데이터 과학 프로젝트 작업
머리말 링크 복사링크가 클립보드에 복사되었습니다!
데이터 사이언스로서 데이터 사이언스 작업을 단일 프로젝트로 구성할 수 있습니다. OpenShift AI의 데이터 사이언스 프로젝트는 다음 구성 요소로 구성될 수 있습니다.
- 워크벤치
- 워크벤치를 생성하면 원하는 IDE의 모델(예: CryostatpyterLab)을 사용할 수 있습니다.
- 클러스터 스토리지
- 데이터 보존이 필요한 데이터 사이언스 프로젝트의 경우 프로젝트에 클러스터 스토리지를 추가할 수 있습니다.
- 연결
- 프로젝트에 연결을 추가하면 데이터 입력을 워크벤치에 연결할 수 있습니다.
- 파이프라인
- 머신러닝 워크플로를 표준화하고 자동화하여 데이터 사이언스 모델을 추가로 개선하고 배포할 수 있도록 지원합니다.
- 모델 및 모델 서버
- 지능형 애플리케이션을 제공하기 위해 숙련된 데이터 과학 모델을 배포합니다. 모델은 애플리케이션이 모델에 요청을 보낼 수 있는 끝점과 함께 배포됩니다.
1장. 데이터 과학 프로젝트 사용 링크 복사링크가 클립보드에 복사되었습니다!
1.1. 데이터 과학 프로젝트 생성 링크 복사링크가 클립보드에 복사되었습니다!
데이터 사이언스 워크플로우를 구현하려면 프로젝트를 생성해야 합니다. OpenShift에서 프로젝트는 추가 주석이 있는 Kubernetes 네임스페이스이며 리소스에 대한 사용자 액세스를 관리할 수 있는 주요 방법입니다. 프로젝트는 데이터 과학 작업을 한 곳에서 구성하고 조직의 다른 개발자 및 데이터 과학자와 협업할 수 있습니다.
프로젝트 내에서 다음 기능을 추가할 수 있습니다.
- 엔드포인트 또는 자격 증명과 같은 하드 코딩 정보를 사용하지 않고도 데이터에 액세스할 수 있도록 연결
- 데이터 작업 및 처리 및 모델 개발을 위한 워크벤치.
- 배포된 모델을 테스트한 다음 지능형 애플리케이션에 통합할 수 있습니다. 모델을 배포하면 API를 사용하여 액세스할 수 있는 서비스로 사용할 수 있습니다.
- ML 워크플로 자동화를 위한 파이프라인입니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 프로젝트를 생성할 수 있는 적절한 역할 및 권한이 있습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 선택합니다.
데이터 사이언스 프로젝트 페이지에는 액세스할 수 있는 프로젝트 목록이 표시됩니다. 목록의 각 사용자 요청 프로젝트에 대해 Name 열에는 프로젝트 표시 이름, 프로젝트를 요청한 사용자 및 프로젝트 설명이 표시됩니다.
- 프로젝트 생성을 클릭합니다.
- 프로젝트 생성 대화 상자에서 이름 필드를 업데이트하여 프로젝트의 고유한 표시 이름을 입력합니다.
선택 사항: 프로젝트의 기본 리소스 이름을 변경하려면 리소스 이름 편집을 클릭합니다.
리소스 이름은 OpenShift에서 리소스에 레이블이 지정된 이름입니다. 유효한 문자에는 소문자, 숫자, 하이픈(-)이 포함됩니다. 리소스 이름은 30자를 초과할 수 없으며 문자로 시작하여 문자 또는 숫자로 끝나야 합니다.
참고: 프로젝트를 생성한 후에는 리소스 이름을 변경할 수 없습니다. 표시 이름과 설명만 편집할 수 있습니다.
- 선택 사항: 설명 필드에서 프로젝트 설명을 제공합니다.
- 생성을 클릭합니다.
검증
- 프로젝트 세부 정보 페이지가 열립니다. 이 페이지에서 연결을 추가하고, 워크벤치기를 생성하며, 파이프라인을 구성하고, 모델을 배포할 수 있습니다.
1.2. 데이터 과학 프로젝트 업데이트 링크 복사링크가 클립보드에 복사되었습니다!
프로젝트 이름 및 설명을 변경하여 프로젝트 세부 정보를 업데이트할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 데이터 과학 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
세부 정보가 있는 프로젝트 옆에 있는 작업 메뉴( Cryostat )를 클릭하고 프로젝트 편집을 클릭합니다.
프로젝트 편집 대화 상자가 열립니다.
- 선택 사항: 이름 필드를 편집하여 프로젝트의 표시 이름을 변경합니다.
- 선택 사항: 설명 필드를 편집하여 프로젝트 설명을 변경합니다.
- 업데이트를 클릭합니다.
검증
- 업데이트된 프로젝트 세부 정보는 Data Science projects 페이지에서 확인할 수 있습니다.
1.3. 데이터 과학 프로젝트 삭제 링크 복사링크가 클립보드에 복사되었습니다!
더 이상 사용하지 않으려는 경우 OpenShift AI Data Science 프로젝트 페이지에 표시되지 않도록 데이터 과학 프로젝트를 삭제할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 데이터 과학 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
삭제하려는 프로젝트 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 프로젝트 삭제 를 클릭합니다.
프로젝트 삭제 대화 상자가 열립니다.
- 텍스트 필드에 프로젝트 이름을 입력하여 삭제하려는지 확인합니다.
- 프로젝트 삭제를 클릭합니다.
검증
- 귀하가 삭제한 데이터 사이언스 프로젝트는 더 이상 데이터 과학 프로젝트 페이지에 표시되지 않습니다.
- 데이터 사이언스 프로젝트를 삭제하면 연결된 모든 워크벤치, 데이터 사이언스 파이프라인, 클러스터 스토리지 및 연결이 삭제됩니다. 이 데이터는 영구적으로 삭제되며 복구할 수 없습니다.
2장. 프로젝트 워크벤치 사용 링크 복사링크가 클립보드에 복사되었습니다!
2.1. 워크벤치 생성 및 IDE 선택 링크 복사링크가 클립보드에 복사되었습니다!
워크벤치는 ML 모델을 검사하고 작업할 수 있는 격리된 영역입니다. 데이터를 사용하여 작업하고 프로그램을 실행할 수도 있습니다(예: 데이터를 준비하고 정리). 예를 들어 기존 모델을 서비스하는 경우에만 워크벤치가 필요하지 않지만 데이터 처리 또는 모델 교육과 같은 대부분의 데이터 사이언스 워크플로우 작업에 필요합니다.
워크벤치를 생성할 때 이미지( IDE, 패키지 및 기타 종속 항목)를 지정합니다. 지원되는 IDE에는 sendpyterLab, code-server, R Cryostat(기술 프리뷰)가 포함됩니다.
IDE는 서버-클라이언트 아키텍처를 기반으로 합니다. 각 IDE는 사용자 인터페이스(클라이언트)가 웹 브라우저에 표시되는 반면 OpenShift 클러스터의 컨테이너에서 실행되는 서버를 제공합니다. 예를 들어, pinpyter 워크벤치는 Red Hat OpenShift 클러스터의 컨테이너에서 실행됩니다. 클라이언트는 로컬 컴퓨터의 웹 브라우저에서 열리는 sendpyterLab 인터페이스입니다. sendpyterLab에서 입력하는 모든 명령은 워크벤치에 의해 실행됩니다. 마찬가지로 코드-서버 또는 R Cryostat Server와 같은 다른 IDE는 사용자 인터페이스가 웹 브라우저에 표시되는 동안 OpenShift 클러스터의 컨테이너에서 실행되는 서버를 제공합니다. 이 아키텍처를 사용하면 클러스터에서 모든 처리가 수행되는 동안 브라우저 환경에서 로컬 컴퓨터를 통해 상호 작용할 수 있습니다. 처리 중인 데이터가 클러스터를 종료하지 않기 때문에 클러스터는 사용 가능한 더 큰 리소스와 보안의 이점을 제공합니다.
워크벤치에서는 연결을 구성할 수도 있습니다(정보 유지를 위해 외부 데이터에 액세스하고 모델을 저장하고 모델을 저장할 수 있음) 및 클러스터 스토리지(지속 데이터용)를 구성할 수 있습니다. 동일한 프로젝트 내의 워크벤치는 데이터 사이언스 파이프라인 및 모델 서버와 오브젝트 스토리지를 통해 모델 및 데이터를 공유할 수 있습니다.
데이터 보존이 필요한 데이터 사이언스 프로젝트의 경우 생성 중인 워크벤치에 컨테이너 스토리지를 추가할 수 있습니다.
프로젝트 내에서 여러 워크벤치를 만들 수 있습니다. 새 워크벤치 생성 시기는 다음과 같은 고려 사항에 따라 달라집니다.
- 워크벤치 구성(예: CPU, RAM 또는 IDE). 새 작업을 수용하기 위해 기존 워크벤치의 구성 설정을 편집하지 않으려면 대신 새 워크벤치를 만들 수 있습니다.
- 작업 또는 활동을 분리합니다. 예를 들어 LLM(Large Language Models) 실험 활동, 데모 전용 다른 워크벤치 및 테스트를 위한 다른 워크벤치를 사용할 수 있습니다.
2.1.1. 워크벤치 이미지 정보 링크 복사링크가 클립보드에 복사되었습니다!
워크벤치 이미지는 모델 개발에 필요한 툴 및 라이브러리가 사전 설치되어 있습니다. 제공된 워크벤치 이미지 또는 OpenShift AI 관리자가 필요에 맞게 사용자 정의 워크벤치 이미지를 생성할 수 있습니다.
모델 개발을 위해 일관되고 안정적인 플랫폼을 제공하기 위해 많은 제공 워크벤치 이미지에는 동일한 버전의 Python이 포함되어 있습니다. OpenShift AI에서 사용할 수 있는 대부분의 워크벤치 이미지는 사전 빌드되어 OpenShift AI를 설치하거나 업그레이드한 직후 사용할 수 있습니다.
워크벤치 이미지 및 패키지 Red Hat 지원에 대한 자세한 내용은 Red Hat OpenShift AI: 지원 구성을 참조하십시오.
다음 표에는 기본적으로 Red Hat OpenShift AI와 함께 설치된 워크벤치 이미지가 나열되어 있습니다.
이러한 이미지에 사전 설치된 패키지가 사용 사례에 충분하지 않은 경우 다음 옵션이 있습니다.
- 기본 이미지를 시작한 후 추가 라이브러리를 설치합니다. 이 옵션은 모델을 개발할 때 임시 기준으로 라이브러리를 추가하려는 경우에 적합합니다. 그러나 설치된 라이브러리의 종속성을 관리하기 어려울 수 있으며 워크벤치가 다시 시작되면 변경 사항이 저장되지 않습니다.
- 추가 라이브러리 또는 패키지가 포함된 사용자 지정 이미지를 생성합니다. 자세한 내용은 사용자 정의 워크벤치 이미지 생성 을 참조하십시오.
이 표의 (기술 프리뷰) 이미지로 표시된 Workbench 이미지는 Red Hat 프로덕션 SLA(서비스 수준 계약)에서 지원되지 않으며 기능적으로 완전하지 않을 수 있습니다. Red Hat은 프로덕션 환경에서 기술 프리뷰 기능을 사용하지 않는 것이 좋습니다. 이러한 기능을 사용하면 향후 제품 기능을 조기에 이용할 수 있어 개발 과정에서 고객이 기능을 테스트하고 피드백을 제공할 수 있습니다. Red Hat 기술 프리뷰 기능의 지원 범위에 대한 자세한 내용은 기술 프리뷰 기능 지원 범위를 참조하십시오.
| 이미지 이름 | 설명 |
|---|---|
| CUDA | GPU 지원이 필요한 컴퓨팅 집약적 데이터 사이언스 모델을 사용하는 경우 CUDA(Compute Unified Device Architecture) 워크벤치 이미지를 사용하여 NVIDIA CUDA Toolkit에 액세스할 수 있습니다. 이 툴킷을 사용하면 GPU 가속 라이브러리 및 최적화 툴을 사용하여 작업을 최적화할 수 있습니다. |
| 표준 데이터 과학 | TensorFlow 또는 PyTorch가 필요하지 않은 모델에 대해 Standard Data Science 워크벤치 이미지를 사용하십시오. 이 이미지에는 머신러닝 모델 개발을 지원하기 위해 일반적으로 사용되는 라이브러리가 포함되어 있습니다. |
| TensorFlow | TensorFlow는 머신러닝을 위한 오픈 소스 플랫폼입니다. TensorFlow를 사용하면 머신러닝 모델을 빌드, 교육 및 배포할 수 있습니다. TensorFlow에는 컴퓨팅 그래프 시각화와 같은 고급 데이터 시각화 기능이 포함되어 있습니다. 또한 모델의 진행 상황을 쉽게 모니터링하고 추적할 수 있습니다. |
| PyTorch | PyTorch는 딥 러닝에 최적화된 오픈 소스 머신러닝 라이브러리입니다. If you are working with computer vision or natural language processing models, use the Pytorch workbench image. |
| 최소 Python | 고급 머신러닝 기능이나 컴퓨팅 집약적 데이터 사이언스 작업을 위한 추가 리소스가 필요하지 않은 경우 최소 Python 이미지를 사용하여 모델을 개발할 수 있습니다. |
| TrustyAI | TrustyAI 워크벤치 이미지를 사용하여 모델 설명, 추적 및 책임 및 런타임 모니터링과 함께 데이터 사이언스 작업을 활용합니다. 일부 예시는 TrustyAI Explainability 리포지토리를 참조하십시오. |
| code-server |
code-server 워크벤치 이미지를 사용하면 다양한 확장 기능을 사용하여 요구 사항을 충족하도록 워크벤치 환경을 사용자 지정하여 새로운 언어, 테마, 디버거를 추가하고 추가 서비스에 연결할 수 있습니다. 구문 강조, 자동 입력 및 브래킷 일치와 원활한 자동화를 위한 자동 작업 실행기를 사용하여 데이터 과학 작업의 효율성을 향상시킵니다. 자세한 내용은 GitHub의 code-server를 참조하십시오. 참고: Elyra 기반 파이프라인은 코드 서버 워크벤치 이미지에서 사용할 수 없습니다. |
| R Cryostat Server (기술 프리뷰) |
R Cryostat Server 워크벤치 이미지를 사용하여 통계 컴퓨팅 및 그래픽을 위한 프로그래밍 언어인 R Cryostat IDE(R용 통합 개발 환경)에 액세스합니다. 자세한 내용은 R Cryostat Server 사이트를 참조하십시오.
R Cryostat Server 워크벤치 이미지를 사용하려면 먼저 시크릿을 생성하고 BuildConfig를 트리거하여 빌드한 다음 중요
면책 조항: |
| CUDA - R Cryostat Server (기술 프리뷰) | CUDA - R Cryostat Server 워크벤치 이미지를 사용하여 R Cryostat IDE 및 NVIDIA CUDA Toolkit에 액세스합니다. R Cryostat는 통계 컴퓨팅 및 그래픽을 위한 프로그래밍 언어인 R을 위한 통합 개발 환경입니다. NVIDIA CUDA 툴킷을 사용하면 GPU 가속 라이브러리 및 최적화 도구를 사용하여 작업을 최적화할 수 있습니다. 자세한 내용은 R Cryostat Server 사이트를 참조하십시오.
CUDA - R Cryostat Server 워크벤치 이미지를 사용하려면 먼저 시크릿을 생성하고 BuildConfig를 트리거하여 빌드한 다음 중요
면책 조항: CUDA - R Cryostat 서버 워크벤치 이미지에는 NVIDIA CUDA 기술이 포함되어 있습니다. CUDA 라이센스 정보는 https://docs.nvidia.com/cuda/ 에서 확인할 수 있습니다. 이 샘플 워크벤치를 사용하기 전에 라이센스 조건을 검토하십시오. |
| ROCm | ROCm 워크벤치 이미지를 사용하여 OpenShift AI의 AMD GPU에서 AI 및 머신러닝 워크로드를 실행합니다. 여기에는 고성능 GPU 가속을 위해 최적화된 ROCm 라이브러리 및 도구가 포함되어 사용자 지정 AI 워크플로 및 데이터 처리 작업을 지원합니다. 특정 AI 개발 요구에 맞는 추가 프레임워크 또는 종속성을 통합하는 이 이미지를 사용합니다. |
| ROCm-PyTorch | ROCm-PyTorch 워크벤치 이미지를 사용하여 OpenShift AI의 AMD GPU에서 PyTorch 워크로드를 실행합니다. 여기에는 ROCm 가속 PyTorch 라이브러리가 포함되어 있어 효율적인 딥 러닝 교육, 추론 및 실험이 가능합니다. 이 이미지는 PyTorch 기반 워크플로우를 사용하여 GPU 스케줄링과의 통합을 제공하는 데이터 과학자를 위해 설계되었습니다. |
| ROCm-TensorFlow | ROCm-TensorFlow 워크벤치 이미지를 사용하여 OpenShift AI의 AMD GPU에서 TensorFlow 워크로드를 실행합니다. 여기에는 고성능 딥 러닝 모델 교육 및 추론을 지원하기 위해 ROCm-accelerated TensorFlow 라이브러리가 포함되어 있습니다. 이 이미지는 AMD GPU에서 TensorFlow 개발을 단순화하고 리소스 확장 및 관리를 위해 OpenShift AI와 통합됩니다. |
2.1.2. 워크벤치 만들기 링크 복사링크가 클립보드에 복사되었습니다!
워크벤치를 생성할 때 이미지( IDE, 패키지 및 기타 종속 항목)를 지정합니다. 연결, 클러스터 스토리지를 구성하고 컨테이너 스토리지를 추가할 수도 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 프로젝트를 생성했습니다.
Red Hat OpenShift AI 외부에서 S3(Simple Storage Service) 계정을 생성하고 기존 S3 스토리지 버킷에 대한 연결을 생성하려는 경우 스토리지 버킷에 대한 다음 인증 정보 정보가 있습니다.
- 끝점 URL
- 액세스 키
- 시크릿 키
- 리전
- 버킷 이름
자세한 내용은 S3 호환 오브젝트 저장소의 데이터 작업을 참조하십시오.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
워크벤치를 추가할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Workbenches 탭을 클릭합니다.
Create workbench 를 클릭합니다.
Create workbench 페이지가 열립니다.
- 이름 필드에 워크벤치의 고유 이름을 입력합니다.
선택 사항: 워크벤치의 기본 리소스 이름을 변경하려면 리소스 이름 편집을 클릭합니다.
리소스 이름은 OpenShift에서 리소스에 레이블이 지정된 이름입니다. 유효한 문자에는 소문자, 숫자, 하이픈(-)이 포함됩니다. 리소스 이름은 30자를 초과할 수 없으며 문자로 시작하여 문자 또는 숫자로 끝나야 합니다.
참고: 워크벤치가 생성된 후에는 리소스 이름을 변경할 수 없습니다. 표시 이름과 설명만 편집할 수 있습니다.
- 선택 사항: 설명 필드에 워크벤치에 대한 설명을 입력합니다.
Workbench 이미지 섹션에서 필드를 작성하여 워크벤치와 함께 사용할 워크벤치 이미지를 지정합니다.
이미지 선택 목록에서 사용 사례에 맞는 워크벤치 이미지를 선택합니다. 워크벤치 이미지에는 IDE 및 Python 패키지(사용 가능한 코드)가 포함되어 있습니다. 프로젝트 범위 이미지가 있는 경우 이미지 선택 목록에는 글로벌 이미지와 프로젝트 범위 이미지를 구분하는 하위 제목이 포함됩니다.
선택적으로 패키지 정보 보기를 클릭하여 선택한 이미지에 포함된 패키지 목록을 확인합니다.
워크벤치 이미지에 여러 버전을 사용할 수 있는 경우 버전 선택 목록에서 사용할 워크벤치 이미지 버전을 선택합니다. 최신 패키지 버전을 사용하려면 최근 추가된 이미지를 사용하는 것이 좋습니다.
참고워크벤치 이미지를 생성한 후 워크벤치 이미지를 변경할 수 있습니다.
Deployment size 섹션에서 하드웨어 프로필 기능이 활성화되어 있는지 여부에 따라 다음 옵션 중 하나를 선택합니다.
중요하드웨어 프로필 기능은 현재 Red Hat OpenShift AI에서 기술 프리뷰 기능으로 제공됩니다. 기술 프리뷰 기능은 Red Hat 프로덕션 서비스 수준 계약(SLA)에서 지원되지 않으며 기능적으로 완전하지 않을 수 있습니다. Red Hat은 프로덕션 환경에서 사용하는 것을 권장하지 않습니다. 이러한 기능을 사용하면 향후 제품 기능을 조기에 이용할 수 있어 개발 과정에서 고객이 기능을 테스트하고 피드백을 제공할 수 있습니다.
Red Hat 기술 프리뷰 기능의 지원 범위에 대한 자세한 내용은 기술 프리뷰 기능 지원 범위를 참조하십시오.
하드웨어 프로필 기능이 활성화되지 않은 경우:
컨테이너 크기 목록에서 교육 또는 튜닝할 모델의 크기에 적합한 크기를 선택합니다.
예를 들어 Kubeflow 교육을 사용하여 모델에 설명된 예제 미세 조정 작업을 실행하려면 medium 를 선택합니다.
액셀러레이터 목록에서 워크벤치에 적합한 가속기 프로필을 선택합니다.
프로젝트 범위 가속기 프로파일이 존재하는 경우, 액셀러레이터 목록에는 글로벌 가속기 프로파일과 프로젝트 범위 액셀러레이터 프로파일을 구분하기 위한 대체 요소가 포함되어 있습니다.
하드웨어 프로필 기능이 활성화된 경우:
하드웨어 프로필 목록에서 워크벤치에 적합한 하드웨어 프로필을 선택합니다.
프로젝트 범위 하드웨어 프로필이 있는 경우 하드웨어 프로필 목록에는 글로벌 하드웨어 프로필과 프로젝트 범위 하드웨어 프로필을 구분하기 위한 하위 제목이 포함됩니다.
하드웨어 프로필은 컨테이너에 할당된 CPU 수와 메모리 양을 지정하고 둘 다에 대해 보장된 최소(요청) 및 최대값(제한)을 설정합니다.
기본값을 변경하려면 리소스 요청 사용자 지정 및 제한을 클릭하고 새 최소(요청 ) 및 최대값(제한) 값을 입력합니다.
중요기본적으로 하드웨어 프로필 기능은 활성화되어 있지 않습니다. 하드웨어 프로필은 대시보드 탐색 메뉴 또는 사용자 인터페이스의 다른 부분에 표시되지 않습니다. 또한 더 이상 사용되지 않는 가속기 프로필 기능과 관련된 사용자 인터페이스 구성 요소가 계속 표시됩니다. 대시보드 탐색 메뉴에서 설정 → 하드웨어 프로필 옵션을 표시하려면 OpenShift의
OdhDashboardConfigCR(사용자 정의 리소스)에서disableHardwareProfiles값을false로 설정합니다. 대시보드 구성 옵션 설정에 대한 자세한 내용은 대시보드 사용자 지정을 참조하십시오.
선택 사항: 환경 변수 섹션에서 환경 변수의 값을 선택하고 지정합니다.
워크벤치 구성 중에 환경 변수를 설정하면 작업벤치의 본문 또는 IDE 명령줄 인터페이스에서 정의할 필요가 없기 때문에 나중에 시간을 절약할 수 있습니다.
S3 호환 스토리지를 사용하는 경우 다음 권장 환경 변수를 추가합니다.
-
AWS_ACCESS_KEY_ID는 Amazon Web Services의 액세스 키 ID를 지정합니다. -
AWS_SECRET_ACCESS_KEY는AWS_ACCESS_KEY_ID에 지정된 계정의 Secret 액세스 키를 지정합니다.
OpenShift AI는 변수를 추가할 때 보안을 선택하는 경우 인증 정보를 보호된 네임스페이스에 Kubernetes 시크릿 으로 저장합니다.
-
Cluster storage 섹션에서 워크벤치용 스토리지를 구성합니다. 다음 옵션 중 하나를 선택합니다.
workbench를 종료한 후 유지되는 스토리지를 생성할 새 영구 스토리지를 생성합니다. 스토리지를 정의하려면 관련 필드를 작성합니다.
- 클러스터 스토리지의 이름을 입력합니다.
- 클러스터 스토리지에 대한 설명을 입력합니다.
클러스터 스토리지의 스토리지 클래스 를 선택합니다.
참고워크벤치에 클러스터 스토리지를 추가한 후에는 스토리지 클래스를 변경할 수 없습니다.
여러 액세스 모드를 지원하는 스토리지 클래스의 경우 액세스 모드를 선택하여 볼륨에 액세스하는 방법을 정의합니다. 자세한 내용은 영구 스토리지 정보를 참조하십시오.
클러스터 및 OpenShift AI 관리자가 스토리지 클래스에 대해 활성화된 액세스 모드만 표시됩니다.
- 영구 스토리지 크기에서 새 크기를 기가바이트 또는 메비바이트로 입력합니다.
- 기존 영구 스토리지를 사용하여 기존 스토리지를 재사용하고 영구 스토리지 목록에서 스토리지를 선택합니다.
선택 사항: 워크벤치에 연결을 추가할 수 있습니다. 연결은 오브젝트 스토리지 버킷과 같이 데이터 소스 또는 싱크에 연결하는 데 필요한 구성 매개변수가 포함된 리소스입니다. 스토리지 버킷을 사용하여 데이터, 모델 및 파이프라인 아티팩트를 저장할 수 있습니다. 연결을 사용하여 배포할 모델의 위치를 지정할 수도 있습니다.
연결 섹션에서 기존 연결을 사용하거나 새 연결을 만듭니다.
다음과 같이 기존 연결을 사용합니다.
- 기존 연결 연결을 클릭합니다.
- 연결 목록에서 이전에 정의한 연결을 선택합니다.
다음과 같이 새 연결을 생성합니다.
- 연결 생성을 클릭합니다. 연결 추가 대화 상자가 열립니다.
- 연결 유형 드롭다운 목록에서 연결 유형을 선택합니다. 연결 세부 정보 섹션이 표시됩니다.
이전 단계에서 S3 호환 오브젝트 스토리지를 선택한 경우 연결 세부 정보를 구성합니다.
- 연결 이름 필드에 연결에 대한 고유한 이름을 입력합니다.
- 선택 사항: 설명 필드에 연결에 대한 설명을 입력합니다.
- 액세스 키 필드에 S3 호환 오브젝트 스토리지 공급자의 액세스 키 ID를 입력합니다.
- Secret 키 필드에 지정한 S3 호환 오브젝트 스토리지 계정의 시크릿 액세스 키를 입력합니다.
- Endpoint 필드에 S3 호환 오브젝트 스토리지 버킷의 끝점을 입력합니다.
- Region 필드에 S3 호환 오브젝트 스토리지 계정의 기본 리전을 입력합니다.
- Bucket 필드에 S3 호환 오브젝트 스토리지 버킷의 이름을 입력합니다.
- 생성을 클릭합니다.
이전 단계에서 URI 를 선택한 경우 연결 세부 정보를 구성합니다.
- 연결 이름 필드에 연결에 대한 고유한 이름을 입력합니다.
- 선택 사항: 설명 필드에 연결에 대한 설명을 입력합니다.
- URI 필드에 URI(Uniform Resource Identifier)를 입력합니다.
- 생성을 클릭합니다.
- Create workbench 를 클릭합니다.
검증
- 생성한 워크벤치는 프로젝트의 Workbenches 탭에 표시됩니다.
- 생성 프로세스 중에 워크벤치와 관련된 클러스터 스토리지가 프로젝트의 클러스터 스토리지 탭에 표시됩니다.
- Workbenches 탭의 Status 열에는 워크벤치 서버가 시작될 때 시작 상태와 워크벤치가 성공적으로 시작되면 Running 상태가 표시됩니다.
-
선택 사항: 열려 있는 아이콘(
)을 클릭하여 새 창에서 IDE를 엽니다.
2.2. 워크벤치 시작 링크 복사링크가 클립보드에 복사되었습니다!
프로젝트 세부 정보 페이지의 Workbenches 탭에서 데이터 사이언스 프로젝트의 워크벤치를 수동으로 시작할 수 있습니다. 기본적으로 워크벤치는 생성 후 즉시 시작됩니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 워크벤치가 포함된 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
시작하려는 워크벤치가 있는 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Workbenches 탭을 클릭합니다.
시작하려는 워크벤치의 상태 열에서 시작을 클릭합니다.
작업벤치 서버가 시작될 때 상태 열이 Stopped 에서 Start 로 변경되고 워크벤치가 성공적으로 시작되면 Running 으로 변경됩니다. * 선택 사항: 열려 있는 아이콘(
)을 클릭하여 새 창에서 IDE를 엽니다.
검증
- 시작한 워크벤치는 Running 상태로 프로젝트의 Workbenches 탭에 표시됩니다.
2.3. 프로젝트 워크벤치 업데이트 링크 복사링크가 클립보드에 복사되었습니다!
데이터 과학 작업에서 워크벤치 이미지, 컨테이너 크기 또는 식별 정보를 변경해야 하는 경우 프로젝트 워크벤치의 속성을 업데이트할 수 있습니다. 대규모 데이터 세트와 함께 사용할 추가 권한이 필요한 경우 워크벤치에 가속기를 할당하여 성능을 최적화할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 워크벤치가 있는 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
업데이트할 워크벤치가 있는 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Workbenches 탭을 클릭합니다.
업데이트할 워크벤치 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 Edit workbench 를 클릭합니다.
작업벤치 편집 페이지가 열립니다.
- 워크벤치 속성 중 하나를 업데이트한 다음 작업벤치 업데이트를 클릭합니다.
검증
- 업데이트된 워크벤치가 프로젝트의 Workbenches 탭에 표시됩니다.
2.4. 데이터 과학 프로젝트에서 워크벤치 삭제 링크 복사링크가 클립보드에 복사되었습니다!
데이터 사이언스 프로젝트에서 워크벤치를 삭제하여 더 이상 작업과 관련이 없는 주피터 노트북을 제거할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 워크벤치와 함께 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
워크벤치를 삭제할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Workbenches 탭을 클릭합니다.
삭제하려는 워크벤치 옆에 있는 작업 메뉴( Cryostat)를 클릭한 다음 작업벤치 삭제 를 클릭합니다.
작업벤치 삭제 대화 상자가 열립니다.
- 텍스트 필드에 워크벤치 이름을 입력하여 삭제하려는지 확인합니다.
- Delete workbench 를 클릭합니다.
검증
- 삭제한 워크벤치가 프로젝트의 Workbenches 탭에 더 이상 표시되지 않습니다.
- 워크벤치의 metapyter 노트북과 관련된 CR(사용자 정의 리소스)이 삭제됩니다.
3장. 연결 사용 링크 복사링크가 클립보드에 복사되었습니다!
3.1. 데이터 과학 프로젝트에 연결 추가 링크 복사링크가 클립보드에 복사되었습니다!
데이터 소스 또는 싱크에 연결하는 데 필요한 구성 매개 변수가 포함된 연결을 추가하여 데이터 과학 프로젝트를 향상시킬 수 있습니다.
매우 큰 데이터 세트로 작업하려면 로컬 스토리지를 채우지 않도록 OCI(Open Container Initiative) 호환 레지스트리, S3 호환 오브젝트 스토리지 버킷 또는 URI 기반 리포지토리에 데이터를 저장할 수 있습니다. 또한 연결이 없는 기존 워크벤치와 연결을 연결하는 옵션도 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 연결을 추가할 수 있는 데이터 사이언스 프로젝트를 생성했습니다.
- S3 호환 오브젝트 스토리지, URI 기반 리포지토리 또는 OCI 호환 레지스트리에 액세스할 수 있습니다.
- 기존 워크벤치에 연결을 추가하려는 경우 작업 손실을 방지하기 위해 워크벤치에 데이터를 저장했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
연결을 추가할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- 연결 탭을 클릭합니다.
- 연결 추가를 클릭합니다.
연결 추가 모달에서 연결 유형을 선택합니다. OCI 호환 레지스트리,S3 호환 오브젝트 스토리지 및 URI 옵션은 사전 설치된 연결 유형입니다. OpenShift AI 관리자가 이를 추가한 경우 추가 옵션을 사용할 수 있습니다.
연결 추가 양식은 선택한 연결 유형과 관련된 필드를 사용하여 열립니다.
연결의 고유 이름을 입력합니다.
연결 이름을 기반으로 리소스 이름이 생성됩니다. 리소스 이름은 OpenShift의 기본 리소스의 레이블입니다.
- 선택 사항: 기본 리소스 이름을 편집합니다. 연결을 생성한 후에는 리소스 이름을 변경할 수 없습니다.
- 선택 사항: 연결에 대한 설명을 제공합니다.
선택한 연결 유형에 따라 양식을 작성합니다. 예를 들면 다음과 같습니다.
S3 호환 오브젝트 스토리지를 연결 유형으로 선택한 경우 연결 세부 정보를 구성합니다.
- 액세스 키 필드에 S3 호환 오브젝트 스토리지 공급자의 액세스 키 ID를 입력합니다.
- Secret 키 필드에 지정한 S3 호환 오브젝트 스토리지 계정의 시크릿 액세스 키를 입력합니다.
Endpoint 필드에 S3 호환 오브젝트 스토리지 버킷의 끝점을 입력합니다.
참고적절한 엔드포인트 형식을 사용해야 합니다. 잘못된 포맷으로 인해 연결 오류가 발생하거나 스토리지 리소스에 대한 액세스를 제한할 수 있습니다. 오브젝트 스토리지 끝점을 포맷하는 방법에 대한 자세한 내용은 오브젝트 스토리지 끝점 개요 를 참조하십시오.
- Region 필드에 S3 호환 오브젝트 스토리지 계정의 기본 리전을 입력합니다.
- Bucket 필드에 S3 호환 오브젝트 스토리지 버킷의 이름을 입력합니다.
- 생성을 클릭합니다.
- 이전 단계에서 URI 를 선택한 경우 URI 필드에 URI(Uniform Resource Identifier)를 입력합니다.
- 이전 단계에서 OCI 호환 레지스트리 를 선택한 경우 OCI 스토리지 위치 필드에서 URI를 입력합니다.
- 연결 추가를 클릭합니다.
검증
- 추가한 연결이 프로젝트의 연결 탭에 표시됩니다.
3.2. 연결 업데이트 링크 복사링크가 클립보드에 복사되었습니다!
이 절차에 설명된 대로 기존 연결 구성을 편집할 수 있습니다.
연결에 수행한 모든 변경 사항은 해당 리소스가 다시 시작, 재배포 또는 다시 생성될 때까지 종속 리소스(예: 워크벤치)에 적용되지 않습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 데이터 사이언스 프로젝트를 만들고, 워크벤치를 만들고, 연결을 정의했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
변경할 연결이 포함된 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- 연결 탭을 클릭합니다.
변경하려는 연결 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 편집을 클릭합니다.
연결 편집 양식이 열립니다.
- 변경 사항을 적용합니다.
- 저장을 클릭합니다.
검증
- 업데이트된 연결이 프로젝트의 연결 탭에 표시됩니다.
3.3. 연결 삭제 링크 복사링크가 클립보드에 복사되었습니다!
데이터 사이언스 프로젝트와 더 이상 관련이 없는 연결을 삭제할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 연결을 통해 데이터 과학 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
연결을 삭제할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- 연결 탭을 클릭합니다.
삭제하려는 연결 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 연결 삭제 를 클릭합니다.
연결 삭제 대화 상자가 열립니다.
- 텍스트 필드에 연결 이름을 입력하여 삭제하려는지 확인합니다.
- 연결 삭제를 클릭합니다.
검증
- 삭제한 연결은 프로젝트의 연결 페이지에 더 이상 표시되지 않습니다.
4장. 클러스터 스토리지 구성 링크 복사링크가 클립보드에 복사되었습니다!
4.1. 영구 스토리지 정보 링크 복사링크가 클립보드에 복사되었습니다!
OpenShift AI는 영구 스토리지를 사용하여 워크벤치, 프로젝트 데이터 및 모델 교육을 지원합니다.
영구 스토리지는 OpenShift 스토리지 클래스 및 영구 볼륨을 통해 프로비저닝됩니다. 볼륨 프로비저닝 및 데이터 액세스는 액세스 모드에 따라 결정됩니다.
스토리지 클래스 및 액세스 모드를 이해하면 사용 사례에 적합한 스토리지를 선택하고 여러 워크벤치에서 데이터를 공유할 때 잠재적인 위험을 방지할 수 있습니다.
4.1.1. OpenShift AI의 스토리지 클래스 링크 복사링크가 클립보드에 복사되었습니다!
OpenShift AI의 스토리지 클래스는 기본 OpenShift 클러스터에서 사용할 수 있습니다. 스토리지 클래스는 사용되는 스토리지 백엔드와 프로비저닝된 볼륨에서 지원할 수 있는 액세스 모드를 포함하여 영구 볼륨을 프로비저닝하는 방법을 정의합니다. 자세한 내용은 OpenShift 문서의 동적 프로비저닝 을 참조하십시오.
클러스터 관리자는 OpenShift 클러스터에서 스토리지 클래스를 생성하고 구성합니다. 이러한 스토리지 클래스는 스토리지 백엔드의 기능에 따라 하나 이상의 액세스 모드를 지원하는 영구 볼륨을 프로비저닝합니다. 그런 다음 OpenShift AI 관리자는 OpenShift AI에서 사용할 특정 스토리지 클래스 및 액세스 모드를 활성화합니다.
프로젝트 또는 워크벤치에 클러스터 스토리지를 추가할 때 활성화된 스토리지 클래스 및 액세스 모드에서 선택할 수 있습니다.
4.1.2. 액세스 모드 링크 복사링크가 클립보드에 복사되었습니다!
스토리지 클래스는 스토리지 백엔드에 따라 다양한 액세스 모드를 지원할 수 있는 영구 볼륨을 생성합니다. 액세스 모드는 하나 이상의 워크벤치에서 볼륨을 마운트하고 사용하는 방법을 제어합니다. 스토리지 클래스가 두 개 이상의 액세스 모드를 허용하는 경우 스토리지를 요청할 때 필요에 가장 적합한 액세스 모드를 선택할 수 있습니다. 모든 영구 볼륨은 기본적으로 RWO(ReadWriteOnce) 를 지원합니다.
| 액세스 모드 | 설명 |
|---|---|
|
|
스토리지는 한 번에 단일 워크벤치 또는 Pod에 연결할 수 있으며 대부분의 개별 워크로드에 이상적입니다. |
|
|
스토리지는 여러 워크벤치에 동시에 연결할 수 있습니다. |
|
|
스토리지는 읽기 전용으로 많은 워크벤치에 연결할 수 있습니다. |
|
|
스토리지는 읽기-쓰기 권한이 있는 단일 노드의 단일 Pod에 연결할 수 있습니다. |
4.2. 데이터 과학 프로젝트에 클러스터 스토리지 추가 링크 복사링크가 클립보드에 복사되었습니다!
데이터를 유지해야 하는 데이터 사이언스 프로젝트의 경우 프로젝트에 클러스터 스토리지를 추가할 수 있습니다. 또한 클러스터 스토리지를 특정 프로젝트의 워크벤치에 연결할 수도 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 클러스터 스토리지를 추가할 수 있는 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
클러스터 스토리지를 추가할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Cluster Storage 탭을 클릭합니다.
클러스터 스토리지 추가를 클릭합니다.
클러스터 스토리지 추가 대화 상자가 열립니다.
- 이름 필드에 클러스터 스토리지의 고유 이름을 입력합니다.
- 선택 사항: 설명 필드에 클러스터 스토리지에 대한 설명을 입력합니다.
스토리지 클래스 목록에서 클러스터 스토리지 유형을 선택합니다.
참고프로젝트에 클러스터 스토리지를 추가한 후에는 스토리지 클래스를 변경할 수 없습니다.
여러 액세스 모드를 지원하는 스토리지 클래스의 경우 액세스 모드를 선택하여 볼륨에 액세스하는 방법을 정의합니다. 자세한 내용은 영구 스토리지 정보를 참조하십시오.
클러스터 및 OpenShift AI 관리자가 스토리지 클래스에 대해 활성화된 액세스 모드만 표시됩니다.
- 영구 스토리지 크기 섹션에서 새 크기를 gibibytes 또는 메비바이트로 지정합니다.
선택 사항: 클러스터 스토리지를 기존 워크벤치에 연결하려는 경우:
- Workbench 연결 섹션에서 작업벤치 추가 를 클릭합니다.
- 이름 필드의 목록에서 기존 워크벤치를 선택합니다.
-
스토리지 디렉터리가
/opt/app-root/src로 시작하는 경우 경로 형식 필드에서 Standard 를 선택합니다. -
마운트 경로 필드에 볼륨이 마운트되고 액세스 가능한 컨테이너 내의 모델 또는 디렉터리의 경로를 입력합니다. 경로는 소문자 영숫자 또는
-로 구성되어야 합니다./를 사용하여 하위 디렉토리를 표시합니다.
- 스토리지 추가를 클릭합니다.
검증
- 추가한 클러스터 스토리지가 프로젝트의 클러스터 스토리지 탭에 표시됩니다.
- 사용자가 정의한 스토리지 크기를 사용하여 새 PVC(영구 볼륨 클레임)가 생성됩니다.
- PVC(영구 볼륨 클레임)는 프로젝트의 Workbenches 탭에 연결된 스토리지로 표시됩니다.
4.3. 클러스터 스토리지 업데이트 링크 복사링크가 클립보드에 복사되었습니다!
데이터 과학 작업을 수행하려면 프로젝트의 클러스터 스토리지 또는 스토리지가 연결된 워크벤치의 식별 정보를 변경해야 하는 경우 프로젝트의 클러스터 스토리지를 업데이트하여 이러한 속성을 변경할 수 있습니다.
워크벤치 또는 프로젝트에 이미 구성된 클러스터 스토리지의 스토리지 클래스 를 직접 변경할 수 없습니다. 다른 스토리지 클래스로 전환하려면 데이터를 필요한 스토리지 클래스를 사용하는 새 클러스터 스토리지 인스턴스로 마이그레이션해야 합니다. 자세한 내용은 기존 클러스터 스토리지 인스턴스의 스토리지 클래스 변경을 참조하십시오.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 클러스터 스토리지를 포함하는 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
업데이트할 스토리지가 있는 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Cluster Storage 탭을 클릭합니다.
업데이트할 스토리지 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 Edit storage 를 클릭합니다.
클러스터 스토리지 업데이트 페이지가 열립니다.
- 선택 사항: 이름 필드를 편집하여 스토리지의 표시 이름을 변경합니다.
- 선택 사항: 설명 필드를 편집하여 스토리지 설명을 변경합니다.
선택 사항: 영구 스토리지 크기 섹션에서 새 크기를 기가바이트 또는 메비바이트로 지정합니다.
스토리지 크기만 늘릴 수 있습니다. 스토리지 크기를 업데이트하면 워크벤치가 다시 시작되고 일반적으로 크기 변경에 비례하는 기간 동안 사용할 수 없게 됩니다.
선택 사항: 클러스터 스토리지를 다른 워크벤치에 연결하려는 경우:
- Workbench 연결 섹션에서 작업벤치 추가 를 클릭합니다.
- 이름 필드의 목록에서 기존 워크벤치를 선택합니다.
-
스토리지 디렉터리가
/opt/app-root/src로 시작하는 경우 경로 형식 필드에서 Standard 를 선택합니다. -
마운트 경로 필드에 볼륨이 마운트되고 액세스 가능한 컨테이너 내의 모델 또는 디렉터리의 경로를 입력합니다. 경로는 소문자 영숫자 또는
-로 구성되어야 합니다./를 사용하여 하위 디렉토리를 표시합니다.
- 스토리지 업데이트를 클릭합니다.
스토리지 크기를 늘리면 워크벤치가 다시 시작되고 일반적으로 크기 변경에 비례하는 기간 동안 사용할 수 없습니다.
검증
- 업데이트된 스토리지는 프로젝트의 클러스터 스토리지 탭에 표시됩니다.
4.4. 기존 클러스터 스토리지 인스턴스의 스토리지 클래스 변경 링크 복사링크가 클립보드에 복사되었습니다!
클러스터 스토리지로 워크벤치를 생성하면 클러스터 스토리지가 특정 스토리지 클래스에 연결됩니다. 나중에 데이터 과학 작업에 다른 스토리지 클래스가 필요하거나 현재 스토리지 클래스가 더 이상 사용되지 않는 경우 기존 클러스터 스토리지 인스턴스에서 스토리지 클래스를 직접 변경할 수 없습니다. 대신 사용하려는 스토리지 클래스를 사용하는 새 클러스터 스토리지 인스턴스로 데이터를 마이그레이션해야 합니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 워크벤치 또는 클러스터 스토리지가 포함된 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
변경하려는 스토리지 클래스로 워크벤치를 중지합니다.
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
변경할 스토리지 클래스를 사용하는 클러스터 스토리지 인스턴스가 있는 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Workbenches 탭을 클릭합니다.
관련 워크벤치의 상태 열에서 중지 를 클릭합니다.
관련 워크벤치의 Status (상태) 열이 Running 에서 Stopped 로 변경될 때까지 기다립니다.
필요한 스토리지 클래스를 사용하는 새 클러스터 스토리지 인스턴스를 추가합니다.
- Cluster Storage 탭을 클릭합니다.
클러스터 스토리지 추가를 클릭합니다.
클러스터 스토리지 추가 대화 상자가 열립니다.
- 클러스터 스토리지의 이름을 입력합니다.
- 선택 사항: 클러스터 스토리지에 대한 설명을 입력합니다.
- 클러스터 스토리지에 필요한 스토리지 클래스 를 선택합니다.
여러 액세스 모드를 지원하는 스토리지 클래스의 경우 액세스 모드를 선택하여 볼륨에 액세스하는 방법을 정의합니다. 자세한 내용은 영구 스토리지 정보를 참조하십시오.
클러스터 및 OpenShift AI 관리자가 스토리지 클래스에 대해 활성화된 액세스 모드만 표시됩니다.
- 영구 스토리지 크기에서 gibibytes 또는 메비바이트 단위로 크기를 입력합니다.
- Workbench 연결 섹션에서 작업벤치 추가 를 클릭합니다.
- 이름 필드의 목록에서 기존 워크벤치를 선택합니다.
-
스토리지 디렉터리가
/opt/app-root/src로 시작하는 경우 경로 형식 필드에서 Standard 를 선택합니다. -
마운트 경로 필드에 볼륨이 마운트되고 액세스 가능한 컨테이너 내의 모델 또는 디렉터리의 경로를 입력합니다. 예를 들면
backup입니다. - 스토리지 추가를 클릭합니다.
기존 클러스터 스토리지 인스턴스의 데이터를 새 클러스터 스토리지 인스턴스로 복사합니다.
- Workbenches 탭을 클릭합니다.
- 관련 워크벤치의 상태 열에서 시작을 클릭합니다.
- 워크벤치 상태가 Running 이면 Open 을 클릭하여 워크벤치를 엽니다.
- sendpyterLab에서 파일 → 새 터미널을 클릭합니다.
데이터를 새 스토리지 디렉터리에 복사합니다. & lt;mount_folder_name& gt;을 새 클러스터 스토리지 인스턴스의 스토리지 디렉터리로 바꿉니다.
rsync -avO --exclude='/opt/app-root/src/__<mount_folder_name>__' /opt/app-root/src/ /opt/app-root/src/__<mount_folder_name>__/
rsync -avO --exclude='/opt/app-root/src/__<mount_folder_name>__' /opt/app-root/src/ /opt/app-root/src/__<mount_folder_name>__/Copy to Clipboard Copied! Toggle word wrap Toggle overflow 예를 들면 다음과 같습니다.
rsync -avO --exclude='/opt/app-root/src/backup' /opt/app-root/src/ /opt/app-root/src/backup/
rsync -avO --exclude='/opt/app-root/src/backup' /opt/app-root/src/ /opt/app-root/src/backup/Copy to Clipboard Copied! Toggle word wrap Toggle overflow - 데이터 복사를 완료한 후 sendpyterLab에서 로그아웃합니다.
워크벤치를 중지합니다.
- Workbenches 탭을 클릭합니다.
관련 워크벤치의 상태 열에서 중지 를 클릭합니다.
관련 워크벤치의 Status (상태) 열이 Running 에서 Stopped 로 변경될 때까지 기다립니다.
워크벤치에서 원래 클러스터 스토리지 인스턴스를 제거합니다.
- Cluster Storage 탭을 클릭합니다.
- 기존 클러스터 스토리지 인스턴스 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 Edit storage 를 클릭합니다.
- 기존 연결된 워크벤치 에서 워크벤치를 제거합니다.
- 업데이트를 클릭합니다.
새 클러스터 스토리지 인스턴스의 마운트 폴더를 제거하고 워크벤치에 다시 추가하여 업데이트합니다.
- Cluster Storage 탭에서 새 클러스터 스토리지 인스턴스 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 Edit storage 를 클릭합니다.
- 기존 연결된 워크벤치 에서 워크벤치를 제거합니다.
- 업데이트를 클릭합니다.
- Workbenches 탭을 클릭합니다.
- 워크벤치 옆에 있는 작업메뉴( Cryostat)를 클릭한 다음 Edit workbench 를 클릭합니다.
- 클러스터 스토리지 섹션의 기존 영구 스토리지 사용에서 새 클러스터 스토리지 인스턴스를 선택합니다.
- Update workbench를 클릭합니다.
워크벤치를 다시 시작합니다.
- Workbenches 탭을 클릭합니다.
- 관련 워크벤치의 상태 열에서 시작을 클릭합니다.
- 선택 사항: 이전 스토리지 클래스를 사용하는 초기 클러스터 스토리지는 여전히 클러스터 스토리지 탭에 표시됩니다. 이 클러스터 스토리지가 더 이상 필요하지 않은 경우(예: 스토리지 클래스가 더 이상 사용되지 않는 경우) 삭제할 수 있습니다.
-
선택 사항: 새 클러스터 스토리지 인스턴스의 마운트 폴더(예:
백업폴더)를 삭제할 수 있습니다.
검증
- 프로젝트의 Cluster Storage 탭에서는 스토리지 클래스 열에 필요한 스토리지 클래스와 Connected 워크벤치 열의 관련 워크벤치로 새 클러스터 스토리지 인스턴스가 표시됩니다.
-
프로젝트의 Workbenches 탭에서 클러스터 스토리지 섹션의 워크벤치에 대한 새 클러스터 스토리지 인스턴스가 표시되고 마운트 경로
/opt/app-root/src가 있습니다.
4.5. 데이터 과학 프로젝트에서 클러스터 스토리지 삭제 링크 복사링크가 클립보드에 복사되었습니다!
데이터 과학 프로젝트에서 클러스터 스토리지를 삭제하여 리소스를 확보하고 원하지 않는 스토리지 공간을 삭제할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 클러스터 스토리지를 사용하여 데이터 사이언스 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
스토리지를 삭제할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
- Cluster Storage 탭을 클릭합니다.
삭제하려는 스토리지 옆에 있는 작업 메뉴( Cryostat )를 클릭한 다음 스토리지 삭제 를 클릭합니다.
스토리지 삭제 대화 상자가 열립니다.
- 텍스트 필드에 스토리지 이름을 입력하여 삭제하려는지 확인합니다.
- 스토리지 삭제를 클릭합니다.
검증
- 삭제한 스토리지는 더 이상 프로젝트의 클러스터 스토리지 탭에 표시되지 않습니다.
- 클러스터 스토리지와 연결된 PV(영구 볼륨) 및 PVC(영구 볼륨 클레임)는 둘 다 영구적으로 삭제됩니다. 이 데이터는 복구할 수 없습니다.
5장. 데이터 과학 프로젝트에 대한 액세스 관리 링크 복사링크가 클립보드에 복사되었습니다!
5.1. 데이터 과학 프로젝트에 액세스 권한 부여 링크 복사링크가 클립보드에 복사되었습니다!
조직이 공동으로 작업할 수 있도록 하려면 다른 사용자 및 그룹에 데이터 과학 프로젝트에 대한 액세스 권한을 부여할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- 데이터 과학 프로젝트를 생성했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
데이터 사이언스 프로젝트 목록에서 액세스 권한을 부여하려는 데이터 과학 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
권한 탭을 클릭합니다.
프로젝트의 권한 페이지가 열립니다.
하나 이상의 사용자에게 프로젝트에 대한 액세스 권한을 제공합니다.
- 사용자 섹션에서 사용자 추가 를 클릭합니다.
- 이름 필드에 프로젝트에 대한 액세스 권한을 제공할 사용자의 사용자 이름을 입력합니다.
권한 목록에서 다음 액세스 권한 수준 중 하나를 선택합니다.
- admin: 이 액세스 수준의 사용자는 프로젝트 세부 정보를 편집하고 프로젝트에 대한 액세스를 관리할 수 있습니다.
- 기여자: 이 액세스 수준을 가진 사용자는 워크벤치, 연결 및 스토리지와 같은 프로젝트 구성 요소를 보고 편집할 수 있습니다.
-
항목을 확인하려면 확인 (
)을 클릭합니다.
- 선택 사항: 추가 사용자를 추가하려면 사용자 추가 를 클릭하고 프로세스를 반복합니다.
하나 이상의 OpenShift 그룹에 프로젝트에 대한 액세스 권한을 제공합니다.
- 그룹 섹션에서 그룹 추가 를 클릭합니다.
이름 목록에서 프로젝트에 대한 액세스 권한을 제공할 그룹을 선택합니다.
참고cluster-admin또는dedicated-admin권한이 없는 경우 이름 목록이 표시되지 않습니다. 대신 그룹 권한을 구성할 수 있는 입력 필드가 표시됩니다.권한 목록에서 다음 액세스 권한 수준 중 하나를 선택합니다.
- 관리자: 이 액세스 수준의 그룹은 프로젝트 세부 정보를 편집하고 프로젝트에 대한 액세스를 관리할 수 있습니다.
- 기여자: 이 액세스 수준을 가진 그룹은 워크벤치, 연결 및 스토리지와 같은 프로젝트 구성 요소를 보고 편집할 수 있습니다.
-
항목을 확인하려면 확인 (
)을 클릭합니다.
- 선택 사항: 추가 그룹을 추가하려면 그룹 추가 를 클릭하고 프로세스를 반복합니다.
검증
- 프로젝트에 대한 액세스 권한을 제공한 사용자는 액세스 권한 수준에서 허용하는 작업만 수행할 수 있습니다.
- 권한 탭의 사용자 및 그룹 섹션에는 액세스 권한이 부여된 각 사용자 및 그룹이 표시됩니다.
5.2. 데이터 과학 프로젝트에 대한 액세스 업데이트 링크 복사링크가 클립보드에 복사되었습니다!
데이터 사이언스 프로젝트의 협업 수준을 변경하려면 프로젝트에 액세스할 수 있는 사용자 및 그룹의 액세스 권한을 업데이트할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- OpenShift AI 관리자 권한이 있거나 프로젝트 소유자입니다.
- 데이터 과학 프로젝트를 생성했습니다.
- 이전에 다른 사용자 또는 그룹과 프로젝트에 대한 액세스 권한을 공유했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
액세스 권한을 변경할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
권한 탭을 클릭합니다.
프로젝트의 권한 페이지가 열립니다.
프로젝트에 대한 사용자 액세스 권한을 업데이트합니다.
- 업데이트하려는 액세스 권한이 있는 사용자 옆에 있는 작업 메뉴( Cryostat )를 클릭하고 편집을 클릭합니다.
- 이름 필드에서 프로젝트에 대한 액세스 권한을 제공하려는 사용자의 사용자 이름을 업데이트합니다.
권한 목록에서 다음 중 하나를 선택하여 사용자 액세스 권한을 업데이트합니다.
- admin: 이 액세스 수준의 사용자는 프로젝트 세부 정보를 편집하고 프로젝트에 대한 액세스를 관리할 수 있습니다.
- 기여자: 이 액세스 수준을 가진 사용자는 워크벤치, 연결 및 스토리지와 같은 프로젝트 구성 요소를 보고 편집할 수 있습니다.
-
항목에 대한 업데이트를 확인하려면 확인 (
)을 클릭합니다.
OpenShift 그룹을 프로젝트에 대한 액세스 권한을 업데이트합니다.
- 업데이트하려는 액세스 권한이 있는 그룹 옆에 있는 작업 메뉴( Cryostat )를 클릭하고 편집을 클릭합니다.
이름 목록에서 목록에서 다른 그룹을 선택하여 프로젝트에 액세스할 수 있는 그룹을 업데이트합니다.
참고cluster-admin또는dedicated-admin권한이 없는 경우 이름 목록이 표시되지 않습니다. 대신 그룹 권한을 구성할 수 있는 입력 필드가 표시됩니다.권한 목록에서 다음 중 하나를 선택하여 그룹 액세스 권한을 업데이트합니다.
- 관리자: 이 액세스 수준의 그룹은 프로젝트 세부 정보를 편집하고 프로젝트에 대한 액세스를 관리할 수 있습니다.
- 기여자: 이 액세스 수준을 가진 그룹은 워크벤치, 연결 및 스토리지와 같은 프로젝트 구성 요소를 보고 편집할 수 있습니다.
-
항목에 대한 업데이트를 확인하려면 확인 (
)을 클릭합니다.
검증
- 권한 탭의 사용자 및 그룹 섹션에는 변경된 프로젝트 액세스 권한이 있는 각 사용자 및 그룹이 표시됩니다.
5.3. 데이터 과학 프로젝트에 대한 액세스 제거 링크 복사링크가 클립보드에 복사되었습니다!
더 이상 데이터 사이언스 프로젝트에서 협업하고 싶지 않은 경우 이전에 프로젝트에 대한 액세스를 제공한 사용자와 그룹을 제거하여 프로젝트에 대한 액세스를 제한할 수 있습니다.
사전 요구 사항
- Red Hat OpenShift AI에 로그인했습니다.
- OpenShift AI 관리자 권한이 있거나 프로젝트 소유자입니다.
- 데이터 과학 프로젝트를 생성했습니다.
- 이전에 다른 사용자 또는 그룹과 프로젝트에 대한 액세스 권한을 공유했습니다.
프로세스
OpenShift AI 대시보드에서 데이터 과학 프로젝트를 클릭합니다.
데이터 사이언스 프로젝트 페이지가 열립니다.
액세스 권한을 변경할 프로젝트의 이름을 클릭합니다.
프로젝트 세부 정보 페이지가 열립니다.
권한 탭을 클릭합니다.
프로젝트의 권한 페이지가 열립니다.
- 취소하려는 액세스 권한이 있는 사용자 또는 그룹 옆에 있는 작업 메뉴( )를 클릭하고 삭제 를 클릭합니다.
검증
- 취소한 액세스 권한이 있는 사용자는 더 이상 액세스 권한 수준에서 허용된 작업을 수행할 수 없습니다.
6장. 프로젝트에 대한 프로젝트 범위 리소스 생성 링크 복사링크가 클립보드에 복사되었습니다!
OpenShift AI 사용자는 모든 OpenShift AI 프로젝트의 글로벌 리소스에 액세스할 수 있지만 지정된 프로젝트 내에서만 프로젝트 범위 리소스에 액세스할 수 있습니다.
프로젝트에 대한 액세스 권한이 있는 사용자는 OpenShift AI 프로젝트에 대해 다음과 같은 유형의 프로젝트 범위 리소스를 생성할 수 있습니다.
- Workbench 이미지
- KServe의 model-serving 런타임
모든 리소스 이름은 프로젝트 내에서 고유해야 합니다.
프로젝트에 대한 액세스 권한이 있는 사용자는 프로젝트 범위 리소스 생성에 설명된 대로 해당 프로젝트에 대한 프로젝트 범위 리소스를 생성할 수 있습니다.
사전 요구 사항
- OpenShift 콘솔에 액세스할 수 있습니다.
-
OpenShift AI 관리자는 대시보드 사용자 지정 에 설명된 대로
disableProjectScoped대시보드 구성 옵션을false로 설정했습니다. - OpenShift AI 콘솔에서 프로젝트에 액세스할 수 있습니다.
생성할 리소스 유형에 대한 예제 YAML 코드가 있습니다.
기존 프로젝트 범위 리소스, Git 리포지토리 또는 문서와 같은 신뢰할 수 있는 소스에서 YAML 코드를 가져올 수 있습니다. 또는 클러스터 관리자에게 문의하여 관련 YAML 코드를 요청할 수 있습니다.
프로세스
- OpenShift 콘솔에 로그인합니다.
신뢰할 수 있는 소스에서 프로젝트 리소스에 사용할 YAML 코드를 복사합니다.
예를 들어 프로젝트 중 하나에서 기존 프로젝트 범위 리소스에 액세스할 수 있는 경우 다음과 같이 YAML 코드를 복사할 수 있습니다.
- 관리자 화면에서 홈 → 검색을 클릭합니다.
- 프로젝트 목록에서 적절한 프로젝트를 선택합니다.
리소스 목록에서 다음과 같이 관련 리소스 유형을 검색합니다.
-
워크벤치 이미지의 경우
ImageStream을 검색합니다. -
런타임 제공의 경우
템플릿을검색합니다. 결과 목록에서objects.kind사양이ServingRuntime으로 설정된 템플릿을 찾습니다.
-
워크벤치 이미지의 경우
- 리소스를 선택한 다음 YAML 탭을 클릭합니다.
- YAML 콘텐츠를 복사한 다음 취소 를 클릭합니다.
- 프로젝트 목록에서 프로젝트 이름을 선택합니다.
- 툴바에서 + 아이콘을 클릭하여 YAML 가져오기 페이지를 엽니다.
- 예제 YAML 콘텐츠를 코드 영역에 붙여넣습니다.
-
metadata.namespace값을 편집하여 프로젝트 이름을 지정합니다. -
필요한 경우
metadata.name값을 편집하여 리소스 이름이 지정된 프로젝트 내에서 고유하도록 합니다. 선택 사항: 다음과 같이 OpenShift AI 콘솔에 표시되는 리소스 이름을 편집합니다.
-
workbench 이미지의 경우
metadata.annotations.opendatahub.io/notebook-image-name값을 편집합니다. -
런타임을 제공하려면
objects.metadata.annotations.openshift.io/display-name값을 편집합니다.
-
workbench 이미지의 경우
- 생성을 클릭합니다.
검증
- OpenShift AI 콘솔에 로그인합니다.
프로젝트 범위 리소스가 지정된 프로젝트에 표시되는지 확인합니다.
- 워크벤치 이미지의 경우 프로젝트에 워크벤치 생성에 설명된 대로 프로젝트에 워크벤치를 만들 때 추가한 워크벤치 이미지를 이미지 선택 목록에서 사용할 수 있습니다.
- model-serving 런타임은 단일 모델 제공 플랫폼에서 모델 배포를 참조하십시오.