Azure Machine Learning에서 GitHub Actions 사용

아티클
09/03/2024

적용 대상:Azure CLI ml 확장 v2(현재)Python SDK azure-ai-ml v2(현재)

Azure Machine Learning에서 모델을 학습하려면 GitHub Actions로 시작하세요.

이 문서에서는 기계 학습 모델을 빌드하고 Azure Machine Learning에 배포하는 GitHub Actions 워크플로를 만드는 방법을 설명합니다. NYC Taxi 데이터 세트에서 scikit-learn 선형 회귀 모델을 학습합니다.

GitHub Actions는 리포지토리의 /.github/workflows/ 경로에서 워크플로 YAML(.yml) 파일을 사용합니다. 이 정의는 워크플로를 구성하는 다양한 단계와 매개 변수를 포함합니다.

필수 조건

이 문서의 단계를 수행하기 전에 다음과 같은 필수 구성 요소가 있는지 확인합니다.

Azure Machine Learning 작업 영역 리소스가 없으면 빠른 시작: 작업 영역 리소스 만들기 문서의 단계에서 리소스를 만듭니다.
Python SDK v2를 설치하려면 다음 명령을 사용합니다.
```
pip install azure-ai-ml azure-identity
```
기존 SDK 설치를 최신 버전으로 업데이트하려면 다음 명령을 사용합니다.
```
pip install --upgrade azure-ai-ml azure-identity
```
자세한 내용은 Azure Machine Learning용 Python SDK v2 설치를 참조하세요.

GitHub 계정. 없는 경우 평가판에 등록하세요.

1단계: 코드 받기

GitHub에서 다음 리포지토리를 포크합니다.

https://github.com/azure/azureml-examples

포크된 리포지토리를 로컬로 복제합니다.

git clone https://github.com/YOUR-USERNAME/azureml-examples

2단계: Azure로 인증

먼저 Azure로 인증하는 방법을 정의해야 합니다. 서비스 주체 또는 OpenID Connect를 사용할 수 있습니다.

Azure CLI에서 az ad sp create-for-rbac 명령을 사용하여 서비스 주체를 만듭니다. 이 명령은 Azure Portal에서 Azure Cloud Shell을 사용하거나 사용해 보세요 단추를 선택하여 실행합니다.

az ad sp create-for-rbac --name "myML" --role contributor \
                            --scopes /subscriptions/<subscription-id>/resourceGroups/<group-name> \
                            --json-auth

--json-auth 매개 변수는 Azure CLI 버전 >= 2.51.0에서 사용할 수 있습니다. 이전 버전에서는 사용 중단 경고와 함께 --sdk-auth를 사용합니다.

위의 예시에서 자리 표시자를 구독 ID, 리소스 그룹 이름 및 앱 이름으로 바꿉니다. 출력은 아래와 비슷한 App Service 앱에 대한 액세스를 제공하는 역할 할당 자격 증명이 있는 JSON 개체입니다. 나중에 사용할 수 있도록 이 JSON 개체를 복사합니다.

  {
    "clientId": "<GUID>",
    "clientSecret": "<GUID>",
    "subscriptionId": "<GUID>",
    "tenantId": "<GUID>",
    (...)
  }

OpenID Connect는 단기 토큰을 사용하는 인증 방법입니다. GitHub Actions로 OpenID Connect 설정은 보안 강화를 제공하는 더 복잡한 프로세스입니다.

기존 애플리케이션이 없는 경우 리소스에 액세스할 수 있는 새 Microsoft Entra 애플리케이션 및 서비스 주체를 등록합니다.
```
az ad app create --display-name myApp
```
이 명령은 appId(사용자의 client-id)가 포함된 JSON을 출력합니다. objectId는 APPLICATION-OBJECT-ID이며 Graph API 호출로 페더레이션된 자격 증명을 만드는 데 사용됩니다. 이 값을 저장하여, 나중에 AZURE_CLIENT_ID GitHub 비밀로 사용합니다.
서비스 주체를 생성합니다. $appID를 JSON 출력의 appId로 대체합니다. 이 명령은 다른 objectId로 JSON 출력을 생성하며 다음 단계에서 사용됩니다. 새 objectId는 assignee-object-id입니다.

이 명령은 다른 objectId로 JSON 출력을 생성하며 다음 단계에서 사용됩니다. 새 objectId는 assignee-object-id입니다.

appOwnerTenantId를 복사하여 나중에 AZURE_TENANT_ID에 대한 GitHub 비밀로 사용합니다.
```
 az ad sp create --id $appId
```
구독 및 개체별 새 역할 할당을 만듭니다. 기본적으로 역할 할당은 기본 구독에 연결됩니다. $subscriptionId를 구독 ID로 바꾸고, $resourceGroupName을 리소스 그룹 이름으로 바꾸고, $assigneeObjectId를 생성된 assignee-object-id(새로 만들어진 서비스 주체 개체 ID)로 바꿉니다.
```
az role assignment create --role contributor --subscription $subscriptionId --assignee-object-id  $assigneeObjectId --assignee-principal-type ServicePrincipal --scope /subscriptions/$subscriptionId/resourceGroups/$resourceGroupName
```
다음 명령을 실행하여 Microsoft Entra 애플리케이션에 대한 새 페더레이션된 ID 자격 증명을 만듭니다.
- APPLICATION-OBJECT-ID를 Microsoft Entra 애플리케이션의 objectId(앱 만들기 중에 생성됨)로 바꿉니다.
- CREDENTIAL-NAME의 값을 나중에 참조하도록 설정합니다.
- subject를 설정합니다. 이 값은 워크플로에 따라 GitHub에 의해 정의됩니다.
  - GitHub Actions 환경의 작업: repo:< Organization/Repository >:environment:< Name >
  - 환경에 연결되지 않은 작업의 경우 워크플로를 트리거하는 데 사용되는 참조 경로를 기반으로 분기/태그에 대한 참조 경로(repo:< Organization/Repository >:ref:< ref path>)를 포함합니다. 예를 들어 repo:n-username/ node_express:ref:refs/heads/my-branch 또는 repo:n-username/ node_express:ref:refs/tags/my-tag입니다.
  - 끌어오기 요청 이벤트에 의해 트리거된 워크플로의 경우: repo:< Organization/Repository >:pull_request
```
az ad app federated-credential create --id <APPLICATION-OBJECT-ID> --parameters credential.json
("credential.json" contains the following content)
{
    "name": "<CREDENTIAL-NAME>",
    "issuer": "https://token.actions.githubusercontent.com",
    "subject": "repo:octo-org/octo-repo:environment:Production",
    "description": "Testing",
    "audiences": [
        "api://AzureADTokenExchange"
    ]
}
```

비밀 만들기

서비스 주체
OpenID Connect

GitHub에서 리포지토리로 이동합니다.
탐색 메뉴에서 설정으로 이동합니다.
보안 > 비밀 및 변수 > 작업을 선택합니다.
새 리포지토리 비밀을 선택합니다.
Azure CLI 명령의 전체 JSON 출력을 비밀의 값 필드에 붙여넣습니다. 비밀 이름을 AZURE_CREDENTIALS으로 지정합니다.
비밀 추가를 선택합니다.

로그인 작업에 애플리케이션의 클라이언트 ID, 테넌트 ID 및 구독 ID를 제공해야 합니다. 이러한 값은 워크플로에서 직접 제공하거나 GitHub 비밀에 저장하고 워크플로에서 참조할 수 있습니다. 값을 GitHub 비밀로 저장하는 것이 더 안전한 옵션입니다.

GitHub에서 리포지토리로 이동합니다.
보안 > 비밀 및 변수 > 작업을 선택합니다.
새 리포지토리 비밀을 선택합니다.
AZURE_CLIENT_ID, AZURE_TENANT_ID 및 AZURE_SUBSCRIPTION_ID에 대한 비밀을 만듭니다. GitHub 비밀에 대해 Microsoft Entra 애플리케이션의 다음 값을 사용합니다.

GitHub 비밀 Microsoft Entra 애플리케이션

AZURE_CLIENT_ID 애플리케이션(클라이언트) ID

AZURE_TENANT_ID 디렉터리(테넌트) ID

AZURE_SUBSCRIPTION_ID 구독 ID
비밀 추가를 선택하여 각 비밀을 저장합니다.

GitHub 비밀	Microsoft Entra 애플리케이션
AZURE_CLIENT_ID	애플리케이션(클라이언트) ID
AZURE_TENANT_ID	디렉터리(테넌트) ID
AZURE_SUBSCRIPTION_ID	구독 ID

3단계: Azure Machine Learning 작업 영역에 연결하려면 `setup.sh`를 업데이트합니다.

작업 영역과 일치하도록 CLI 설정 파일 변수를 업데이트해야 합니다.

포크된 리포지토리에서 azureml-examples/cli/(으)로 이동합니다.
setup.sh를 편집하고 파일에서 이러한 변수를 업데이트합니다.

변수 설명

GROUP 리소스 그룹의 이름

위치 작업 영역의 위치(예: eastus2)

작업 영역 Azure Machine Learning 작업 영역의 이름

변수	설명
GROUP	리소스 그룹의 이름
위치	작업 영역의 위치(예: `eastus2`)
작업 영역	Azure Machine Learning 작업 영역의 이름

4단계: 컴퓨팅 클러스터 이름으로 `pipeline.yml` 업데이트

pipeline.yml 파일을 사용하여 Azure Machine Learning 파이프라인을 배포합니다. 이는 DevOps 파이프라인이 아니라 기계 학습 파이프라인입니다. 컴퓨터 클러스터 이름에 cpu-cluster가 아닌 다른 이름을 사용하는 경우에만 이 업데이트를 수행해야 합니다.

포크된 리포지토리에서 azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml(으)로 이동합니다.
compute: azureml:cpu-cluster가 표시될 때마다 컴퓨팅 클러스터 이름으로 cpu-cluster 값을 업데이트합니다. 예를 들어 클러스터 이름이 my-cluster인 경우 새 값은 azureml:my-cluster가 됩니다. 5개의 업데이트가 있습니다.

5단계: GitHub Actions 워크플로 실행

워크플로는 Azure를 사용하여 인증하고, Azure Machine Learning CLI를 설정하고, CLI를 사용하여 Azure Machine Learning에서 모델을 학습합니다.

서비스 주체
OpenID Connect

워크플로 파일은 트리거 섹션 및 작업으로 구성됩니다.

트리거는 on 섹션에서 워크플로를 시작합니다. 워크플로는 기본적으로 cron 일정과 일치하는 분기 및 경로에서 끌어오기 요청이 이루어지는 경우에 실행됩니다. 워크플로를 트리거하는 이벤트에 대해 자세히 알아봅니다.
워크플로의 작업 섹션에서 코드를 체크 아웃하고 서비스 주체 비밀을 사용하여 Azure에 로그인합니다.
작업 섹션에는 Machine Learning CLI(v2)를 설치 및 설정하는 설치 작업도 포함되어 있습니다. CLI가 설치되면 작업 실행 작업은 Azure Machine Learning pipeline.yml 파일을 실행하여 NYC 택시 데이터를 사용하여 모델을 학습시킵니다.

워크플로 사용

포크된 리포지토리에서 .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml을 열고 워크플로가 다음과 같은지 확인합니다.

name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
      - sdk-preview
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v2
    - name: azure login
      uses: azure/login@v1
      with:
        creds: ${{secrets.AZURE_CREDENTIALS}}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

보기 실행을 선택합니다.
내 워크플로를 이해하고 계속 진행합니다를 선택하여 워크플로를 사용하도록 설정합니다.
cli-jobs-pipelines-nyc-taxi-pipeline 워크플로를 선택하고 워크플로 활성화를 선택합니다.
워크플로 실행을 선택하고 지금 워크플로 실행 옵션을 선택합니다.

워크플로 파일은 트리거 섹션 및 작업으로 구성됩니다.

트리거는 on 섹션에서 워크플로를 시작합니다. 워크플로는 기본적으로 cron 일정과 일치하는 분기 및 경로에서 끌어오기 요청이 이루어지는 경우에 실행됩니다. 워크플로를 트리거하는 이벤트에 대해 자세히 알아봅니다.
워크플로의 작업 섹션에서 코드를 체크 아웃하고 OpenID Connect를 사용하여 Azure 로그인 작업을 통해 Azure에 로그인합니다.
작업 섹션에는 Machine Learning CLI(v2)를 설치 및 설정하는 설치 작업도 포함되어 있습니다. CLI가 설치되면 작업 실행 작업은 Azure Machine Learning pipeline.yml 파일을 실행하여 NYC 택시 데이터를 사용하여 모델을 학습시킵니다.

워크플로 사용

포크된 리포지토리에서 .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml을 열고 워크플로가 다음과 같은지 확인합니다.

name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
      - sdk-preview
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v2
    - name: azure login
      uses: azure/login@v1
      with:
          client-id: ${{ secrets.AZURE_CLIENT_ID }}
          tenant-id: ${{ secrets.AZURE_TENANT_ID }}
          subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

보기 실행을 선택합니다.
내 워크플로를 이해하고 계속 진행합니다를 선택하여 워크플로를 사용하도록 설정합니다.
cli-jobs-pipelines-nyc-taxi-pipeline 워크플로를 선택하고 워크플로 활성화를 선택합니다.
워크플로 실행을 선택하고 지금 워크플로 실행 옵션을 선택합니다.

6단계: 워크플로 실행 확인

완료된 워크플로 실행을 열고 빌드 작업이 성공적으로 실행되었는지 확인합니다. 작업 옆에 녹색 확인 표시가 표시됩니다.
Azure Machine Learning 스튜디오 열고 nyc-taxi-pipeline-example로 이동합니다. 작업의 각 부분(준비, 변환, 학습, 예측, 점수 매기기)이 완료되었고 녹색 확인 표시가 표시되는지 확인합니다.

리소스 정리

리소스 그룹 및 리포지토리가 더 이상 필요하지 않은 경우 리소스 그룹과 GitHub 리포지토리를 삭제하여 배포한 리소스를 정리합니다.

다음 단계

Python SDK를 사용하여 프로덕션 ML 파이프라인 만들기

다음을 통해 공유

Azure Machine Learning에서 GitHub Actions 사용

필수 조건

1단계: 코드 받기

2단계: Azure로 인증

배포 자격 증명 생성

비밀 만들기

3단계: Azure Machine Learning 작업 영역에 연결하려면 `setup.sh`를 업데이트합니다.

4단계: 컴퓨팅 클러스터 이름으로 `pipeline.yml` 업데이트

5단계: GitHub Actions 워크플로 실행

워크플로 사용

워크플로 사용

6단계: 워크플로 실행 확인

리소스 정리

다음 단계

피드백

추가 리소스

다음을 통해 공유

Azure Machine Learning에서 GitHub Actions 사용

필수 조건

1단계: 코드 받기

2단계: Azure로 인증

배포 자격 증명 생성

비밀 만들기

3단계: Azure Machine Learning 작업 영역에 연결하려면 setup.sh를 업데이트합니다.

4단계: 컴퓨팅 클러스터 이름으로 pipeline.yml 업데이트

5단계: GitHub Actions 워크플로 실행

워크플로 사용

6단계: 워크플로 실행 확인

리소스 정리

다음 단계

피드백

추가 리소스

3단계: Azure Machine Learning 작업 영역에 연결하려면 `setup.sh`를 업데이트합니다.

4단계: 컴퓨팅 클러스터 이름으로 `pipeline.yml` 업데이트