기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# Amazon SageMaker AI 모델을 Amazon Quick Sight와 통합
**참고**
Amazon Quick Sight에서 ML 기반 기능을 사용하는 분석 및 대시보드를 작성하기 위해 기계 학습(ML)에 대한 기술 경험이 필요하지 않습니다.
Amazon SageMaker AI 기계 학습 모델을 사용하여 Amazon Quick Enterprise 에디션 데이터를 보강할 수 있습니다. Quick에서 지원하는 모든 데이터 소스에서 SPICE 가져온에 저장된 데이터에 대해 추론을 실행할 수 있습니다. 지원되는 데이터 소스의 전체 목록은 [지원되는 데이터 원본](supported-data-sources.md) 단원을 참조하세요.
SageMaker AI 모델과 함께 Quick을 사용하면 데이터 이동을 관리하고 코드를 작성하는 데 드는 시간을 절약할 수 있습니다. 결과는 모델을 평가하는 데 유용하며, 결과에 만족하는 경우 의사 결정자와 공유하는 데도 유용합니다. 모델이 구축된 후에 바로 시작할 수 있습니다. 이렇게 하면 데이터 과학자가 사전에 구축한 모델을 구현하여 데이터 세트에 데이터 과학을 적용할 수 있습니다. 그런 다음 이러한 분석 정보를 예측 대시보드에서 공유할 수 있습니다. 빠른 서버리스 접근 방식을 사용하면 프로세스가 원활하게 확장되므로 추론 또는 쿼리 용량에 대해 걱정할 필요가 없습니다.
Amazon Quick은 회귀 및 분류 알고리즘을 사용하는 SageMaker AI 모델을 지원합니다. 이 기능을 적용하여 거의 모든 비즈니스 사용 사례에 대한 예측을 얻을 수 있습니다. 몇 가지 예로는 고객 이탈 및 직원 퇴직 가능성 예측, 잠재 고객 점수 산정, 신용 위험 평가 등이 있습니다. Quick을 사용하여 예측을 제공하려면 입력 및 출력 모두에 대한 SageMaker AI 모델 데이터가 표 형식이어야 합니다. 다중 클래스 또는 다중 레이블 분류 사용 사례에서 각 출력 열에는 단일 값이 포함되어야 합니다. Quick은 단일 열 내에서 여러 값을 지원하지 않습니다.
**Topics**
+ [SageMaker AI 통합의 작동 방식](#sagemaker-how-it-works)
+ [발생 비용(통합 자체에 대한 추가 비용 없음)](#sagemaker-cost-of-use)
+ [사용 지침](#sagemaker-usage-guidelines)
+ [스키마 파일 정의](#sagemaker-schema-file)
+ [Quick Sight 데이터 세트에 SageMaker AI 모델 추가](#sagemaker-using)
+ [SageMaker AI Canvas로 예측 모델 빌드](sagemaker-canvas-integration.md)
## SageMaker AI 통합의 작동 방식
일반적으로 이 프로세스는 다음과 같이 작동합니다.
1. Amazon Quick 관리자는 Quick이 SageMaker AI에 액세스할 수 있는 권한을 추가합니다. 이렇게 하려면 **빠른 관리** 페이지에서 **보안 및 권한** 설정을 엽니다. ** AWS 서비스에 대한 빠른 액세스**로 이동하여 SageMaker AI를 추가합니다.
이러한 권한을 추가하면 Quick이 계정 AWS 의 모든 SageMaker AI 모델을 나열할 수 있는 액세스 권한을 제공하는 (IAM) 역할에 추가됩니다 AWS Identity and Access Management . 또한 이름 앞에 `quicksight-auto-generated-`라는 접두사가 붙은 SageMaker AI 작업을 실행할 수 있는 권한이 부여됩니다.
1. 추론 파이프라인이 있는 SageMaker AI 모델에 연결하는 것이 권장됩니다. 추론 파이프라인은 데이터 사전 처리를 자동으로 수행하기 때문입니다. 자세한 내용은 *SageMaker AI 개발자 안내서*의 [Deploy an Inference Pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html)을 참조하세요.
1. 함께 사용할 데이터와 사전 훈련된 모델을 식별하면 모델 소유자가 스키마 파일을 생성하여 제공합니다. 이 JSON 파일은 SageMaker AI와의 계약입니다. 모델에 필요한 필드, 데이터 형식, 열 순서, 출력 및 설정에 대한 메타데이터를 제공합니다. 선택적 설정 구성 요소는 작업에 사용할 컴퓨팅 인스턴스의 크기와 개수를 지정합니다.
모델을 구축한 데이터 과학자인 경우, 다음에서 설명하는 형식을 사용하여 이 스키마 파일을 생성합니다. 모델 사용자는 모델 소유자로부터 스키마 파일을 가져옵니다.
1. 빠른에서는 예측하려는 데이터로 새 데이터 세트를 생성하는 것부터 시작합니다. 파일을 업로드하는 경우 업로드 설정 화면에서 SageMaker AI 모델을 추가할 수 있습니다. 그렇지 않으면 데이터 준비 페이지에서 모델을 추가합니다.
계속하기 전에 데이터 세트와 모델 간의 매핑을 확인합니다.
1. 데이터를 데이터세트로 가져온 후에 출력 필드에는 SageMaker AI에서 반환된 데이터가 포함됩니다. 이러한 필드는 [사용 지침](#sagemaker-usage-guidelines)에서 설명하는 지침에 따라 다른 필드를 사용하는 것과 같은 방식으로 사용할 수 있습니다.
SageMaker AI 통합을 실행하면 Quick은 추론 파이프라인을 사용하여 배치 변환 작업을 실행하라는 요청을 SageMaker AI에 전달합니다. 퀵 스타트 AWS 는 계정에 필요한 인스턴스를 프로비저닝하고 배포합니다. 처리가 완료되면 이러한 인스턴스가 종료됩니다. 컴퓨팅 용량은 모델을 처리할 때만 비용이 발생합니다.
쉽게 식별할 수 있도록 Quick은 모든 SageMaker AI 작업의 이름을 접두사 로 지정합니다`quicksight-auto-generated-`.
1. 추론의 출력은 SPICE에 저장되고 데이터 세트에 추가됩니다. 추론이 완료되는 즉시 데이터 세트를 통해 예측 데이터를 사용하여 시각화 및 대시보드를 생성할 수 있습니다.
1. 데이터 세트를 저장할 때마다 데이터 새로 고침이 시작됩니다. SPICE 데이터 세트를 새로 고쳐 수동으로 데이터 새로 고침 프로세스를 시작하거나 일정 간격으로 새로 고침이 실행되도록 예약할 수 있습니다. 데이터를 새로 고칠 때마다 시스템이 자동으로 SageMaker AI 배치 변환을 직접 호출하여 출력 필드를 새 데이터로 업데이트합니다.
Amazon Quick Sight SPICE 수집 API 작업을 사용하여 데이터 새로 고침 프로세스를 제어할 수 있습니다. 이러한 API 작업 사용에 대한 자세한 내용은 [Amazon Quick Sight API 참조](https://docs.aws.amazon.com/quicksight/latest/APIReference/qs-api-overview.html)를 참조하세요.
## 발생 비용(통합 자체에 대한 추가 비용 없음)
통합 기능을 사용하는 것 자체로는 추가 요금이 발생하지 않습니다. 비용에는 다음이 포함됩니다.
+ SageMaker AI를 통한 모델 배포 비용(모델이 실행 중일 때만 발생). 생성 또는 편집한 후 데이터 세트를 저장하거나 데이터를 새로 고치면 데이터 수집 프로세스가 시작됩니다. 데이터세트에 추론 필드가 포함된 경우 이 프로세스에서 SageMaker AI가 직접 호출됩니다. 빠른 구독이 있는 동일한 AWS 계정에서 비용이 발생합니다.
+ 빠른 구독 비용은 다음과 같습니다.
+ 빠른()의 인 메모리 계산 엔진에 데이터를 저장하는 데 드는 비용입니다SPICE. SPICE에 새 데이터를 추가하는 경우, 데이터를 수용하기에 충분한 SPICE 용량을 구입해야 할 수 있습니다.
+ 데이터 세트를 빌드하는 작성자 또는 관리자를 위한 빠른 구독입니다.
+ 최종 사용자(독자)가 대화형 대시보드에 액세스하는 데 부과되는 세션당 요금
## 사용 지침
Amazon Quick에서는이 엔터프라이즈 에디션 기능에 다음 사용 지침이 적용됩니다.
+ 모델의 처리는 SPICE에서 이루어집니다. 따라서 SPICE에 저장된 데이터 세트에만 적용할 수 있습니다. 이 프로세스는 현재 데이터 세트당 최대 5억 개의 행을 지원합니다.
+ 빠른 관리자 또는 작성자만 ML 모델을 사용하여 데이터 세트를 보강할 수 있습니다. 독자는 대시보드에 포함된 경우에만 결과를 볼 수 있습니다.
+ 각 데이터 세트에 오직 하나의 ML 모델을 사용할 수 있습니다.
+ 출력 필드는 새 필드를 계산하는 데 사용할 수 없습니다.
+ 데이터 세트는 모델과 통합된 필드별로 필터링할 수 없습니다. 즉, 데이터 세트 필드가 현재 ML 모델에 매핑되어 있으면 해당 필드를 필터링 할 수 없습니다.
SageMaker AI에서는 Amazon Quick Sight와 함께 사용하는 사전 훈련된 모델에 다음 사용 지침이 적용됩니다.
+ 모델을 생성할 때 해당 IAM 역할에 대한 Amazon 리소스 이름(ARN)과 모델을 연결합니다. SageMaker AI 모델의 IAM 역할은 Amazon Quick Sight가 사용하는 Amazon S3 버킷에 액세스할 수 있어야 합니다.
+ 모델이 입력 및 출력 모두에 대해 .csv 파일을 지원하는지 확인합니다. 데이터가 표 형식인지 확인합니다.
+ 입력 및 출력 필드 목록을 포함하여 모델에 대한 메타데이터가 들어 있는 스키마 파일을 제공합니다. 현재는 이 스키마 파일을 수동으로 생성해야 합니다.
+ 추론을 완료하는 데 걸리는 시간을 고려합니다. 이 시간은 여러 가지 요인에 따라 달라집니다. 여기에는 모델의 복잡성, 데이터 양, 정의된 컴퓨팅 용량 등이 포함됩니다. 추론을 완료하는 데는 몇 분에서 몇 시간이 걸릴 수 있습니다. Amazon Quick Sight는 모든 데이터 수집 및 추론 작업을 최대 10시간으로 제한합니다. 추론에 소요되는 시간을 줄이기 위해 인스턴스 크기 또는 인스턴스 수를 늘리는 것이 좋습니다.
+ 현재 SageMaker AI와의 통합에 배치 변환만 사용할 수 있으며, 실시간 데이터는 사용할 수 없습니다. SageMaker AI 엔드포인트는 사용할 수 없습니다.
## 스키마 파일 정의
Quick Sight 데이터와 함께 SageMaker AI 모델을 사용하기 전에 Amazon Quick Sight가 모델을 처리하는 데 필요한 메타데이터가 포함된 JSON 스키마 파일을 생성합니다. Amazon Quick 작성자 또는 관리자는 데이터 세트를 구성할 때 스키마 파일을 업로드합니다.
스키마 필드는 다음과 같이 정의됩니다. 다음 설명에 달리 명시되지 않은 한 모든 필드가 필요합니다. 속성은 대소문자를 구분합니다.
*inputContentType*
이 SageMaker AI 모델에서 입력 데이터에 필요한 콘텐츠 유형. `"text/csv"` 값만 지원됩니다. Quick Sight에는 입력 파일에 추가하는 헤더 이름이 포함되지 않습니다.
*outputContentType*
사용하려는 SageMaker AI 모델에서 생성되는 출력의 콘텐츠 유형. `"text/csv"` 값만 지원됩니다.
*입력*
모델에서 입력 데이터에 필요한 기능 목록입니다. Quick Sight는 정확히 동일한 순서로 입력 데이터를 생성합니다. 이 목록에는 다음 속성이 포함됩니다.
+ name - 열의 이름입니다. 가능하면 QuickSight 데이터 세트에 있는 해당 열의 이름과 동일하게 설정합니다. 이 속성은 100자로 제한됩니다.
+ type - 이 열의 데이터 형식입니다. 이 속성은 `"INTEGER"`, `"STRING"` 및 `"DECIMAL"` 값을 갖습니다.
+ nullable - (선택 사항) 필드의 null 허용 여부입니다. 기본값은 `true`입니다. 를 `nullable`로 설정하면 `false`Quick Sight는 SageMaker AI를 호출하기 전에이 값을 포함하지 않는 행을 삭제합니다. 이를 통해 필수 데이터 누락으로 SageMaker AI에 오류가 발생하는 상황이 방지됩니다.
*output*
SageMaker AI 모델이 생성하는 출력 열 목록. Quick Sight는 이러한 필드를 정확히 동일한 순서로 예상합니다. 이 목록에는 다음 속성이 포함됩니다.
+ *name* -이 이름은 Quick Sight에서 생성된 해당 새 열의 기본 이름이 됩니다. Quick Sight에서 여기에 지정된 이름을 재정의할 수 있습니다. 이 속성은 100자로 제한됩니다.
+ type - 이 열의 데이터 형식입니다. 이 속성은 `"INTEGER"`, `"STRING"` 및 `"DECIMAL"` 값을 갖습니다.
*instanceTypes*
변환 작업을 실행하기 위해 SageMaker AI에서 프로비저닝할 수 있는 ML 인스턴스 유형 목록. 이 목록은 선택할 수 있는 Amazon Quick 사용자에게 제공됩니다. 이 목록은 SageMaker AI에서 지원하는 유형으로 제한됩니다. 지원되는 유형에 대한 자세한 내용은 *SageMaker AI 개발자 안내서*의 [TransformResources](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TransformResources.html)를 참조하세요.
*defaultInstanceType*
(선택 사항) Quick Sight의 SageMaker AI 마법사에 기본 옵션으로 표시되는 인스턴스 유형입니다. `instanceTypes`에 이 인스턴스 유형을 포함합니다.
*instanceCount*
(선택 사항) 인스턴스 수는 SageMaker AI에 선택된 인스턴스 중 변환 작업을 실행하기 위해 프로비저닝할 인스턴스 수를 정의합니다. 값은 양의 정수여야 합니다.
*description*
이 필드는 SageMaker AI 모델을 소유한 사람이 Quick Sight에서이 모델을 사용하는 사람과 통신할 수 있는 공간을 제공합니다. 이 모델을 성공적으로 사용하기 위한 팁을 이 필드에 제공합니다. 예를 들어, 이 필드에는 데이터 세트의 크기에 따라 `instanceTypes`의 목록에서 효과적인 인스턴스 유형을 선택하는 방법에 대한 정보가 포함될 수 있습니다. 이 필드는 1,000자로 제한됩니다.
*version*
스키마의 버전(예: "`1.0"`)입니다.
다음 예에서는 스키마 파일의 JSON 구조를 보여줍니다.
```
{
"inputContentType": "CSV",
"outputContentType": "CSV",
"input": [
{
"name": "buying",
"type": "STRING"
},
{
"name": "maint",
"type": "STRING"
},
{
"name": "doors",
"type": "INTEGER"
},
{
"name": "persons",
"type": "INTEGER"
},
{
"name": "lug_boot",
"type": "STRING"
},
{
"name": "safety",
"type": "STRING"
}
],
"output": [
{
"name": "Acceptability",
"type": "STRING"
}
],
"description": "Use ml.m4.xlarge instance for small datasets, and ml.m4.4xlarge for datasets over 10 GB",
"version": "1.0",
"instanceCount": 1,
"instanceTypes": [
"ml.m4.xlarge",
"ml.m4.4xlarge"
],
"defaultInstanceType": "ml.m4.xlarge"
}
```
스키마 파일의 구조는 SageMaker AI에서 제공하는 예제에서 사용되는 모델의 종류와 관련되어 있습니다.
## Quick Sight 데이터 세트에 SageMaker AI 모델 추가
분석 및 대시보드에서 예측 데이터를 사용할 수 있도록 다음 절차를 따라 사전 훈련된 SageMaker AI 모델을 데이터세트에 추가할 수 있습니다.
시작하기 전에 다음 항목을 준비합니다.
+ 데이터 세트를 빌드하는 데 사용할 데이터
+ 데이터세트를 보강하는 데 사용하려는 SageMaker AI 모델의 이름.
+ 모델의 스키마. 이 스키마에는 필드 이름 매핑과 데이터 형식이 포함됩니다. 사용할 인스턴스 유형 및 인스턴스 수에 대한 권장 설정도 포함되어 있는 것이 좋습니다.
**SageMaker AI로 Amazon Quick Sight 데이터 세트를 강화하려면**
1. **데이터 세트**를 선택한 다음 **새 데이터 세트**를 선택하여, 시작 페이지에서 새 데이터 세트를 생성합니다.
또한 기존 데이터 세트를 편집할 수도 있습니다.
1. 데이터 준비 화면에서 **SageMaker를 사용한 증강**을 선택합니다.
1. **모델 선택**에서 다음 설정을 선택합니다.
+ **모델** - 필드를 추론하는 데 사용할 SageMaker AI 모델을 선택합니다.
+ **이름** - 모델을 설명하는 이름을 입력합니다.
+ **스키마** - 모델에 제공된 JSON 스키마 파일을 업로드합니다.
+ **고급 설정** - QuickSight에서는 데이터 세트를 기반으로 선택된 기본값을 사용하는 것이 좋습니다. 필요할 경우 특정 런타임 설정을 사용하여 작업 속도와 비용의 균형을 조정할 수 있습니다. 이렇게 하려면 **인스턴스 유형**에는 SageMaker AI ML 인스턴스 유형을 입력하고 **개수**에는 인스턴스 수를 입력합니다.
**다음**을 선택하여 계속 진행합니다.
1. **입력 검토**에서 데이터 세트에 매핑된 필드를 검토합니다. Quick Sight는 스키마의 필드를 데이터 세트의 필드에 자동으로 매핑하려고 시도합니다. 매핑을 조정해야 하는 경우 여기에서 변경할 수 있습니다.
**다음**을 선택하여 계속 진행합니다.
1. **출력 검토**에서 데이터 세트에 추가된 필드를 봅니다.
**데이터 저장 및 준비**를 선택하여 선택 사항을 확인합니다.
1. 데이터를 새로 고치려면 데이터 세트를 선택하여 세부 정보를 확인합니다. 그런 다음 **지금 새로 고침**을 선택하여 수동으로 데이터를 새로 고치거나 **새로 고침 예약**을 선택하여 정기적인 새로 고침 간격을 설정합니다. 데이터를 새로 고칠 때마다 시스템이 자동으로 SageMaker AI 배치 변환 작업을 실행하여 출력 필드를 새 데이터로 업데이트하세요.
# SageMaker AI Canvas로 예측 모델 빌드
Amazon Quick 작성자는 데이터를 SageMaker AI Canvas로 내보내 Quick로 다시 전송할 수 있는 ML 모델을 빌드할 수 있습니다. 작성자는 이러한 ML 모델을 사용하여 분석 및 대시보드를 구축하는 데 사용할 수 있는 예측 분석으로 데이터 세트를 보강할 수 있습니다.
**사전 조건**
+ IAM Identity Center와 통합된 빠른 계정입니다. Quick 계정이 IAM Identity Center와 통합되지 않은 경우 새 Quick 계정을 생성하고 **IAM Identity Center 지원 애플리케이션을 자격 증명 공급자로 사용을** 선택합니다.
+ IAM 자격 증명 센터에 대한 자세한 내용은 [시작하기](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html)를 참조하세요.
+ Quick을 IAM Identity Center와 통합하는 방법에 대한 자세한 내용은 섹션을 참조하세요[IAM Identity Center를 사용하여 Amazon Quick 계정 구성](setting-up-sso.md#sec-identity-management-identity-center).
+ 기존 Quick 계정에서 IAM Identity Center와 통합된 새 Quick 계정으로 자산을 가져오려면 [자산 번들 작업을](https://docs.aws.amazon.com/quicksight/latest/developerguide/asset-bundle-ops.html) 참조하세요.
+ IAM Identity Center와 통합된 새로운 SageMaker AI 도메인. IAM Identity Center를 사용하여 SageMaker AI 도메인에 온보딩하는 방법에 대한 자세한 내용은 [Onboard to SageMaker AI Domain using IAM Identity Center](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-sso-users.html)를 참조하세요.
**Topics**
+ [Amazon Quick Sight의 SageMaker AI Canvas에서 예측 모델 구축](#sagemaker-canvas-integration-create-model)
+ [SageMaker AI Canvas 모델로 데이터세트 생성](#sagemaker-canvas-integration-create-dataset)
+ [고려 사항](#sagemaker-canvas-integration-considerations)
## Amazon Quick Sight의 SageMaker AI Canvas에서 예측 모델 구축
**SageMaker AI 캔버스에서 예측 모델을 빌드하는 방법**
1. Amazon Quick에 로그인하고 예측 모델을 생성하려는 테이블 형식 테이블 또는 피벗 테이블로 이동합니다.
1. **시각적 객체 메뉴를 열고 예측 모델 구축**을 선택합니다.
1. 나타나는 **SageMaker AI Canvas에서 예측 모델 빌드** 팝업에서 제공된 정보를 검토하고 **SageMaker Canvas로 데이터 내보내기**를 선택하세요.
1. 나타나는 **내보내기** 창에서 내보내기가 완료되면, **SageMaker Canvas로 이동**을 선택하여 SageMaker AI 캔버스 콘솔로 이동하세요.
1. SageMaker AI Canvas에서 Quick Sight에서 내보낸 데이터를 사용하여 예측 모델을 생성합니다. 예측 모델을 만드는 데 도움이 되는 가이드 투어를 따르거나, 둘러보기를 건너뛰고 원하는 속도에 맞춰 작업할 수 있습니다. SageMaker AI Canvas에서 예측 모델을 생성하는 방법에 대한 자세한 내용은 [Build a model](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model-how-to.html#canvas-build-model-numeric-categorical)을 참조하세요.
1. 예측 모델을 Quick Sight로 다시 보냅니다. SageMaker AI Canvas에서 Amazon Quick Sight로 모델을 전송하는 방법에 대한 자세한 내용은 [Amazon Quick Sight로 모델 전송을 참조하세요](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-model-to-quicksight.html).
## SageMaker AI Canvas 모델로 데이터세트 생성
SageMaker AI Canvas에서 예측 모델을 생성하고 Quick Sight로 다시 전송한 후 새 모델을 사용하여 새 데이터 세트를 생성하거나 기존 데이터 세트에 적용합니다.
**데이터 세트에 예측 필드 추가**
1. 빠른 콘솔을 열고 왼쪽의 **데이터를** 선택한 다음 **데이터 세트** 탭을 선택합니다.
1. 새 데이터 세트를 업로드하거나 기존 데이터 세트를 선택합니다.
1. **편집**을 선택합니다.
1. 데이터세트의 데이터 준비 페이지에서 **추가**를 선택한 다음, **예측 필드** 추가를 선택하여 **SageMaker AI를 사용한 증강** 모달을 여세요.
1. **모델에서** SageMaker AI Canvas에서 Quick Sight로 전송한 모델을 선택합니다. **고급 설정** 창에 스키마 파일이 자동으로 채워집니다. 입력 내용을 검토한 후 **다음**을 선택합니다.
1. **결과 검토** 창에서 SageMaker AI Canvas에서 생성한 모델이 대상으로 지정할 열의 필드 이름과 설명을 입력하세요.
1. 작업을 마쳤으면 **데이터 준비**를 선택합니다.
1. **데이터 준비**를 선택하면, 데이터 세트 페이지로 리디렉션됩니다. 새 데이터 세트를 게시하려면 **게시 및 시각화**를 선택합니다.
SageMaker AI Canvas의 모델을 사용하는 새 데이터세트를 게시하면 데이터를 SPICE로 가져오고 SageMaker AI에서 배치 추론 작업을 시작합니다. 이 프로세스가 완료되는 데 최대 10분이 걸릴 수 있습니다.
## 고려 사항
Quick Sight 데이터를 사용한 SageMaker AI Canvas 모델 생성에는 다음 제한 사항이 적용됩니다.
+ SageMaker AI Canvas로 데이터를 보내는 데 사용되는 **예측 모델 빌드** 옵션은 테이블 및 테이블 형식의 피벗 테이블 시각적 객체에서만 사용할 수 있습니다. 표 또는 피벗 테이블 시각적 객체에는 필드가 2\$11,000개, 행이 500개 이상 있어야 합니다.
+ 정수 또는 지리 데이터 유형이 포함된 데이터 세트는 데이터 세트에 예측 필드를 추가할 때 스키마 매핑 오류가 발생합니다. 이 문제를 해결하려면 데이터 세트에서 정수 또는 지리 데이터 유형을 제거하거나 새 데이터 유형으로 변환하세요.