개요

이 실습에서는 다중 클래스 분류 모델을 개발하고, 모델을 Docker 이미지로 패키징하고, AI Platform Training에서 학습 애플리케이션으로 모델을 실행합니다. 학습 애플리케이션은 지도 제작 데이터에서 산림 유형을 예측하는 다중 클래스 분류 모델을 학습시킵니다. 실습에서 사용되는 데이터 세트는 UCI Machine Learning Repository의 Covertype 데이터 세트를 기반으로 합니다.

Scikit-learn은 Python에서 머신러닝에 가장 유용한 라이브러리 중 하나입니다. 학습 코드는 데이터 사전 처리 및 모델링을 위해 Scikit-learn을 사용합니다.

코드는 hypertune 패키지를 사용하여 계측됩니다. 따라서 AI Platform 초매개변수 미세 조정 작업에 사용하여 지정된 측정항목을 최적화함으로써 가장 좋은 초매개변수 값의 조합을 검색할 수 있습니다.

목표

• BigQuery로 학습과 검증 분할을 만듭니다.
• 머신러닝 모델을 Docker 컨테이너에 래핑하고 AI Platform에서 학습시킵니다.
• Google Cloud에서 초매개변수 미세 조정 엔진을 사용하여 최적의 초매개변수를 찾습니다.
• 학습시킨 머신러닝 모델을 Google Cloud에 REST API로 배포한 후 쿼리합니다.

설정

각 실습에서는 정해진 기간 동안 새 Google Cloud 프로젝트와 리소스 집합이 무료로 제공됩니다.

1. 시크릿 창을 사용하여 Google Skills에 로그인합니다.

2. 실습 사용 가능 시간(예: 1:15:00)을 참고하여 해당 시간 내에 완료합니다.
   일시중지 기능은 없습니다. 필요한 경우 다시 시작할 수 있지만 처음부터 시작해야 합니다.

3. 준비가 되면 실습 시작을 클릭합니다.

4. 실습 사용자 인증 정보(사용자 이름 및 비밀번호)를 기록해 두세요. Google Cloud Console에 로그인합니다.

5. Google Console 열기를 클릭합니다.

6. 다른 계정 사용을 클릭한 다음, 안내 메시지에 이 실습에 대한 사용자 인증 정보를 복사하여 붙여넣습니다.
   다른 사용자 인증 정보를 사용하는 경우 오류가 발생하거나 요금이 부과됩니다.

7. 약관에 동의하고 리소스 복구 페이지를 건너뜁니다.

Cloud Shell 활성화

Cloud Shell은 여러 개발 도구가 포함된 가상 머신입니다. 5GB의 영구적인 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다. gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 탭 자동 완성을 지원합니다.

1. Google Cloud Console의 탐색창에서 Cloud Shell 활성화()를 클릭합니다.

2. 계속을 클릭합니다.
   환경을 프로비저닝하고 연결하는 데는 몇 분 정도 소요됩니다. 연결되면 사용자 인증도 처리되어 프로젝트가 PROJECT_ID로 설정됩니다. 예를 들면 다음과 같습니다.

샘플 명령어

• 활성 계정 이름을 나열합니다.

gcloud auth list

(출력)

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

(출력 예시)

Credentialed accounts: - google1623327_student@qwiklabs.net

• 프로젝트 ID를 나열합니다.

gcloud config list project

(출력)

[core] project = <project_ID>

(출력 예시)

[core] project = qwiklabs-gcp-44776a13dea667a6

작업 1. 클라우드 서비스 사용 설정하기

1. Cloud Shell에서 Google Cloud 프로젝트에 프로젝트 ID를 설정하려면 다음 명령어를 실행합니다.

export PROJECT_ID=$(gcloud config get-value core/project) gcloud config set project $PROJECT_ID

2. 필요한 Cloud 서비스를 사용 설정하려면 다음 명령어를 실행합니다.

gcloud services enable \ cloudbuild.googleapis.com \ container.googleapis.com \ cloudresourcemanager.googleapis.com \ iam.googleapis.com \ containerregistry.googleapis.com \ containeranalysis.googleapis.com \ ml.googleapis.com \ dataflow.googleapis.com

3. Cloud Build 서비스 계정에 편집자 권한을 추가합니다.

PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)") CLOUD_BUILD_SERVICE_ACCOUNT="${PROJECT_NUMBER}@cloudbuild.gserviceaccount.com" gcloud projects add-iam-policy-binding $PROJECT_ID \ --member serviceAccount:$CLOUD_BUILD_SERVICE_ACCOUNT \ --role roles/editor

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Cloud Build 서비스 계정에 편집자 권한을 추가합니다.

작업 2. AI Platform 파이프라인 인스턴스 만들기

1. Google Cloud 콘솔의 탐색 메뉴에서 AI Platform으로 스크롤한 후 나중에 실습 중에 손쉽게 액세스할 수 있도록 해당 섹션을 고정합니다.

2. Cloud Shell에서 다음 명령어를 입력하여 필요한 GKE 클러스터를 만듭니다.

gcloud container clusters create cluster-1 --zone us-central1-a --release-channel stable --machine-type n1-standard-2 --scopes=https://www.googleapis.com/auth/cloud-platform

완료되는 데 2~3분 정도 걸립니다. 클러스터가 완료되기를 기다린 후 다음 단계로 넘어갑니다.

3. 클러스터가 생성되기를 기다리는 동안 다음 중 하나를 수행하세요.
   • 탐색 메뉴에서 Kubernetes Engine을 클릭하여 생성되는 클러스터를 확인합니다.
   • 탐색 메뉴에서 Compute Engine을 클릭하여 개별 VM이 시작되는 것을 확인합니다.

클러스터가 완료되면 Cloud Shell에 아래 이미지와 비슷한 상태가 표시됩니다.

4. AI Platform 그룹으로 돌아가 파이프라인을 클릭합니다.

5. 새 인스턴스를 클릭합니다.

6. Kubeflow Pipelines 페이지에서 구성을 클릭합니다.

2단계에서 만든 클러스터가 선택 창에 기본적으로 표시됩니다.

7. 페이지 하단으로 스크롤하여 Marketplace 약관을 수락하고 배포를 클릭합니다.

KFP 개별 서비스가 GKE 클러스터에 배포되었음을 확인할 수 있습니다. 클러스터가 배포되기를 기다린 후 다음 작업으로 넘어갑니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. AI Platform 파이프라인 인스턴스를 만듭니다.

작업 3. Vertex AI Platform Notebooks 인스턴스 만들기

Vertex AI Platform Notebooks 인스턴스가 기본 실험/개발 워크벤치로 사용됩니다. 이 인스턴스는 이 실습에 필요한 모든 Python 패키지가 포함된 커스텀 컨테이너 이미지를 사용해 구성됩니다.

1. Cloud Shell의 홈 디렉터리에 폴더를 만듭니다.

cd mkdir tmp-workspace cd tmp-workspace

2. 커스텀 이미지에 설치할 Python 패키지가 있는 요구사항 파일을 만듭니다.

gsutil cp gs://cloud-training/OCBL203/requirements.txt .

3. 커스텀 컨테이너 이미지를 정의하는 Dockerfile을 만듭니다.

gsutil cp gs://cloud-training/OCBL203/Dockerfile .

4. 이미지를 빌드하여 프로젝트의 Container Registry에 푸시합니다.

IMAGE_NAME=kfp-dev TAG=latest IMAGE_URI="gcr.io/${PROJECT_ID}/${IMAGE_NAME}:${TAG}" gcloud builds submit --timeout 15m --tag ${IMAGE_URI} .

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 이미지를 빌드하여 프로젝트의 Container Registry에 푸시합니다.

5. Vertex AI Platform Notebooks 인스턴스 만들기

ZONE=us-central1-a INSTANCE_NAME=ai-notebook

다른 ZONE과 INSTANCE_NAME을 사용하려면 원하는 영역을 선택하여 us-central1-a를 [YOUR_ZONE]으로 변경하고 원하는 인스턴스 이름을 선택하여 ai-notebook을 [YOUR_INSTANCE_NAME]으로 변경합니다.

IMAGE_FAMILY="common-container" IMAGE_PROJECT="deeplearning-platform-release" INSTANCE_TYPE="n1-standard-4" METADATA="proxy-mode=service_account,container=$IMAGE_URI" gcloud compute instances create $INSTANCE_NAME \ --zone=$ZONE \ --image-family=$IMAGE_FAMILY \ --machine-type=$INSTANCE_TYPE \ --image-project=$IMAGE_PROJECT \ --maintenance-policy=TERMINATE \ --boot-disk-device-name=${INSTANCE_NAME}-disk \ --boot-disk-size=100GB \ --boot-disk-type=pd-ssd \ --scopes=cloud-platform,userinfo-email \ --metadata=$METADATA

이 작업이 완료되는 데는 최대 5분이 걸릴 수 있습니다.

6. 5분 후에 Cloud Console의 탐색 메뉴에서 Vertex AI > Workbench를 클릭합니다.

Vertex AI Platform Workbench 인스턴스가 반영되는 데 2~3분이 걸립니다.

7. 페이지를 새로고침하고 기존 인스턴스 포함 체크박스가 표시되면 인스턴스를 표시하도록 사용 설정합니다.

8. Jupyterlab 열기 링크를 클릭합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Vertex AI Platform Notebooks 인스턴스를 만듭니다.

작업 4. Vertex AI Platform Notebooks 인스턴스 내의 mlops-on-gcp 저장소 클론하기

JupyterLab 인스턴스로 mlops-on-gcp 노트북을 클론하려면 다음을 수행합니다.

1. JupyterLab에서 터미널 아이콘을 클릭하여 새 터미널을 엽니다.

2. 명령줄 프롬프트에 다음 명령어를 입력하고 Enter를 누릅니다.

   git clone https://github.com/GoogleCloudPlatform/mlops-on-gcp 참고: 클론된 저장소가 JupyterLab UI에 표시되지 않는 경우에는 상단 메뉴의 Git > Clone a repository(저장소 클론)에서 UI를 사용해 저장소를 클론(https://github.com/GoogleCloudPlatform/mlops-on-gcp)하면 됩니다.

   

3. mlops-on-gcp 디렉터리를 더블클릭하고 디렉터리의 콘텐츠를 볼 수 있는지 확인하여 저장소가 클론되었는지 확인합니다. 이 과정의 모든 Jupyter 노트북 기반 실습 파일은 이 디렉터리에서 확인할 수 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Vertex AI Platform Notebooks 인스턴스 내의 mlops-on-gcp 저장소를 클론합니다.

작업 5. mlops-on-gcp 노트북으로 이동하기

참고: 모든 작업을 수행하려면 각 셀을 실행하기 전에 모든 설명을 읽고 안내를 주의 깊게 따라야 합니다. 일부 작업은 완료하는 데 5~10분이 걸립니다. 다음 작업으로 넘어가기 전에 작업이 완료될 때까지 기다리세요.

1. 노트북 인터페이스에서 mlops-on-gcp > on_demand > kfp-caip-sklearn > lab-01-caip-containers > exercises로 이동한 다음 lab-01.ipynb를 엽니다.

2. 노트북 인터페이스에서 Edit(수정) > Clear All Outputs(모든 출력 지우기)를 클릭합니다.

3. 노트북 명령을 꼼꼼히 읽어보면서 코드를 완성해야 하는 부분으로 #TODO 표시가 되어 있는 행을 작성합니다.

참고: 현재 셀을 실행하려면 셀을 클릭하고 Shift+Enter를 누르세요. 다른 셀 명령어는 노트북 UI의 Run(실행)에 나열되어 있습니다.

• 안내를 위해 작업에서 힌트가 제공될 수 있습니다. 힌트는 흰색 텍스트로 적혀 있으므로 힌트를 읽으려면 텍스트를 하이라이트하세요.
• 추가 도움이 필요하면 mlops-on-gcp > on_demand > kfp-caip-sklearn > lab-01-caip-containers로 이동한 다음 lab-01.ipynb를 열어 전체 솔루션을 표시합니다.

실습 데이터 세트 준비하기

파이프라인은 BigQuery에서 데이터를 수집합니다. 노트북에서 셀을 실행하는 동안 BigQuery 매개변수를 설정했고, BigQuery 데이터 세트를 만들었고, 테이블에 Covertype CSV 데이터를 업로드했습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 실습 데이터 세트를 준비합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 학습과 검증 분할을 만듭니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 학습 애플리케이션을 개발합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. AI Platform 초매개변수 미세 조정 작업을 제출합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. AI Platform Prediction에 모델을 배포합니다.

수고하셨습니다.

이 실습에서는 학습 애플리케이션을 개발하고, Docker 이미지로 패키징하고, AI Platform Training에서 실행하는 방법을 배웠습니다.

실습 종료

실습을 완료하면 실습 종료를 클릭합니다. Qwiklabs에서 사용된 리소스를 자동으로 삭제하고 계정을 지웁니다.

실습 경험을 평가할 수 있습니다. 해당하는 별표 수를 선택하고 의견을 입력한 후 제출을 클릭합니다.

별점의 의미는 다음과 같습니다.

• 별표 1개 = 매우 불만족
• 별표 2개 = 불만족
• 별표 3개 = 중간
• 별표 4개 = 만족
• 별표 5개 = 매우 만족

의견을 제공하고 싶지 않다면 대화상자를 닫으면 됩니다.

의견이나 제안 또는 수정할 사항이 있다면 지원 탭을 사용하세요.

Copyright 2026 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.