기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# Studio Classic UI를 사용하여 테이블 형식 데이터에 대한 회귀 또는 분류 Autopilot 실험 생성
**중요**
2023년 11월 30일부터 Autopilot의 UI는 업데이트된 [Amazon SageMaker Studio](studio-updated.md) 환경의 일부로 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)로 마이그레이션됩니다. SageMaker Canvas는 분석가 및 시민 데이터 과학자에게 데이터 준비, 기능 엔지니어링, 알고리즘 선택, 훈련 및 튜닝, 추론 등과 같은 작업에 대한 코드 없는 기능을 제공합니다. 사용자는 내장된 시각화 및 what-if 분석을 활용하여 자동화된 예측을 통해 모델을 쉽게 프로덕션화할 수 있으므로 데이터와 다양한 시나리오를 탐색할 수 있습니다. Canvas는 컴퓨터 비전, 수요 예측, 지능형 검색 및 생성형 AI를 비롯한 다양한 사용 사례를 지원합니다.
[Studio](studio-updated.md)의 이전 경험인 [Amazon SageMaker Studio Classic](studio.md) 사용자는 Studio Classic에서 Autopilot UI를 계속 사용할 수 있습니다. 코딩 경험이 있는 사용자는 기술 구현을 위해 지원되는 모든 SDK에서 모든 [API 참조](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)를 계속 사용할 수 있습니다.
지금까지 Studio Classic에서 Autopilot을 사용하고 있고 SageMaker Canvas로 마이그레이션하려는 경우 SageMaker Canvas 애플리케이션을 생성하고 사용할 수 있도록 사용자 프로필 또는 IAM 역할에 추가 권한을 부여해야 할 수 있습니다. 자세한 내용은 [(선택 사항) Studio Classic의 Autopilot에서 SageMaker Canvas로 마이그레이션](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot) 섹션을 참조하세요.
이 안내서의 모든 UI 관련 지침은 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) 로 마이그레이션하기 전에 Autopilot의 독립 실행형 기능과 관련이 있습니다. 이 지침을 따르는 사용자는 [Studio Classic](studio.md)을 사용해야 합니다.
Amazon SageMaker Studio Classic UI를 사용하여 테이블 형식 데이터의 분류 또는 회귀 문제에 대한 Autopilot 실험을 생성할 수 있습니다. UI는 실험의 이름을 지정하고, 입력 및 출력 데이터의 위치를 제공하고, 예측할 대상 데이터를 지정하는 데 도움이 됩니다. 선택 사항으로, 해결하려는 문제의 유형을 지정하고(회귀, 분류, 멀티클래스 분류) 모델링 전략(*누적 앙상블* 또는 *하이퍼파라미터 최적화*)을 선택하고 Autopilot 작업에서 데이터를 훈련하는 데 사용하는 알고리즘 목록을 선택하는 등의 작업을 수행할 수 있습니다.
UI에는 설명, 전환 스위치, 드롭다운 메뉴, 라디오 버튼 등이 있어 모델 후보 생성을 탐색하도록 도와드립니다. 실험 후에는 여러 시험을 비교하고 각 모델의 사전 처리 단계, 알고리즘 및 하이퍼파라미터 범위에 대한 세부 정보를 자세히 살펴볼 수 있습니다. 선택 사항으로 [설명가능성](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html) 및 [성능](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html) 보고서를 다운로드할 수 있는 옵션도 있습니다. 제공된 [노트북](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html )을 사용하여 자동화된 데이터 탐색 결과 또는 후보 모델 정의를 확인합니다.
또는 [AutoML API를 사용하여 테이블 형식 데이터에 대한 회귀 또는 분류 작업 생성](autopilot-automate-model-development-create-experiment.md)에서 Autopilot AutoML API를 사용할 수 있습니다.
# Autopilot 실험의 기본 파라미터 구성하기(관리자용)
Autopilot은 Studio Classic UI를 사용하여 Autopilot 실험을 생성할 때 Amazon SageMaker Autopilot의 구성을 단순화하는 기본값 설정을 지원합니다. 관리자는 Studio Classic [수명 주기 구성](studio-lcc.md)(LCC)을 사용하여 구성 파일에 인프라, 네트워킹 및 보안 값을 설정하고 `AutoML` 작업의 [고급 설정](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings)을 미리 채울 수 있습니다.
이를 통해 SageMaker AI 인스턴스, 데이터 소스, 출력 데이터 및 기타 관련 서비스 등 Amazon SageMaker Studio Classic과 관련된 리소스의 네트워크 연결 및 액세스 권한을 완전히 제어할 수 있습니다. 특히 관리자는 Studio Classic 도메인 또는 개별 사용자 프로필의 Amazon VPC, 서브넷, 보안 그룹 등 원하는 네트워크 아키텍처를 구성할 수 있습니다. 데이터 과학자는 Studio Classic UI를 사용하여 Autopilot 실험을 생성할 때 데이터 과학의 특정 파라미터에 집중할 수 있습니다. 또한 관리자는 기본 암호화 키를 설정하여 Autopilot 실험이 실행되는 인스턴스의 데이터 암호화를 관리할 수 있습니다.
**참고**
현재 아시아 태평양(홍콩) 및 중동(바레인) 옵트인 리전에서는 이 기능을 사용할 수 없습니다.
다음 섹션에서는 Studio Classic UI를 사용하여 Autopilot 실험을 생성할 때 기본값 설정을 지원하는 파라미터의 전체 목록을 확인하고 이러한 기본값을 설정하는 방법을 알아볼 수 있습니다.
**Topics**
+ [지원되는 기본 파라미터 목록](#autopilot-list-default-parameters-create-experiment)
+ [기본 Autopilot 실험 파라미터 설정](#autopilot-set-default-parameters-create-experiment-howto)
## 지원되는 기본 파라미터 목록
다음 파라미터는 Studio Classic UI를 사용하여 Autopilot 실험을 생성하는 구성 파일을 사용하여 기본값 설정을 지원합니다. 값을 설정하고 나면 Studio Classic UI의 Autopilot **실험 생성** 탭의 해당 필드에 값이 자동으로 채워집니다. 각 필드에 대한 전체 설명은 [고급 설정(선택 사항)](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings)을 참조하세요.
+ **보안:** Amazon VPC, 서브넷 및 보안 그룹.
+ **Access:** AWS IAM 역할 ARNs
+ **Encryption:** AWS KMS key IDs
+ **태그:** SageMaker AI 리소스에 레이블을 지정하고 구성하는 데 사용되는 키-값 쌍입니다.
## 기본 Autopilot 실험 파라미터 설정
관리자는 구성 파일에 기본값을 설정한 다음, 파일을 특정 사용자의 Studio Classic 환경 내 권장 위치에 수동으로 배치하거나 파일을 수명 주기 구성 스크립트(LCC)에 전달하여 지정된 도메인 또는 사용자 프로필의 Studio Classic 환경 사용자 지정을 자동화할 수 있습니다.
+ 구성 파일을 설정하려면 먼저 기본 매개 변수를 입력합니다.
[지원되는 기본 파라미터 목록](#autopilot-list-default-parameters-create-experiment)에 나열된 일부 또는 모든 기본값을 구성하기 위해 관리자는 구성 파일 `config.yaml`을 만들 수 있는데 그 구조는 이 [샘플 구성 파일](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)을 준수해야 합니다. 다음 코드 조각은 지원되는 모든 `AutoML` 매개 변수가 포함된 샘플 구성 파일을 보여줍니다. 이 파일의 형식에 대한 자세한 내용은 [전체 스키마](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/config/config_schema.py)를 참조하세요.
```
SchemaVersion: '1.0'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
```
+ 그런 다음 권장 경로에 [파일을 수동으로 복사](#autopilot-intelligent-defaults-manual-setup)하거나 [수명 주기 구성](#autopilot-intelligent-defaults-lcc-setup)(LCC)을 사용하여 권장 위치에 구성 파일을 배치합니다.
구성 파일은 사용자의 Studio Classic 환경에서 다음 위치 중 하나 이상에 있어야 합니다. 기본적으로 SageMaker AI는 다음 두 위치에서 구성 파일을 검색합니다.
+ 먼저, `/etc/xdg/sagemaker/config.yaml`에서. 이 파일을 *관리자 구성 파일*이라고 합니다.
+ 그 다음에는, `/root/.config/sagemaker/config.yaml`에서. 이 파일을 *사용자 구성 파일*이라고 합니다.
관리자는 *관리자* 구성 파일을 사용하여 기본값 세트를 정의할 수 있습니다. 선택적으로, 관리자는 *사용자* 구성 파일을 사용하여 *관리자* 구성 파일에 설정된 값을 재정의하거나 추가적인 기본 파라미터 값을 설정할 수 있습니다.
다음 코드 조각은 기본 파라미터 구성 파일을 사용자 Studio Classic 환경의 *관리자* 위치에 쓰는 샘플 스크립트를 보여줍니다. `/etc/xdg/sagemaker`를 `/root/.config/sagemaker`로 바꾸어 *사용자* 위치에 파일을 쓸 수 있습니다.
```
## Sample script with AutoML intelligent defaults
#!/bin/bash
sudo mkdir -p /etc/xdg/sagemaker
echo "SchemaVersion: '1.0'
CustomParameters:
AnyStringKey: 'AnyStringValue'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
" | sudo tee /etc/xdg/sagemaker/config.yaml
```
+ **파일 수동 복사** - 구성 파일을 수동으로 복사하려면 Studio Classic 터미널에서 이전 단계에서 만든 [스크립트](#autopilot-intelligent-defaults-manual-setup)를 실행합니다. 이 경우 스크립트를 실행한 사용자 프로필은 해당 실험에만 적용되는 기본값을 사용하여 Autopilot 실험을 만들 수 있습니다.
+ **SageMaker AI 수명 주기 구성 만들기** - 또는 [수명 주기 구성](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html)(LCC)을 사용하여 Studio Classic 환경의 사용자 지정을 자동화할 수 있습니다. LCC는 Studio Classic 애플리케이션 시작과 같은 Amazon SageMaker Studio Classic 수명 주기 이벤트에 의해 트리거되는 쉘 스크립트입니다. 이러한 사용자 지정에는 사용자 지정 패키지 설치, 노트북 확장 구성, 데이터세트 사전 로드, 소스 코드 리포지토리 설정 또는 이 사례의 경우 기본 파라미터 사전 채우기가 포함됩니다. 관리자는 LCC를 Studio Classic 도메인에 연결하여 해당 도메인 내 각 사용자 프로필의 기본값 구성을 자동화할 수 있습니다.
다음 섹션에서는 사용자가 Studio Classic을 실행할 때 Autopilot 기본 파라미터를 자동으로 로드할 수 있도록 수명 주기 구성을 만드는 방법을 자세히 설명합니다. SageMaker AI 콘솔 또는 AWS CLI를 사용하여 LCC를 만들도록 선택할 수 있습니다.
------
#### [ Create a LCC from the SageMaker AI Console ]
다음 단계를 사용하여 기본 파라미터를 포함하는 LCC를 만들고 LCC를 도메인 또는 사용자 프로필에 연결한 다음, SageMaker AI 콘솔을 사용하여 LCC에서 설정한 기본 파라미터로 미리 채워진 Studio Classic 애플리케이션을 실행합니다.
+ **SageMaker AI 콘솔을 사용하여 기본값을 포함하는 [스크립트](#autopilot-intelligent-defaults-script)를 실행하는 수명 주기 구성을 만들려면** 다음과 같이 합니다.
+ [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 SageMaker AI 콘솔을 엽니다.
+ 왼쪽에서 **관리 구성**으로 이동한 다음 **수명 주기 구성**으로 이동합니다.
+ **수명 주기 구성** 페이지에서 Studio Classic 탭으로 이동한 다음 **구성 생성**을 선택합니다.
+ **이름**에 공백 없이 영숫자와 "-"를 사용하여 이름을 입력합니다. 이름은 최대 63자까지 지정할 수 있습니다.
+ **스크립트** 섹션에 [스크립트](#autopilot-intelligent-defaults-script)를 붙여넣습니다.
+ **구성 생성**을 선택하여 수명 주기 구성을 생성합니다. 이렇게 하면 `Kernel gateway app` 유형의 LCC가 생성됩니다.
+ **Studio Classic 도메인, 스페이스 또는 사용자 프로필에 수명 주기 구성을 연결하는 방법**
[Studio Classic 도메인 또는 사용자 프로필에 수명 주기 구성 연결하기](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-console.html#studio-lcc-create-console-step2)의 단계에 따라 LCC를 Studio Classic 도메인 또는 특정 사용자 프로필에 연결합니다.
+ **수명 주기 구성을 사용하여 Studio Classic 애플리케이션을 실행하는 방법**
LCC가 도메인 또는 사용자 프로필에 연결되면 영향을 받는 사용자는 Studio에서 Studio Classic의 랜딩 페이지로부터 Studio Classic 애플리케이션을 시작하여 LCC에서 설정한 기본값을 자동으로 선택할 수 있습니다. 이렇게 하면 Autopilot 실험을 만들 때 Studio Classic UI가 자동으로 채워집니다.
------
#### [ Create a LCC from the AWS CLI ]
다음 코드 조각을 활용하여 AWS CLI를 사용하여 [스크립트](#autopilot-intelligent-defaults-manual-setup)를 실행하는 Studio Classic 애플리케이션을 실행합니다. 이 예제에서는 `lifecycle_config.sh`가 스크립트에 지정된 이름입니다.
시작하기 전에:
+ [에서 수명 주기 구성 생성 AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html)에 설명된 사전 조건을 완료 AWS CLI 하여 업데이트하고 구성했는지 확인합니다.
+ [OpenSSL](https://www.openssl.org/source/) 설명서를 설치합니다. AWS CLI 명령은 오픈 소스 라이브러리 *OpenSSL*을 사용하여 스크립트를 Base64 형식으로 인코딩합니다. 이 요구 사항은 간격 및 줄 바꿈 인코딩으로 인해 발생하는 오류를 방지합니다.
이제 다음 3단계를 따를 수 있습니다.
+ **구성 스크립트 `lifecycle_config.sh`를 참조하여 새 수명 주기 구성을 생성합니다.**
```
LCC_CONTENT=`openssl base64 -A -in lifecycle_config.sh`
## Create a new lifecycle config
aws sagemaker create-studio-lifecycle-config --region region \
--studio-lifecycle-config-name lcc-name \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type default
```
새로 생성되어 반환된 수명 주기 구성의 ARN을 기록해 둡니다. 이 ARN은 수명 주기 구성을 애플리케이션에 연결하는 데 필요합니다.
+ **수명 주기 구성을 `JupyterServerApp`에 연결합니다.**
다음 예제는 수명 주기 구성이 연결된 새 사용자 프로필을 만드는 방법을 보여줍니다. 기존 사용자 프로필을 업데이트하려면 AWS CLI [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) 명령을 사용합니다. 도메인을 생성하거나 업데이트하려면 [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) 및 [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)을 참조하세요. 이전 단계의 수명 주기 구성 ARN을 `JupyterServerAppSettings` 애플리케이션 유형의 설정에 추가합니다. 수명 주기 구성 목록을 사용하여 여러 수명 주기 구성을 동시에 추가할 수 있습니다.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
["lifecycle-configuration-arn"]
}
}'
```
LCC가 도메인 또는 사용자 프로필에 연결되면 영향을 받는 사용자는 종료 및 [ Amazon SageMaker Studio Classic 업데이트의 단계에 따라 기존 Studio Classic 애플리케이션을 종료 및 업데이트](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-tasks-update-studio.html)하거나 AWS 콘솔에서 새 Studio Classic 애플리케이션을 시작하여 LCC에서 설정한 기본값을 자동으로 선택할 수 있습니다. 이렇게 하면 Autopilot 실험을 만들 때 Studio Classic UI가 자동으로 채워집니다. 또는 다음과 AWS CLI 같이를 사용하여 새 Studio Classic 애플리케이션을 시작할 수 있습니다.
+ **를 사용하여 수명 주기 구성으로 Studio Classic 애플리케이션 시작 AWS CLI**
```
# Create a Jupyter Server application
aws sagemaker create-app --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
AWS CLI를 사용하여 수명 주기 구성을 생성하는 방법에 대한 자세한 내용은 [AWS CLI에서 수명 주기 구성 생성하기](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html)를 참조하세요.
------
**Studio Classic UI를 사용하여 Autopilot 실험을 생성하는 방법**
1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 로그인하고 왼쪽 탐색 창에서 **Studio**를 선택한 다음, 도메인과 사용자 프로필을 선택하고 **Studio 열기**를 선택합니다.
1. Studio에서 왼쪽 상단 탐색 창에서 Studio Classic 아이콘을 선택합니다. 이렇게 하면 Studio Classic 앱이 열립니다.
1. 선택한 스페이스에서 Studio Classic 애플리케이션을 실행 또는 열거나 **Studio Classic 스페이스를 생성**합니다. **홈** 탭에서 **AutoML** 카드를 선택합니다. 그러면 새 **AutoML** 탭이 열립니다.
1. **AutoML 실험 생성**을 선택합니다. 그러면 새 **실험 생성** 탭이 열립니다.
1. **실험 및 데이터 세부 정보** 섹션에 다음 정보를 입력합니다.
1. **실험 이름** - 현재의 계정에 고유해야 하며 최대 63자의 영숫자를 AWS 리전 포함해야 합니다. 하이픈(-)은 포함할 수 있지만 공백은 포함할 수 없습니다.
1. **입력 데이터** - 입력 데이터의 Amazon Simple Storage Service(S3) 버킷 위치를 제공합니다. 이 S3 버킷은 현재 AWS 리전에 있어야 합니다. URL은 Amazon SageMaker AI가 쓰기 권한을 가진 `s3://` 형식이어야 합니다. 파일은 CSV 또는 Parquet 형식이어야 하며 500개 이상의 행을 포함해야 합니다. **찾아보기**를 선택하여 사용 가능한 경로를 스크롤하고 **미리보기**를 선택하여 입력 데이터의 샘플을 확인합니다.
1. **S3 입력이 매니페스트 파일입니까?** - 매니페스트 파일에는 입력 데이터가 있는 메타데이터가 포함됩니다. 메타데이터는 Amazon S3의 데이터 위치를 지정합니다. 또한 데이터 형식을 지정하는 방법과 모델을 훈련할 때 사용할 데이터세트의 속성을 지정합니다. 레이블이 지정된 데이터를 `Pipe` 모드에서 스트리밍할 때는 사전 처리 대신 매니페스트 파일을 사용할 수 있습니다.
1. **데이터 자동 분할이란?** - Autopilot은 훈련 및 검증 데이터를 위해 데이터를 80\$1 20%로 분할할 수 있습니다. 사용자 지정 분할을 선호하는 경우 **분할 비율 지정**을 선택합니다. 사용자 지정 데이터세트를 검증에 사용하려면 **검증 세트 제공**을 선택합니다.
1. **출력 데이터 위치(S3 버킷)** - 출력 데이터를 저장하려는 S3 버킷 위치의 이름입니다. 이 버킷의 URL은 Amazon SageMaker AI가 쓰기 권한을 가진 Amazon S3 형식이어야 합니다. S3 버킷이 현재 AWS 리전에 있어야 합니다. 또한 Autopilot은 입력 데이터와 동일한 위치에 이를 자동으로 생성할 수 있습니다.
1. **다음: 대상 및 기능**을 선택합니다. **대상 및 기능** 탭이 열립니다.
1. **대상 및 기능** 섹션에서:
+ 모델 예측의 대상으로 설정할 열을 선택합니다.
+ 선택적으로, **샘플 가중치** 섹션에 샘플 가중치 열의 이름을 전달하여 훈련 및 평가 중에 데이터세트 행에 가중치를 적용하도록 요청할 수 있습니다. 사용 가능한 객체 지표에 대한 자세한 내용은 [Autopilot 가중치 지표](autopilot-metrics-validation.md#autopilot-weighted-metrics)을 참조하세요.
**참고**
샘플 가중치에 대한 지원은 [앙상블 모드](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode)에서만 사용할 수 있습니다.
+ 훈련할 기능을 선택하고 데이터 유형을 변경할 수도 있습니다. 사용 가능한 데이터 유형은`Text`, `Numerical`, `Categorical`, `Datetime`, `Sequence`, 및 `Auto`입니다. 기본적으로 모든 기능이 선택됩니다.
1. **다음: 훈련 방법**을 선택합니다. **훈련 방법** 탭이 열립니다.
1. **훈련 방법** 섹션에서 훈련 옵션(**앙상블**, **하이퍼파라미터 최적화(HPO)** 또는 **자동**)을 선택하면 Autopilot이 데이터세트 크기에 따라 훈련 방법을 자동으로 선택하도록 할 수 있습니다. 각 훈련 모드는 데이터세트에서 사전 정의된 알고리즘 세트를 실행하여 모델 후보를 훈련시킵니다. 기본적으로 Autopilot은 주어진 훈련 모드에 사용할 수 있는 모든 알고리즘을 미리 선택합니다. 모든 알고리즘을 사용하여 Autopilot 훈련 실험을 실행하거나 나만의 서브셋을 선택할 수 있습니다.
훈련 모드 및 사용 가능한 알고리즘에 대한 자세한 내용은 [훈련 모드 및 알고리즘](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html) 페이지의 **Autopilot 훈련 모드** 섹션을 참조하세요.
1. **다음: 배포 및 고급 설정**을 선택하여 **배포 및 고급 설정** 탭을 엽니다. 설정에는 자동 표시 엔드포인트 이름, 기계 학습 문제 유형, 실험 실행을 위한 추가 선택 사항이 포함됩니다.
1. **배포 설정** - Autopilot은 자동으로 엔드포인트를 생성하고 모델을 배포할 수 있습니다.
자동으로 생성된 엔드포인트에 자동 배포하거나 사용자 지정 배포를 위한 엔드포인트 이름을 제공하려면 **자동 배포**에서 토글을 **예**로 설정합니다. Amazon SageMaker Data Wrangler에서 데이터를 가져오는 경우 Data Wrangler에서 변환을 사용 또는 사용하지 않고 최적의 모델을 자동 배포할 수 있는 추가 옵션이 있습니다.
**참고**
Data Wrangler 흐름에 `groupby`, `join` 또는 `concatenate`와 같은 다중 행 작업이 포함된 경우 이러한 변환으로 자동 배포할 수 없습니다. 자세한 내용은 [Automatically Train Models on Your Data Flow](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html)를 참조하세요.
1. **고급 설정(선택 사항)** - Autopilot은 문제 유형 정의, Autopilot 작업 및 시험의 시간 제약, 보안, 암호화 설정과 같은 실험 파라미터를 수동으로 설정하는 추가 제어 기능을 제공합니다.
**참고**
Autopilot은 기본값 설정을 지원하므로 Studio Classic UI를 사용하여 Autopilot 실험을 간단하게 구성할 수 있습니다. 관리자는 Studio Classic [수명 주기 구성](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html)(LCC)을 사용하여 구성 파일에 인프라, 네트워킹 및 보안 값을 설정하고 `AutoML` 작업의 *고급 설정*을 미리 채울 수 있습니다.
관리자가 Autopilot 실험의 사용자 지정을 자동화하는 방법을 알아보려면 [Autopilot 실험의 기본 파라미터 구성하기(관리자용)](autopilot-set-default-parameters-create-experiment.md)을 참조하세요.
1. **기계 학습 문제 유형** - Autopilot은 데이터세트에서 지도 학습 문제의 유형을 자동으로 유추할 수 있습니다. 수동으로 선택하려는 경우 **기계 학습 문제 유형 선택** 드롭다운 메뉴를 사용합니다. 기본값은 **자동**입니다. 경우에 따라 SageMaker AI는 정확하게 추론할 수 없습니다. 이런 경우에는 해당 작업이 성공할 수 있도록 값을 제공해야 합니다. 특히 다음 이벤트 유형 중에서 선택할 수 있습니다.
+ **바이너리 분류** - 바이너리 분류는 특성에 따라 사전 정의된 상호 배타적 분류 두 가지 중 하나에 입력 데이터를 할당합니다. 예를 들어, 질병에 걸렸는지 여부를 판단하는 진단 테스트 결과를 기반으로 의료 진단이 이루어집니다.
+ **회귀** - 회귀 분석은 입력 변수(독립 변수 또는 특징이라고도 함)와 대상 변수(종속 변수라고도 함) 간 관계를 설정합니다. 이 관계는 입력 변수를 연속 출력에 매핑하는 수학 함수 또는 모델을 통해 캡처됩니다. 욕실의 평방 피트 및 개수, 주식 시장 동향 또는 판매량 추정 등의 특징을 기반으로 주택 가격을 예측하는 등의 작업에 주로 사용됩니다.
+ **멀티클래스 분류** - 멀티클래스 분류는 정치, 금융, 철학 등 텍스트 문서와 가장 관련이 있는 주제에 대한 예측과 같이, 속성을 기반으로 여러 클래스 중 하나에 입력 데이터를 할당합니다.
1. **런타임** - 최대 시간 제한을 정의할 수 있습니다. 시간 제한에 도달하면 시간 제한을 초과하는 시험 및 작업은 자동으로 중지됩니다.
1. **액세스** - Amazon SageMaker Studio Classic이 사용자를 대신하여 임시 액세스 권한 AWS 서비스 (특히 SageMaker AI 및 Amazon S3)을 얻기 위해 수임하는 역할을 선택할 수 있습니다. 역할이 명시적으로 정의되지 않은 경우 Studio Classic은 사용자 프로필에 연결된 기본 SageMaker AI 실행 역할을 자동으로 사용합니다.
1. **암호화** - 저장 데이터의 보안을 강화하고 무단 액세스로부터 데이터를 보호하기 위해 Amazon S3 버킷과 Studio Classic 도메인에 연결된 Amazon Elastic Block Store(Amazon Elastic Block Store) 볼륨의 데이터를 암호화하는 암호화 키를 지정할 수 있습니다.
1. **보안** - SageMaker AI 작업이 실행되는 가상 프라이빗 클라우드(Amazon VPC)를 선택할 수 있습니다. Amazon VPC가 입력 및 출력 Amazon S3 버킷에 액세스할 수 있는지 확인하세요.
1. **프로젝트** - 이 Autopilot 실험 및 모델 출력과 연결할 SageMaker AI 프로젝트의 이름을 지정합니다. 프로젝트를 지정하면 Autopilot은 프로젝트에 실험에 태그를 지정합니다. 이를 통해 이 프로젝트와 관련된 모델 출력을 알 수 있습니다.
1. **태그** - 태그는 키-값 쌍의 배열입니다. 태그를 사용하여 용도 AWS 서비스, 소유자 또는 환경과 같은 리소스를 분류합니다.
1. Autopilot 실험을 생성하기 전에 **다음: 검토 및 생성**을 선택하여 Autopilot 실험의 요약을 확인합니다.
1. **실험 생성**을 선택합니다. 실험을 만들면 SageMaker AI에서 Autopilot 작업이 시작됩니다. Autopilot은 실험 상태, 노트북의 데이터 탐색 프로세스 및 모델 후보에 대한 정보, 생성된 모델 및 보고서 목록, 실험 생성에 사용된 작업 프로필을 제공합니다.
Autopilot 작업으로 생성된 노트북에 대한 자세한 내용은 [AutoML 작업을 관리하기 위해 생성된 Autopilot 노트북](autopilot-automate-model-development-notebook-output.md)을 참조하세요. 각 모델 후보 및 보고서에 대한 세부 사항은 [모델 세부 정보 보기](autopilot-models-details.md) 및 [Autopilot 모델 성능 보고서 보기](autopilot-model-insights.md) 섹션을 참조하세요.
**참고**
불필요한 비용 발생을 방지하려면: 더 이상 필요하지 않은 모델을 배포한 경우 엔드포인트 및 배포 중 생성된 리소스를 삭제합니다. 리전별 인스턴스 요금에 대한 자세한 내용은 [Amazon SageMaker 요금](https://aws.amazon.com/sagemaker/pricing/)에서 확인할 수 있습니다.