기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon SageMaker Assets을 사용하여 자산에 대해 제어된 액세스 Amazon SageMaker Assets을 사용하여 조직에 속한 *자산*, 모델 또는 데이터 테이블에 대한 제어된 액세스 및 규제된 액세스를 제공합니다. SageMaker Assets 내에서 다른 AWS 계정의 사용자는 추가 관리자 오버헤드 없이 특정 비즈니스 문제와 관련된 자산을 만들고 공유할 수 있습니다. 사용자는 ID에 권한을 정적으로 연결하는 대신 활성 워크플로에 사용 중인 자산에 대한 권한을 제공할 수 있습니다. 자산은 ML 자산 또는 데이터 자산입니다. ML 자산은 Amazon SageMaker Feature Store 특성 그룹 또는 SageMaker Model Registry 모델 그룹을 가리키는 메타데이터입니다. 데이터 자산은 Amazon Redshift 테이블을 가리키는 메타데이터입니다 AWS Glue . 예를 들어 모델 그룹의 자산에는 모델 그룹 이름과 모델 패키지 그룹의 Amazon 리소스 이름(ARN)이 포함됩니다. 자산은 기본 모델 컬렉션을 가리킵니다. 자산 자체를 사용자 간에 공유할 수 있습니다. 사용자는 자체 프로젝트에 대한 자산을 만들 수 있습니다. 이러한 프로젝트의 구성원이 아닌 사용자에게 이를 표시할 수 있습니다. 프로젝트 멤버가 아닌 사용자는 자산을 검색하고 메타데이터를 읽을 수 있습니다. 메타데이터를 사용하여 기본 데이터 소스에 액세스할지를 결정할 수 있습니다. SageMaker Assets 워크플로를 더 잘 이해하려면 조직에 그룹 A와 그룹 B라는 두 개의 사용자 그룹이 있다고 가정해 보세요. 그룹 A의 사용자는 주택 가격을 예측하려고 합니다. 이들은 다른 AWS 계정에 있는 그룹 B의 사용자와 협업하려고 합니다. AWS Glue 테이블에 저장된 주택 데이터가 있습니다. 또한 모델 그룹 내에 다른 모델이 모델 패키지로 저장되어 있습니다. SageMaker Assets를 사용하면 그룹 A의 사용자가 몇 번의 클릭만으로 그룹 B의 사용자와 AWS Glue 테이블 및 모델 패키지를 공유할 수 있습니다. 관리자 개입 없이 그룹 A의 사용자는 그룹 B의 사용자에게 정확하게 범위가 지정된 권한을 제공했습니다. 사용자는 자산을 만들고 게시하여 조직 전체에서 볼 수 있도록 할 수 있습니다. 다른 사용자는 이러한 자산에 대한 액세스를 요청할 수 있습니다. **Topics** + [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md) + [자산 작업(사용자 안내서)](sm-assets-user-guide.md) # SageMaker Assets 설정(관리자 안내서) **중요** SageMaker Assets은 Amazon SageMaker Studio에서만 사용할 수 있습니다. Amazon SageMaker Studio Classic을 사용하는 경우 Studio로 마이그레이션해야 합니다. Studio 및 Studio Classic에 대한 자세한 내용은 [Amazon SageMaker AI에서 제공하는 기계 학습 환경](machine-learning-environments.md) 섹션을 참조하세요. 마이그레이션에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 섹션을 참조하세요. 비즈니스 요구 사항이 변화함에 따라 사용자는 비즈니스 문제가 발생할 때 이를 해결하기 위해 효과적으로 협업해야 합니다. 이를 해결하려면 사용자가 데이터와 모델을 서로 공유해야 합니다. SageMaker Assets은 Amazon SageMaker Studio를 데이터 관리 서비스인 Amazon DataZone과 통합합니다. SageMaker Assets은 사용자가 모델과 데이터를 서로 공유할 수 있도록 도와주는 플랫폼입니다. 다음 정보를 사용하여 SageMaker Assets과 Amazon DataZone 간의 통합을 설정할 수 있습니다. 사업부 또는 조직에 대한 Amazon DataZone 도메인을 만듭니다. *도메인*은 Amazon DataZone의 핵심 기능입니다. 모든 사용자의 데이터와 모델이 도메인 내에 있습니다. Amazon DataZone 도메인 내에서 사용자의 하위 집합은 특정 *프로젝트*에서 작업합니다. 프로젝트는 일반적으로 특정 비즈니스 문제와 관련이 있습니다. 프로젝트 내에서 멤버는 데이터세트와 모델을 만들 수 있습니다. 기본적으로 프로젝트 멤버는 해당 프로젝트 내의 데이터 및 모델에만 액세스할 수 있습니다. 조직 내 다른 사용자에게 데이터 및 모델에 대한 액세스를 제공할 수 있습니다. 프로젝트 내에서 환경을 만듭니다. 특히 SageMaker Assets의 경우 환경은 Amazon SageMaker Studio를 시작하는 데 사용되는 구성된 리소스 모음입니다. Amazon DataZone에서 사용되는 용어에 대한 자세한 내용은 [Terminology and concepts](https://docs.aws.amazon.com/datazone/latest/userguide/datazone-concepts.html)울 참조하세요. **중요** 선택한 설정에 따라 Amazon SageMaker Studio는 다음 중 하나를 사용합니다. Amazon DataZone이 Amazon SageMaker AI 환경의 일부로 만드는 Amazon SageMaker AI 도메인 Amazon DataZone으로 마이그레이션하는 기존 Amazon SageMaker AI 도메인 Amazon SageMaker AI 도메인에서 Studio에 액세스할 수 있지만 만든 프로젝트에서 Studio에 액세스하는 것이 좋습니다. Studio 액세스에 대한 자세한 내용은 [자산 작업(사용자 안내서)](sm-assets-user-guide.md) 섹션을 참조하세요. ## 새 SageMaker AI 도메인을 사용하여 Amazon DataZone 설정 다음 목록의 단계와 참조된 설명서를 사용하여 Amazon DataZone이 생성하는 Amazon SageMaker AI 도메인과 함께 Amazon DataZone을 설정합니다. 1. 사용자의 조직 또는 사업부에 해당하는 Amazon DataZone 도메인을 만듭니다. Amazon DataZone 도메인 만들기에 대한 자세한 내용은 [Create domains](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)을 참조하세요. 1. Amazon DataZone 내에서 SageMaker AI 블루프린트를 활성화합니다. SageMaker AI 블루프린트 활성화에 대한 자세한 내용은 [Amazon DataZone 도메인을 소유한 AWS 계정에서 기본 제공 블루프린트 활성화를 참조하세요](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#enable-default-blueprints). 1. 도메인 내 사용자가 해결 중인 비즈니스 문제에 해당하는 프로젝트를 도메인 내에 만듭니다. 프로젝트 만들기에 대한 자세한 내용은 [Create a new project](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)를 참조하세요. 1. 템플릿으로 사용하여 사용자를 위한 SageMaker AI 환경을 만들 수 있는 환경 프로필을 만듭니다. 환경 프로필 만들기에 대한 자세한 내용은 [Create an environment profile](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)을 참조하세요. 1. SageMaker AI 환경을 만듭니다. 프로젝트 내에서 사용자는 SageMaker AI 환경을 사용하여 Amazon SageMaker Studio를 시작합니다. 사용자가 Studio 내에서 자산을 만들고 SageMaker Assets를 사용하여 공유할 수 있습니다. 환경 만들기에 대한 자세한 내용은 [Create a new environment](https://docs.aws.amazon.com/datazone/latest/userguide/create-environment-profile.html)를 참조하세요. 1. SageMaker AI를 Amazon DataZone 내에서 신뢰할 수 있는 서비스 중 하나로 추가합니다. SageMaker AI를 서비스 중 하나로 추가하려면 [Amazon DataZone 도메인을 소유한 AWS 계정에서 SageMaker AI를 신뢰할 수 있는 서비스로 추가를](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service) 참조하세요. ## SageMaker AI 도메인을 사용하여 Amazon DataZone 설정 다음 목록의 단계와 참조된 설명서를 사용하여 기존 Amazon SageMaker AI 도메인과 함께 Amazon DataZone을 설정합니다. 1. 사용자의 조직 또는 사업부에 해당하는 Amazon DataZone 도메인을 만듭니다. Amazon DataZone 도메인 만들기에 대한 자세한 내용은 [Create domains](https://docs.aws.amazon.com/datazone/latest/userguide/create-domain.html)을 참조하세요. 1. Amazon DataZone 내에서 SageMaker AI 블루프린트를 활성화합니다. 사용자 지정 블루프린트 활성화에 대한 자세한 내용은 [Amazon DataZone 사용자 지정 AWS 서비스 블루프린트를 참조하세요](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-custom-blueprint.html). 1. 도메인 내 사용자가 해결 중인 비즈니스 문제에 해당하는 프로젝트를 도메인 내에 만듭니다. 프로젝트 만들기에 대한 자세한 내용은 [Create a new project](https://docs.aws.amazon.com/datazone/latest/userguide/create-new-project.html)를 참조하세요. 1. SageMaker AI를 Amazon DataZone 내에서 신뢰할 수 있는 서비스 중 하나로 활성화합니다. SageMaker AI를 서비스 중 하나로 활성화하려면 [ Amazon DataZone 도메인을 소유한 계정에서 신뢰할 수 있는 서비스로 Amazon SageMaker AI 추가를 AWS DataZone ](https://docs.aws.amazon.com/datazone/latest/userguide/working-with-blueprints.html#add-sagemaker-as-trusted-service)참조하세요. 1. SageMaker AI 도메인 내에서 Amazon DataZone 사용자를 생성합니다. 1. 기존 사용자를 Amazon DataZone 도메인에 온보딩합니다. **참고** SageMaker AI 사용자가 SSO이고 Amazon DataZone 도메인이 SSO인 경우 Amazon SageMaker AI 도메인의 사용자를 Amazon DataZone 도메인에 자동으로 매핑할 수 있습니다. 기존 SageMaker AI 사용자를 온보딩하려면 환경에서 [Amazon DataZone Import SageMaker AI Domain](https://github.com/aws/amazon-sagemaker-examples/tree/default/%20%20%20ml_ops/sm-datazone_import) 스크립트를 실행합니다. 의 이름과 Amazon SageMaker AI 도메인의 AWS 계정 ID AWS 리전 를 인수로 전달해야 합니다. 다음은 스크립트를 실행하는 AWS CLI 명령의 예입니다. ``` python example-script AWS 리전 111122223333 ``` 스크립트는 다음 작업을 수행합니다. 1. Amazon SageMaker AI 도메인 ID를 요청합니다. 1. Amazon DataZone 도메인 ID를 요청합니다. 1. Amazon DataZone 프로젝트를 요청합니다. 1. 가져오려는 사용자를 지정하라는 메시지가 표시됩니다. 1. 사용자 및 Amazon SageMaker AI 도메인에 태그를 추가합니다. 1. Amazon DataZone 사용자를 SageMaker AI 사용자 프로필에 매핑합니다. 각 SageMaker AI 사용자 프로필에 대해 스크립트는 Amazon DataZone 사용자 ID를 입력하라는 메시지를 표시합니다. 스크립트를 자체 사용 사례에 맞게 수정할 수 있습니다. 1. Amazon DataZone이 Amazon SageMaker AI 도메인에 액세스하고 마이그레이션할 수 있도록 페더레이션 역할을 환경에 연결합니다. 스크립트는 Amazon SageMaker AI 도메인의 각 사용자를 통과하고 Amazon DataZone 도메인에서 해당 사용자를 지정하라는 메시지를 표시합니다. Amazon DataZone 도메인의 사용자에 대한 태그를 해당 SageMaker AI 도메인의 사용자에게 자동으로 추가합니다. 또한 각 도메인의 사용자 간 매핑으로 사용자 지정 환경 블루프린트를 업데이트합니다. **참고** SageMaker AI 환경은 최신 버전의 SageMaker Distribution 이미지를 사용합니다. SageMaker AI Distribution 이미지에는 기계 학습을 위한 인기 있는 라이브러리 패키지가 있습니다. 자세한 내용은 [SageMaker Studio 이미지 지원 정책](sagemaker-distribution.md) 단원을 참조하십시오. 환경을 생성한 후 AWS Glue 및 Amazon Redshift 테이블과 데이터베이스를 생성할 수 있습니다. 자세한 내용은 [Query data in Athena or Amazon Redshift](https://docs.aws.amazon.com/datazone/latest/userguide/query-athena-with-deep-link-in-project.html)를 참조하세요. ## 사용자 권한 보기 및 수정 SageMaker AI 환경을 만든 후 조직의 요구 사항에 맞게 사용자의 권한을 변경할 수 있습니다. SageMaker AI 블루프린트는 모든 사용자에 대한 권한을 지정합니다. 사용자는 모든 SageMaker AI 서비스를 사용하여 작업을 수행할 수 있지만 권한은 Amazon DataZone 도메인 내에서 만든 리소스로 범위가 축소됩니다. **중요** 만드는 환경은 제한된 권한과 권한 경계가 있는 IAM 역할을 사용합니다. 사용자의 권한을 변경하려면 권한 경계를 수정하거나 바꾸면 됩니다. 예를 들어 환경 내에서 만든 Amazon S3 버킷과 같은 리소스에 사용자가 액세스해야 하는 경우 권한 경계를 변경할 수 있습니다. SageMaker AI 도메인을 만드는 데 사용된 IAM 역할의 ARN에서 권한을 볼 수 있습니다. 다음 절차에 따라 사용자의 IAM 역할 권한을 보거나 편집할 수 있습니다. **사용자의 권한을 보거나 편집하는 방법** 1. [Amazon SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. **도메인(Domains)**을 선택합니다. 1. Amazon DataZone 도메인과 이름이 동일한 도메인의 이름을 선택합니다. 1. **도메인 설정** 선택합니다. 1. **실행 역할**에서 실행 역할의 ARN을 복사합니다. 1. [IAM 콘솔](https://console.aws.amazon.com/IAM)을 엽니다. 1. **역할**을 선택합니다. 1. ARN을 붙여넣고 마지막 슬래시 뒤에 있는 역할 이름을 제외한 모든 항목을 삭제합니다. 1. 권한을 볼 역할을 선택합니다. 1. **권한**에서 조직의 요구 사항에 맞게 정책을 수정합니다. 1. (선택 사항) **권한 경계**를 선택하고 **권한 경계 설정**을 선택합니다. 1. 권한 경계로 설정할 정책을 선택합니다. # 자산 작업(사용자 안내서) SageMaker Assets을 사용하여 조직의 다른 개인과 기계 학습 프로젝트에서 원활하게 협업할 수 있습니다. SageMaker Assets를 사용하면 사용자와 공동 작업자가 모델과 데이터 테이블을 만들고 서로 공유합니다. SageMaker Assets 내에서 이러한 모델 및 데이터 테이블을 *자산*이라고 합니다. SageMaker Assets은 Amazon SageMaker Studio 내의 기능입니다. 사용자 또는 관리자가 Amazon DataZone 프로젝트 내에 Studio 환경을 만듭니다. Amazon DataZone 설정에 대한 자세한 내용은 [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md) 섹션을 참조하세요. 자산은 ML 자산 또는 데이터 자산입니다. ML 자산은 다음을 가리키는 메타데이터입니다. + Feature Store 특성 그룹 + SageMaker AI 모델 그룹 기본 모델 그룹과 특성 그룹은 데이터의 소스입니다. 특성 그룹 또는 모델 그룹을 업데이트하면 모델 그룹 또는 특성 그룹의 자산이 하루 내에 업데이트됩니다. 데이터 자산은 다음을 가리키는 메타데이터입니다. + Amazon Redshift 테이블 + AWS Glue 테이블 데이터 자산의 경우 데이터 소스는 AWS Glue 테이블 및 Amazon Redshift 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다. 예를 들어 데이터 소스는 AWS Glue 테이블의 메타데이터를 해당 테이블의 자산으로 가져옵니다. 자산을 게시하여 조직의 모든 사람이 자산을 볼 수 있도록 할 수 있습니다. 개인은 자산의 메타데이터를 검토하고 액세스를 요청할 수 있습니다. 액세스를 제공하면 기본 기계 학습 데이터 소스 또는 테이블에 액세스할 수 있습니다. 관리자가 특성 그룹, 모델 그룹 및 테이블에 대한 액세스 권한을 부여했을 가능성이 큽니다. 부여하지 않은 경우 [SageMaker Assets 설정(관리자 안내서)](sm-assets-set-up.md)의 정보를 참조하여 시작하는 데 도움을 받으세요. 다음 섹션에서는 특성 그룹 및 모델 그룹에 대한 참조 정보를 제공합니다. ## 특성 그룹 Amazon SageMaker Feature Store는 특성을 저장하고 관리하는 데 도움이 되는 중앙 위치를 제공합니다. 특성 엔지니어링에 사용할 수 있는 고성능 리포지토리입니다. Feature Store 내에서 특성은 특성 그룹에 저장됩니다. 특성 그룹은 작업 중인 프로젝트와 관련된 특성 모음입니다. 예를 들어 주택 가격 예측과 관련된 프로젝트를 수행하는 경우 특성 그룹에 위치 또는 침실 수와 같은 기능이 포함될 수 있습니다. 특성 그룹을 사용하여 특성 엔지니어링 프로세스를 간소화하는 방법에 대한 자세한 내용은 [Feature Store로 특성 만들기, 저장 및 공유](feature-store.md) 섹션을 참조하세요. ## 모델 그룹 SageMaker Model Registry 내에서 SageMaker AI 모델 그룹을 사용하여 다양한 버전의 모델을 구성하고 관리할 수 있습니다. 모델의 다양한 버전을 비교하여 사용 사례에 성능이 가장 좋은 버전을 확인할 수 있습니다. SageMaker Model Registry에 대한 자세한 내용은 [Model Registry를 사용한 모델 등록 배포](model-registry.md) 섹션을 참조하세요. 다음은 Amazon Redshift 및 AWS Glue에 대한 배경 정보입니다. Amazon Redshift는 대규모 데이터세트에서 빠른 쿼리 성능을 제공하는 대규모 데이터 웨어하우징 서비스입니다. Amazon Redshift에 대한 자세한 내용은 [Amazon Redshift Serverless](https://docs.aws.amazon.com/redshift/latest/gsg/new-user-serverless.html)를 참조하세요. AWS Glue 는 데이터 준비 프로세스를 간소화하는 데 사용할 수 있는 추출, 변환, 로드(ETL) 서비스입니다. 에 대한 자세한 내용은 란 무엇입니까?를 AWS Glue참조하십시오. [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html) SQL 편집기를 사용하여 AWS Glue 및 Amazon Redshift 데이터베이스를 연결하고 쿼리를 실행할 수 있습니다. SageMaker Assets의 편집기에서 만든 모든 테이블을 공유할 수 있습니다. 자세한 내용은 [Studio에서 SQL을 사용하여 데이터 준비](sagemaker-sql-extension.md) 단원을 참조하십시오. **Topics** + [용어 및 개념](#sm-assets-terminology) + [1단계: SageMaker Assets 액세스](#sm-assets-access) + [2단계: 자산 공유 및 공유된 자산에 대한 액세스 관리](#sm-assets-share) + [3단계: 액세스 요청 관리](#sm-assets-manage-requests) + [4단계: 자산 찾기 및 찾은 자산에 대한 액세스 요청](#sm-assets-request-access) + [5단계: 기계 학습 워크플로에서 공유 자산 사용](#sm-assets-consume) ## 용어 및 개념 SageMaker Assets 사용을 시작하기 전에 다음과 같은 용어 및 개념을 익히면 도움이 됩니다. + 자산 - 공유하는 모델 또는 데이터 테이블을 가리키는 메타데이터입니다. 다른 사람이 소유하는 자산에 대한 액세스를 요청하거나 자신의 자산을 다른 사람과 공유할 수 있습니다. 사용자와 팀원은 자산과 연결된 기본 데이터 테이블 또는 모델에 액세스합니다. + 구독한 자산 - 자산에 대한 액세스를 요청하려면 구독 요청을 제출합니다. 요청이 승인되면 구독한 자산 아래에 자산이 표시됩니다. + 소유 자산 - 팀원과 공유한 자산입니다. + 자산 카탈로그 - 조직 전체에 공유한 자산입니다. ## 1단계: SageMaker Assets 액세스 SageMaker Assets에 액세스하여 자산을 보고 다른 사용자와 공유합니다. 다음 정보를 이용하여 사용을 시작하는 데 도움을 받으세요. Amazon DataZone 도메인 내의 *프로젝트*에서 SageMaker Assets에 액세스합니다. 프로젝트는 사용자와 팀원 간의 공동 작업입니다. 프로젝트 내에서 사용자와 프로젝트의 다른 멤버는 사용자와 다른 팀원이 인벤토리 카탈로그 내에서 만드는 자산에 액세스할 수 있습니다. 자산을 게시된 카탈로그에 게시하여 조직의 다른 개인이 자산을 볼 수 있도록 할 수 있습니다. 이러한 개인은 자산에 대한 액세스를 요청할 수 있습니다. 액세스 권한을 제공하면 업데이트된 데이터 소스에 액세스할 수 있습니다. 예를 들어 업데이트하는 AWS Glue 테이블을 구독하는 개인은 업데이트된 AWS Glue 테이블에 실시간으로 액세스할 수 있습니다. 다음 절차에 따라 SageMaker Assets에 액세스합니다. **SageMaker Assets에 액세스하는 방법** 1. [Amazon DataZone](https://console.aws.amazon.com/datazone) 콘솔을 엽니다. 1. **도메인 보기**를 선택합니다. 1. 프로젝트가 포함된 도메인 옆에 있는 **데이터 포털 열기**를 선택합니다. 1. **분석 도구**에서 **SageMaker AI Studio**를 선택합니다. 1. **Amazon SageMaker AI 열기**를 선택합니다. 1. **자산**을 선택합니다. 사용자와 공유된 자산은 **구독한 자산** 아래에 있습니다. 사용자와 프로젝트 멤버가 만드는 자산은 **소유 자산** 아래에 있습니다. 사용자와 조직의 다른 구성원이 게시한 자산은 **자산 카탈로그**에 있습니다. ## 2단계: 자산 공유 및 공유된 자산에 대한 액세스 관리 기계 학습 모델, 특성 그룹 또는 데이터 테이블을 만든 후 프로젝트에서 협업하는 개인이 또는 더 광범위하게 조직에서 볼 수 있도록 할 수 있습니다. 자산에 대한 액세스 요청에 응답할 수 있습니다. 개인의 요청을 승인하면 해당 개인이 자산의 기본 데이터 소스를 수정할 수 있습니다. 자산을 공유할 때는 두 가지 옵션이 있습니다. + 자산 카탈로그에 게시 - 조직의 모든 사람이 자산을 볼 수 있도록 합니다. + 인벤토리에 게시 - 프로젝트를 수행하는 모든 사람이 자산을 볼 수 있도록 합니다. 자산을 자산 카탈로그에 게시한 경우 조직의 개인은 자산 카탈로그에서 자산을 찾을 수 있습니다. 이들은 자산의 메타데이터를 보고 해당 메타데이터에 대한 액세스를 요청할지를 결정할 수 있습니다. 요청을 승인하면 이들이 기본 데이터 소스에 액세스할 수 있습니다. 인벤토리에 게시하는 경우 사용자와 프로젝트의 다른 멤버는 추가 작업 없이 자산에 액세스할 수 있습니다. 인벤토리에 게시된 자산은 **소유 자산** 아래에만 표시됩니다. 카탈로그에 게시된 자산은 **소유 자산** 및 **자산 카탈로그** 아래에 표시됩니다. 데이터 테이블을 게시할 때 기본 테이블 또는 Amazon Redshift AWS Glue 테이블에서 메타데이터를 자산으로 가져오는 데이터 소스를 생성해야 합니다. 다음 절차에 따라 AWS Glue 또는 Amazon Redshift 테이블을 게시합니다. ------ #### [ Publish an AWS Glue table ] AWS Glue 테이블에 대한 자산을 게시하려면 해당 테이블에 대한 데이터 소스를 생성하고 게시합니다. 데이터 소스는 AWS Glue 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다. 다음 절차에 따라 AWS Glue 테이블을 게시합니다. **AWS Glue 테이블을 게시하려면** 1. **SageMaker Assets** 랜딩 페이지로 이동합니다. 1. **소유 자산**을 선택합니다. 1. **데이터 소스 보기**를 선택합니다. 1. **데이터 소스 생성**을 선택합니다. 1. **이름**에서 데이터 소스의 이름을 지정합니다. 1. **설명**에 설명을 입력합니다. 1. **유형**에서 **AWS Glue**를 선택합니다. 1. **데이터 선택**에서 AWS Glue 테이블이 포함된 데이터베이스를 선택합니다. 1. **테이블 선택 기준**에서 테이블의 이름을 지정합니다. **참고** 둘 이상의 테이블을 지정할 수 있지만 테이블 이름을 하나만 제공하는 것이 좋습니다. 1. **다음**을 선택합니다. 1. + **카탈로그에 자산 게시**에서 **예**를 선택하여 자산 카탈로그에 게시합니다. + **카탈로그에 자산 게시**에서 **아니요**를 선택하여 자산 카탈로그에 게시합니다. 1. **다음**을 선택합니다. 1. **자산 세부 정보**에서 **일정에 따라 실행** 또는 **온디맨드 실행**을 선택하여 AWS Glue 테이블의 메타데이터를 자산으로 가져오는 방법을 결정합니다. 1. (선택 사항) **일정에 따라 실행**을 선택한 경우 메타데이터를 자산으로 가져오는 일정을 지정합니다. 1. **다음**을 선택합니다. 1. **생성(Create)**을 선택합니다. 1. (선택 사항) 일정을 만들지 않은 경우 **실행**을 선택하여 AWS Glue 테이블의 메타데이터를 자산으로 가져옵니다. ------ #### [ Publish an Amazon Redshift table ] Amazon Redshift 테이블의 자산을 게시하려면 테이블의 데이터 소스를 만들고 게시합니다. 데이터 소스는 Amazon Redshift 테이블에서 메타데이터를 자산으로 가져오는 메커니즘입니다. 다음 절차에 따라 Amazon Redshift 테이블을 게시합니다. **Amazon Redshift 테이블을 게시하는 방법** 1. **SageMaker Assets** 랜딩 페이지로 이동합니다. 1. **소유 자산**을 선택합니다. 1. **데이터 소스 보기**를 선택합니다. 1. **데이터 소스 생성**을 선택합니다. 1. **이름**에서 데이터 소스의 이름을 지정합니다. 1. **설명**에 설명을 입력합니다. 1. **유형**에서 **Amazon Redshift**를 선택합니다. 1. + **Redshift 클러스터**를 선택합니다. 1. **Redshift 클러스터**의 경우 테이블의 데이터베이스를 포함하는 Amazon Redshift 클러스터의 이름을 지정합니다. 1. **보안** 암호에서 클러스터의 자격 증명이 포함된 AWS Secrets Manager 보안 암호의 이름을 지정합니다. + **Redshift 서버리스**를 선택합니다. 1. **Redshift 작업 그룹**의 경우 테이블의 데이터베이스를 포함하는 Amazon Redshift 작업 그룹의 이름을 지정합니다. 1. **보안** 암호에서 작업 그룹의 자격 증명이 포함된 AWS Secrets Manager 보안 암호의 이름을 지정합니다. 1. **게시 소스 선택**에서 Amazon Redshift 테이블이 포함된 데이터베이스를 선택합니다. 1. **테이블 선택 기준**에서 테이블의 이름을 지정합니다. **참고** 둘 이상의 테이블을 지정할 수 있지만 테이블 이름을 하나만 제공하는 것이 좋습니다. 1. **다음**을 선택합니다. 1. + **카탈로그에 자산 게시**에서 **예**를 선택하여 자산 카탈로그에 게시합니다. + **카탈로그에 자산 게시**에서 **아니요**를 선택하여 자산 카탈로그에 게시합니다. 1. **다음**을 선택합니다. 1. **자산 세부 정보**에서 **일정에 따라 실행** 또는 **온디맨드 실행**을 선택하여 Amazon Redshift 테이블의 메타데이터를 자산으로 가져오는 방법을 결정합니다. 1. (선택 사항) **일정에 따라 실행**을 선택한 경우 메타데이터를 자산으로 가져오는 일정을 지정합니다. 1. **다음**을 선택합니다. 1. **생성(Create)**을 선택합니다. 1. (선택 사항) 일정을 만들지 않은 경우 **실행**을 선택하여 Amazon Redshift 테이블의 메타데이터를 자산으로 가져옵니다. ------ 다음 절차에 따라 특성 그룹 또는 모델 패키지 그룹의 자산을 게시합니다. ------ #### [ Publish a feature group ] 다음 절차에 따라 만든 특성 그룹으로 이동하여 소유 자산 또는 자산 카탈로그에 게시합니다. **특성 그룹을 소유 자산 또는 자산 카탈로그에 게시하는 방법** 1. Studio의 왼쪽 탐색 메뉴에서 **데이터**를 선택합니다. 1. 게시하려는 특성 그룹을 선택합니다. 1. ![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 아이콘을 선택합니다. 1. + **자산 카탈로그에 게시**를 선택하여 자산 카탈로그에 게시합니다. + **인벤토리에 게시**를 선택하여 그룹의 소유 자산에 게시합니다. ------ #### [ Publish a model group ] 다음 절차에 따라 만든 작업 그룹으로 이동하여 소유 자산 또는 자산 카탈로그에 게시합니다. **모델 그룹을 소유 자산 또는 자산 카탈로그에 게시하는 방법** 1. Studio의 왼쪽 탐색 메뉴에서 **모델**을 선택합니다. 1. 게시하려는 모델 그룹을 선택합니다. 1. ![\[\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sm-assets-publish-icon.png) 아이콘을 선택합니다. 1. + **자산 카탈로그에 게시**를 선택하여 자산 카탈로그에 게시합니다. + **인벤토리에 게시**를 선택하여 그룹의 소유 자산에 게시합니다. ------ 다음 절차에 따라 소유 자산의 자산을 자산 카탈로그에 게시합니다. **SageMaker Assets 페이지의 자산을 게시하는 방법** 1. Studio 내에서 **자산**으로 이동합니다. 1. **소유 자산**을 선택합니다. 1. 검색 창에 자산 이름을 지정합니다. 1. 자산을 선택합니다. 1. **게시**를 선택합니다. 다음 SageMaker Python SDK 코드를 사용하여 특성 그룹 또는 모델 패키지 그룹을 게시할 수 있습니다. 코드는 사용자가 이미 특성 그룹 또는 모델 패키지 그룹을 만들었다고 가정합니다. ``` from sagemaker.asset import AssetManager publisher = AssetPublisher() publisher.publish_to_catalog(name-of-your-feature-group-or-model-package) ``` ## 3단계: 액세스 요청 관리 자산을 게시한 후 프로젝트 외부 사용자가 해당 자산에 액세스하려고 할 수 있습니다. 액세스 요청을 제공, 거부 또는 취소할 수 있습니다. 또한 자산을 삭제하여 기본 데이터 소스를 본인만 사용할 수 있도록 할 수 있습니다. 다음 절차에 따라 구독 요청에 응답합니다. **구독 요청을 승인하는 방법** 1. **SageMaker Assets** 페이지로 이동합니다. 1. **자산 관리**를 선택합니다. 1. **수신 구독 요청**을 선택합니다. 1. + (선택 사항) **승인**을 선택하고 이유를 입력합니다. + (선택 사항) **거부**를 선택합니다. 이전에 승인한 자산에 대한 액세스를 취소할 수 있습니다. 액세스를 취소하기로 선택하면 사용자는 자산과 기본 자산. 소스 모두에 대한 액세스 권한을 잃게 됩니다. 다음 절차에 따라 액세스 권한을 취소합니다. **액세스를 취소하는 방법** 1. **SageMaker Assets** 페이지로 이동합니다. 1. **자산 관리**를 선택합니다. 1. **수신 구독 요청**을 선택합니다. 1. **승인됨** 탭을 선택합니다. 1. 자산 옆의 **취소**를 선택합니다. 자산을 게시 취소할 수도 있으며 그럴 경우 소유 자산으로만 표시됩니다. 리소스 카탈로그에는 자산이 표시되지 않지만, 구독 요청이 승인된 개인은 여전히 자산에 액세스할 수 있습니다. **자산을 게시 취소하는 방법** 1. **SageMaker Assets** 페이지로 이동합니다. 1. **소유 자산**에서 게시 취소하려는 자산을 선택합니다. 1. **게시 취소**를 선택합니다. 자산을 게시 취소한 페이지에서 자산을 삭제할 수도 있습니다. 자산을 삭제해도 데이터 소스는 삭제되지 않습니다. 자산 삭제는 프로젝트 또는 조직의 다른 멤버가 자산을 볼 수 없게 합니다. ## 4단계: 자산 찾기 및 찾은 자산에 대한 액세스 요청 다른 사용자가 리소스 카탈로그에 게시한 자산에 대한 액세스를 요청할 수 있습니다. 다른 사용자가 구독 요청을 승인하면 기본 데이터 소스에 액세스할 수 있습니다. SageMaker Assets 페이지 상단에서 검색 쿼리를 지정하여 조직의 다른 사용자가 게시한 자산을 찾을 수 있습니다. 자산 유형을 선택하여 게시된 자산 중 해당 유형의 자산을 모두 볼 수도 있습니다. 예를 들어 **Glue 테이블**을 선택하여 게시된 AWS Glue 테이블을 모두 볼 수 있습니다. 자산 이름 바로 아래에서 자산 유형을 볼 수도 있습니다. 다음은 자산 유형에 사용할 수 있는 이름입니다. + Redshift 테이블 + Glue 테이블 + 모델 + 특성 그룹 **참고** 다음 저장소의 특성 그룹에는 **Glue 테이블** 유형이 있습니다. 오프라인 오프라인 및 온라인 **구독을 요청하는 방법** 1. **SageMaker Assets** 페이지로 이동합니다. 1. + 검색 창에서 자산의 이름을 지정하고 **검색**을 선택합니다. + **유형**에서 자산 유형을 선택하고 리소스 카탈로그 내에서 액세스하려는 자산을 찾습니다. 1. 자산을 선택합니다. 1. **구독**을 선택합니다. 1. 요청 이유를 입력합니다. 1. **제출**을 선택합니다. 구독 요청은 **자산 요청 관리**의 **발신 구독 요청** 아래에 나타납니다. 자산 게시자가 요청을 승인하면 **구독한 자산** 아래에 표시됩니다. 이제 기계 학습 워크플로에서 Amazon Redshift, AWS Glue 테이블 또는 ML 데이터 소스를 사용할 수 있습니다. ## 5단계: 기계 학습 워크플로에서 공유 자산 사용 자산에 대한 구독 요청이 승인된 경우 기계 학습 워크플로에서 사용할 수 있습니다. 액세스 권한이 부여된 특성 그룹은 Studio의 특성 그룹 목록에 표시됩니다. 액세스 권한이 부여된 모델 그룹은 Studio의 모델 그룹 목록에 나타납니다. SageMaker Assets의 모델 레지스트리에서 모델 그룹을 열 수 있습니다. 다음 절차에 따라 모델 레지스트리 내에서 모델 그룹을 엽니다. **구독한 자산**. **SageMaker Assets에서 모델 그룹을 여는 방법** 1. 모델 그룹을 선택합니다. 1. **Model Registry에서 열기**를 선택합니다. SageMaker Canvas 내의 Data Wrangler에서 AWS Glue 또는 Amazon Redshift 테이블에 액세스할 수 있습니다. SageMaker Canvas는 탐색 데이터 분석(EDA)을 수행하고 코드 없이 모델을 훈련할 수 있는 애플리케이션입니다. SageMaker Canvas에 대한 자세한 내용은 [Amazon SageMaker Canvas](canvas.md) 섹션을 참조하세요. SQL 확장을 사용하여 AWS Glue 또는 Amazon Redshift 테이블의 데이터를 Jupyter 노트북으로 가져올 수도 있습니다. 기계 학습 워크플로를 위해 데이터를 pandas 데이터프레임으로 변환할 수 있습니다. 자세한 내용은 [Studio에서 SQL을 사용하여 데이터 준비](sagemaker-sql-extension.md) 단원을 참조하십시오.