT 감정 분류기 빌드 및 컴파일

1. #TODO 섹션을 작성하여 BERT 텍스트 전처리를 위한 hub.KerasLayer를 추가합니다.

2. #TODO 섹션을 작성하여 BERT 텍스트 인코딩을 위한 hub.KerasLayer를 추가합니다.

3. #TODO 섹션을 작성하여 BERT 감정 분류기를 로컬에 저장합니다. ./bert-sentiment-classifier-local 디렉터리에 저장해야 합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

모델을 빌드하고 학습시키기

작업 4. Cloud Build를 사용하여 모델 컨테이너를 빌드하고 Artifact Registry에 전송하기

커스텀 컨테이너 이미지를 위한 Artifact Registry 만들기

1. #TODO 섹션을 작성하여 gcloud CLI를 사용해 Docker Artifact Registry를 만듭니다. gcloud 아티팩트 저장소 생성 문서에서 자세히 알아보세요.

참고: location, repository-format, description 플래그를 지정해야 합니다.

Cloud Build를 사용하여 컨테이너 이미지를 빌드하고 Artifact Registry에 전송하기

1. #TODO 섹션을 작성하여 Cloud Build를 사용해 커스텀 모델 컨테이너를 빌드하고 Artifact Registry에 전송합니다. gcloud 빌드 전송 문서에서 자세히 알아보세요.

참고: config 플래그는 위에서 정의한 {MODEL_DIR}/cloudbuild.yaml을 가리키고, 모델 디렉터리를 포함해야 합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

컨테이너 이미지를 빌드하고 Artifact Registry에 전송하기

작업 5. KFP SDK를 사용하여 파이프라인 정의하기

1. #TODO 섹션을 작성하여 파이프라인의 CustomContainerTrainingJobOp 구성요소를 추가하고 설정합니다.

참고: 인수는 이전의 CustomContainerTrainingJob과 동일합니다. 참고: 모델을 학습시키고 배포하는 데 약 30~40분이 걸릴 수 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

KFP SDK를 사용하여 파이프라인 정의하기

작업 6. Vertex 엔드포인트를 사용하여 배포된 모델 쿼리하기

1. #TODO 섹션을 작성하여 Vertex 엔드포인트를 사용해 온라인 예측을 생성합니다.

수고하셨습니다

수고하셨습니다. 이 실습에서는 Vertex AI를 사용하여 커스텀 BERT 감정 분류기를 빌드하고 배포하는 방법을 알아봤습니다. Cloud Build를 사용하여 커스텀 모델 컨테이너를 빌드하고 Artifact Registry에 전송하는 방법과 KFP SDK로 파이프라인을 정의하는 방법도 배웠습니다. 이제 Vertex AI를 사용하여 자체 커스텀 모델을 빌드하고 배포할 준비가 되었습니다.

다음 기술 배지 획득하기

이 사용자 주도형 실습은 Build and Deploy Machine Learning Solutions on Vertex AI 과정의 일부입니다. 이 기술 배지 과정을 완료하면 위의 배지를 획득하여 수료를 인증할 수 있습니다. 이력서 및 소셜 미디어 플랫폼에 배지를 공유하고 #GoogleCloudBadge 해시태그를 사용해 스스로 달성한 업적을 널리 알리세요.

이 기술 배지 과정은 Google의 Data Scientist/Machine Learning Engineer 학습 과정의 일부입니다. 이 학습 과정의 다른 기술 배지 과정을 이미 완료했다면 이 카탈로그에서 등록할 수 있는 20개 이상의 다른 기술 배지 과정을 검색해 보세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2024년 8월 8일

실습 최종 테스트: 2024년 8월 8일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.