머리말

AI 파이프라인으로 이식 가능한 머신러닝(ML) 워크플로를 빌드하여 Docker 컨테이너를 사용하여 OpenShift AI에서 프로젝트를 개선할 수 있습니다. 이를 통해 머신러닝 워크플로를 표준화 및 자동화하여 데이터 사이언스 모델을 개발하고 배포할 수 있습니다.

예를 들어 머신러닝 워크플로의 단계에는 데이터 추출, 데이터 처리, 기능 추출, 모델 유효성 검사 및 모델 제공과 같은 항목이 포함될 수 있습니다. 이러한 활동을 자동화하면 조직이 새로 수신된 데이터를 기반으로 모델을 다시 작성하고 지속적으로 업데이트하는 프로세스를 개발할 수 있습니다. 이를 통해 통합된 머신러닝 배포 구축과 관련된 문제를 해결하고 프로덕션 환경에서 지속적으로 작동할 수 있습니다.

Elyra popyterLab 확장을 사용하여 sendpyterLab 내에서 AI 파이프라인을 생성하고 실행할 수도 있습니다. 자세한 내용은 ovn pyterLab의 파이프라인 작업을 참조하십시오.

OpenShift AI에서 AI 파이프라인을 사용하려면 다음 구성 요소가 필요합니다.

이 기능은 Kubeflow Pipelines 2.0을 기반으로 합니다. 최신 Kubeflow Pipelines 2.0 SDK를 사용하여 Python 코드에서 파이프라인을 빌드합니다. 파이프라인을 빌드한 후 SDK를 사용하여 IIR( Intermediate Representation) YAML 파일로 컴파일합니다. OpenShift AI 사용자 인터페이스를 사용하면 파이프라인, 실험 및 파이프라인 실행을 추적하고 관리할 수 있습니다. 이전에 실행, 예약 및 보관된 실행 기록을 보려면 개발 및 교육 & gt; 파이프라인 실행으로 이동하거나 Develop & amp; training Experiments 페이지에서 실험하여 모든 파이프라인 실행에 액세스할 수 있습니다. 버전 관리를 사용하여 OpenShift AI에서 파이프라인에 대한 증분 변경 사항을 관리할 수 있습니다. 이를 통해 파이프라인을 반복적으로 개발하고 배포하여 변경 사항에 대한 레코드를 유지할 수 있습니다.

로컬 스토리지를 사용하지 않도록 파이프라인 아티팩트를 S3 호환 오브젝트 스토리지 버킷에 저장할 수 있습니다. 이렇게 하려면 먼저 스토리지 계정의 S3 버킷에 대한 쓰기 액세스 권한을 구성해야 합니다.