기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # 실시간 예측 실시간 예측은 즉각적인 응답이 필요한 애플리케이션이나 개별 데이터 포인트에 대한 예측과 같이 즉시 예측을 생성해야 할 때 유용합니다. AutoML 모델을 실시간 엔드포인트로 배포하면 온디맨드로 예측을 생성하고 새 데이터를 수신하고 예측을 얻는 사이의 지연 시간을 최소화할 수 있습니다. 따라서 실시간 예측은 즉각적, 개인화 또는 이벤트 기반 예측 기능이 필요한 애플리케이션에 적합합니다. 실시간 예측의 경우 데이터세트는 입력 데이터세트의 서브셋이어야 합니다. 실시간 엔드포인트의 입력 데이터 크기는 약 6MB이고 응답 제한 시간은 60초입니다. 한 번에 하나 또는 몇 개의 항목을 가져오는 것이 좋습니다. SageMaker API를 사용하여 AutoML 작업의 최적 후보를 검색한 다음 해당 후보를 사용하여 SageMaker AI 엔드포인트를 만들 수 있습니다. 또는 Autopilot 실험을 생성할 때 자동 배포 옵션을 선택할 수도 있습니다. 모델 자동 배포 설정에 대한 자세한 내용은 [자동 배포를 활성화하는 방법](autopilot-create-experiment-timeseries-forecasting.md#timeseries-forecasting-auto-model-deployment) 섹션을 참조하세요. **최적의 모델 후보를 사용하여 SageMaker AI 엔드포인트를 만들려면 다음과 같이 합니다.** 1. **AutoML 작업의 세부 정보를 검색합니다.** 다음 AWS CLI 명령 예제에서는 [DescribeAutoMLJobV2](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html) API를 사용하여 최적의 모델 후보에 대한 정보를 포함하여 AutoML 작업에 대한 세부 정보를 가져옵니다. ``` aws sagemaker describe-auto-ml-job-v2 --auto-ml-job-name {{job-name}} --region {{region}} ``` 1. **최적의 모델 후보를 위해 [InferenceContainers](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidate.html#sagemaker-Type-AutoMLCandidate-InferenceContainers)에서 컨테이너 정의를 추출합니다.** 컨테이너 정의는 예측을 위해 훈련된 SageMaker AI 모델을 호스팅하는 데 사용되는 컨테이너화된 환경입니다. ``` BEST_CANDIDATE=$(aws sagemaker describe-auto-ml-job-v2 \ --auto-ml-job-name {{job-name}} --region {{region}} \ --query 'BestCandidate.InferenceContainers[0]' \ --output json ``` 이 명령은 최상의 모델 후보에 대한 컨테이너 정의를 추출하여 `BEST_CANDIDATE` 변수에 저장합니다. 1. **최적의 후보 컨테이너 정의를 사용하여 SageMaker AI 모델을 만듭니다.** 이전 단계의 컨테이너 정의를 사용하여 [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html) API로 SageMaker AI 모델을 만듭니다. ``` aws sagemaker create-model \ --model-name '{{your-candidate-name>}}' \ --primary-container "$BEST_CANDIDATE" --execution-role-arn '{{execution-role-arn>}}' \ --region '{{region>}} ``` `--execution-role-arn` 파라미터는 추론에 모델을 사용할 때 SageMaker AI가 수임하는 IAM 역할을 지정합니다. 이 역할에 필요한 권한에 대한 자세한 내용은 [CreateModel API: 실행 역할 권한](https://docs.aws.amazon.com/) 섹션을 참조하세요. 1. **모델을 사용하여 SageMaker AI 엔드포인트 구성 만들기** 다음 AWS CLI 명령은 [CreateEndpointConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpointConfig.html) API를 사용하여 엔드포인트 구성을 생성합니다. ``` aws sagemaker create-endpoint-config \ --production-variants file://production-variants.json \ --region '{{region}}' ``` `production-variants.json` 파일에 모델 이름 및 인스턴스 유형을 포함한 모델 구성이 포함된 경우. **참고** 실시간 예측에는 [m5.12xlarge](https://aws.amazon.com/ec2/instance-types/m5/) 인스턴스를 사용하는 것이 좋습니다. ``` [ { "VariantName": "{{variant-name}}", "ModelName": "{{model-name}}", "InitialInstanceCount": {{1}}, "InstanceType": "{{m5.12xlarge}}" } ] } ``` 1. **엔드포인트 구성을 사용하여 SageMaker AI 엔드포인트를 만듭니다.** 다음 AWS CLI 예제에서는 [CreateEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEndpoint.html) API를 사용하여 엔드포인트를 생성합니다. ``` aws sagemaker create-endpoint \ --endpoint-name '{{endpoint-name>}}' \ --endpoint-config-name '{{endpoint-config-name}}' \ --region '{{region}}' ``` [DescribeEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeEndpoint.html) API를 사용하여 실시간 추론 엔드포인트 배포 진행 상황을 확인합니다. 다음 AWS CLI 명령을 예제로 참조하십시오. ``` aws sagemaker describe-endpoint \ --endpoint-name '{{endpoint-name}}' \ --region '{{region}}' ``` `EndpointStatus`가 `InService`로 변경되면 엔드포인트를 실시간 추론에 사용할 수 있습니다. 1. **SageMaker AI 엔드포인트를 간접적으로 호출하여 예측합니다.** ``` aws sagemaker invoke-endpoint \ --endpoint-name '{{endpoint-name}}' \ --region '{{region}}' \ --body file://input-data-in-bytes.json \ --content-type '{{application/json}}' {{outfile}} ``` `input-data-in-bytes.json` 파일에 예측에 대한 입력 데이터가 포함된 경우.