[AI-900] 자격증 완벽정리 8편_Azure Machine Learning 서비스 구조

2025.05.05 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 1편_개요와 준비 전략

2025.05.05 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 2편_인공지능(AI), 머신러닝(ML), 딥러닝(DL) 개념 비교

2025.05.06 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 3편_머신러닝 유형(지도학습, 비지도학습, 강화학습)

2025.05.06 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 4편_자연어 처리(NLP)와 Azure Congnitive Service

2025.05.07 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 5편_컴퓨터 비전 개념과 Azure 적용

2025.05.08 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 6편_챗봇과 Azure Bot Services

2025.05.09 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 7편_책임 있는 AI(Responsible AI)

 

목차:

• Azure Machine Learning 소개 (역할과 의의)
• Azure ML 작업 공간(Workspace)과 구성 요소
• 주요 기능: AutoML, 디자이너, 모델 배포 등
• MLOps 개요와 Azure ML의 지원
• 시험에 자주 등장하는 포인트
• 마무리 요약

Azure Machine Learning 소개 (역할과 의의)

Azure Machine Learning(Azure ML)은 Microsoft Azure 상에서 제공되는 클라우드 머신러닝 플랫폼입니다. 데이터 과학자와 개발자가 **머신러닝 모델을 개발, 학습(Training), 배포(Deploy)**할 때 필요한 다양한 도구와 인프라를 통합 제공하여, 효율적인 ML 수명주기 관리(ML Lifecycle Management)를 돕습니다. 쉽게 말해, **“Azure 클라우드에서 ML 실험실을 차릴 수 있는 서비스”**라고 볼 수 있습니다.

Azure ML을 사용하면, Jupyter 노트북이나 Python SDK를 통해 클라우드상의 강력한 컴퓨팅 자원에서 모델을 학습시키고, 그 모델을 REST API 엔드포인트로 쉽게 배포할 수 있습니다. 또한 AutoML(자동 ML) 기능을 활용하여 사용자가 모델 알고리즘을 일일이 선택하지 않아도 알아서 최적 모델을 찾아주게 할 수도 있습니】. 시각적 인터페이스인 Azure ML Studio를 통해 코딩 경험이 적은 사용자도 드래그앤드롭 방식으로 ML 실험을 구성(디자이너 기능)하고 결과를 볼 수 있습니다.

기업 환경에서는 MLOps (Machine Learning + DevOps)라고 불리는 개념이 중요해지고 있는데, Azure ML은 그를 지원하는 모델 관리, 데이터 관리, 파이프라인 자동화, 모니터링 기능까지 포괄합니다. AI-900 시험에서는 Azure ML의 세부 사용법을 묻지는 않고, “Azure ML을 쓰면 무엇을 할 수 있는가”, “주요 구성 요소는 무엇인가” 같은 개념 위주로 출제됩니다. 이는 Azure의 여러 AI 서비스 중 Azure ML이 모든 ML 과정의 기반을 제공하는 플랫폼임을 이해하고 있는지 보는 것입니다.

Azure ML 작업 공간(Workspace)과 구성 요소

Azure ML에서 가장 기본이 되는 리소스는 **작업 공간(Workspace)**입니learn.microsoft.com】. 작업 공간은 Azure ML의 상위 컨테이너로, 해당 작업 공간 안에서 이루어지는 모든 실험, 자원, 설정이 관리됩니다. 하나의 작업 공간을 팀 단위나 프로젝트 단위로 만들어 사용할 수 있습니다. 작업 공간에는 다음과 같은 핵심 구성 요소가 포함됩니다:

• 데이터스토어(Datastore)와 데이터셋(Dataset): 작업 공간이 참조하는 데이터 저장소입니다. 원시 데이터 파일들은 Azure Storage 등에 저장되고, Azure ML에서는 이를 가리키는 datastore를 통해 접근합니learn.microsoft.com】. 또한 데이터에 의미를 부여한 데이터셋 객체를 만들어 버전 관리할 수 있습니다 (예: 훈련용 이미지 1만 장을 “Dataset v1”으로 정의).
• 컴퓨팅 자원(Compute): 모델 학습이나 배포를 수행할 가상 머신/클러스터 자원입니learn.microsoft.comlearn.microsoft.com】. Azure ML에서는 CPU, GPU가 장착된 다양한 사이즈의 컴퓨팅을 생성하여 사용할 수 있으며, 필요 시 자동 확장되는 GPU 클러스터도 설정 가능합니다. 훈련 시 이 Compute를 지정하면, 코드는 그 리소스 상에서 실행됩니다.
• 실험(Experiment)과 런(Run): 실험은 모델 훈련 작업의 논리적 그룹이며, 각 실험 내에서 실제로 실행되는 한 회 한 회를 **런(run)**이라고 합니】. Azure ML은 실험/런 단위로 메트릭 로그, 출력 모델, 스크립트 등을 체계적으로 기록하여, 어떤 설정으로 어떤 결과를 얻었는지 추적할 수 있게 해줍니다. 이를 통해 다양한 시도를 조직적으로 관리하고, 향후 재현(Reproducibility)을 높입니다.
• 모델(Model)과 모델 레지스트리: 학습 완료된 **모델 아티팩트(파일)**를 작업 공간에 **등록(Register)**하여 관리할 수 있습니】. 이렇게 등록된 모델은 모델 레지스트리에 버전별로 쌓이며, 나중에 배포나 재사용 시 편리하게 지정 가능합니다. (예: “FraudDetectionModel v2”)
• 엔드포인트(Endpoint): 학습된 모델을 배포하여 실시간 추론 서비스로 제공하는 API 엔드포인트입니learn.microsoft.com】. Azure ML에서는 모델을 AKS나 Azure Container Instances 등에 올려 REST API로 노출하는 절차를 간소화하여 지원합니다. 배포된 엔드포인트는 Azure Portal이나 SDK를 통해 모니터링할 수 있습니다 (예: 응답 속도, 호출 로그).
• 환경(Environment): 학습이나 추론에 쓰이는 소프트웨어 환경(라이브러리 세팅) 정보를 캡슐화한 것입니】. 보통 Conda 환경이나 Docker 이미지 형태로 관리되며, 특정 모델 학습에 어떤 패키지 버전이 사용되었는지 환경으로 정의해두면, 같은 환경에서 재실행하거나 배포할 수 있어 편리합니다.
• 파이프라인(Pipeline): 데이터 준비 → 학습 → 배포 등 여러 작업 단계를 연결한 ML 워크플로우를 정의한 것입니】. Azure ML 파이프라인 기능을 이용하면 복잡한 ML 프로세스를 자동화하고 스케줄링할 수 있습니다. (AI-900에서는 깊게 다루지 않으므로 간략히 개념만 기억)

이 밖에도 작업 공간은 Azure Container Registry, Key Vault, Application Insights, Storage 등을 연결 리소스로 포함합니learn.microsoft.com】. 예를 들어, 모델 배포 이미지 저장을 위해 Container Registry를, 실험 결과 저장을 위해 Storage 계정을, 모니터링 로그를 위해 Application Insights를 활용합니learn.microsoft.com】. 이러한 리소스들은 작업 공간 생성 시 자동으로 만들거나 기존 것을 연결할 수 있습니다. 출제 포인트: 시험에서는 “작업 공간(Workspace)”이 Azure ML의 기본 단위임을 알아야 하며, 모델 등록(registration), Auto ML, 엔드포인트 배포 등의 키워드가 Azure ML과 관련된다는 것을 물을 수 있습니다. 예를 들어 “Azure Machine Learning의 모델 레지스트리의 역할은?” 같은 질문에 모델을 버전별로 저장하고 관리하는 것이라고 이해하면 됩니다.

주요 기능: AutoML, 디자이너, 모델 배포 등

Azure ML이 제공하는 주요 기능들을 조금 더 살펴보겠습니다. 시험에서 직접 물어볼 수 있는 핵심 키워드이기도 합니다:

• 자동 ML (Automated Machine Learning): *“AutoML”*이라고도 부르는 이 기능은, 알고리즘 선정부터 하이퍼파라미터 튜닝까지 많은 과정을 자동화하여 최적의 모델을 찾아주는 것입니】. 사용자는 단지 데이터와 예측 목표 (분류/회귀 등)만 지정하면, Azure ML이 여러 알고리즘을 시도하고 성능을 비교해 가장 좋은 모델을 제시해줍니다. 코드를 짜지 않고도 결과를 얻을 수 있어, ML 입문자나 생산성 향상에 유용합니다. AI-900에서는 “AutoML을 사용하면 어떤 이점이 있는가?” 정도를 물을 수 있습니다. 예컨대 정답으로 “데이터 과학 자동화 – 여러 모델을 자동으로 실험하여 최적 모델 선택” 등의 설명이 나오겠지요.
• Azure ML 디자이너 (Designer): 과거 드래그 앤 드롭으로 ML 파이프라인을 구성하던 Azure ML Studio(클래식)의 개념을 계승한 도구입니다. 웹 화면에서 데이터 불러오기, 전처리, 알고리즘 모듈, 훈련, 평가 등을 블록으로 연결하여 흐름을 만들 수 있습니다. 코딩이 어려운 사용자도 시각적으로 ML 워크플로우를 구성할 수 있다는 장점이 있습니다. (시험에서는 구체적 사용법보다는, “코딩 없이 ML 모델을 개발하려면 Azure ML의 어떤 기능을 활용하는게 좋은가?” 식으로 물어볼 수 있습니다. 정답: Designer 또는 AutoML.)
• 모델 배포 및 관리: Azure ML에서 학습이 끝난 모델은 클릭 몇 번 또는 한두 줄 명령으로 **배포(deployment)**할 수 있습니다. Azure Kubernetes Service(AKS), Azure Container Instances(ACI), IoT Edge 등의 목표를 선택하면, Azure ML이 알아서 도커 이미지 생성부터 엔드포인트 생성까지 해줍니다. 배포 후에는 엔드포인트 URI가 주어지며, 애플리케이션이 이 URI로 요청을 보내면 실시간 추론 결과를 받을 수 있습니다. Azure ML은 이 과정에서 MLOps 개념을 도입하여, 모델이 새 버전으로 교체될 때도 엔드포인트를 관리하거나, 모델 성능을 모니터링해 드리프트(drift) 감지 등을 지원합니다. 시험에서는 “Azure에서 학습된 모델을 REST API로 제공하려면 어떤 서비스를 활용하는 것이 적절한가?” 같은 문제로, Azure ML이 언급될 수 있습니다.
• 모델 등록 및 재활용: 앞서 언급한 모델 레지스트리에 모델을 등록해두면, 나중에 재활용하거나 배포시 가져오기 쉽습니다. 예를 들어 수개월 전 학습한 모델과 이번에 새로 학습한 모델 두 가지를 레지스트리에서 꺼내 비교실험할 수도 있고, 이미 있던 모델을 다른 환경에 바로 배포할 수도 있습니다. Azure ML은 모델의 메타데이터와 경로 관리를 해주기 때문에, 협업 시에도 누가 어떤 모델을 만들었는지 투명하게 파악됩니다.

출제 포인트: 이 부분에서는 주로 AutoML의 정의/이점, Azure ML이 지원하는 것 등을 묻습니다. “AutoML을 사용하면 무엇을 할 수 있나?” – *여러 알고리즘을 자동 시도하여 최적 모델 선택】. “Azure ML을 이용해 모델을 배포할 수 있는가?” – 예, 한 클릭으로 AKS 등에 배포 가능. “Azure ML이 관리하는 자산이 아닌 것은?” – 이런 식으로 헷갈리는 것들을 나열할 수도 있습니다. (예: 데이터셋, 모델, 실험 등은 Azure ML 자산이지만, 코그니티브 서비스 키 같은 건 별개임).

MLOps 개요와 Azure ML의 지원

MLOps는 DevOps의 개념을 머신러닝에 적용한 것으로, 머신러닝 개발 프로세스의 자동화와 신뢰성을 뜻합니다. Azure ML은 MLOps를 구현하기 좋은 환경을 제공하는데, 그 이유는 앞서 본 대로 데이터, 모델, 코드, 환경 등을 체계적으로 관리하고, 파이프라인으로 자동화하며, 엔드투엔드 추적과 모니터링이 가능하기 때문입니다.

MLOps를 한마디로 설명하면 **“지속적 통합/지속적 배포(CI/CD)를 머신러닝에 적용”**입니다. 즉, 데이터 변경이나 코드 수정이 발생하면 파이프라인이 자동으로 돌면서 새로운 모델을 만들고, 검증 통과 시 배포까지 이어지도록 하는 것입니다. Azure DevOps나 GitHub Actions 같은 도구와 Azure ML을 연계하면 이러한 CI/CD 파이프라인 구축이 가능합니다.

시험에서는 MLOps를 깊이 묻진 않겠지만, Azure ML 문맥에서 *“DevOps 방식으로 모델 개발을 관리하는 것”*이 있다는 정도를 언급할 수 있습니다. 만약 MLOps 관련 언급이 나온다면, “재현 가능하고 일관된 ML 모델 업데이트를 위한 프로세스”, “Azure ML 파이프라인과 DevOps로 구현 가능” 정도로 이해하면 충분합니다.

출제 포인트: 간혹 AI-900에서 *“MLOps의 이점”*이나 *“Azure ML이 제공하는 MLOps 기능”*을 물을 수도 있습니다. 이때는 모델 개발부터 배포까지 자동화하고, 신뢰성을 높이는 것이라고 기억해 두세요. 예를 들어 “MLOps를 도입하면 얻을 수 있는 효과는?” – 일관된 모델 재훈련/배포, 실험 추적, 품질 향상 등이 될 것입니다.

시험에 자주 등장하는 포인트

• Azure ML vs Cognitive Services 구분: Azure AI 서비스 중 Azure ML은 사용자가 직접 모델을 개발하는 플랫폼이고, Cognitive Services는 미리 만들어진 모델을 API로 사용하는 서비스입니다. 시험에서 이 둘을 혼동하는 옵션이 나오기도 합니다. 예를 들어 *“코딩 없이 바로 쓸 수 있는 미리 학습된 모델은 Azure ML의 기능이다”*는 틀린 설명입니다. Azure ML은 자체 모델 개발용, Cognitive Services (예: Vision API, Speech API)는 준비된 모델 활용용임을 구분해야 합니다.
• AutoML 키워드 체크: “Automated Machine Learning”이란 용어가 나오면 Azure ML과 연결지어 생각하세】. 이것은 Azure ML의 대표적인 기능 중 하나입니다.
• 모델 배포: Azure ML을 이용해 클라우드에 모델을 배포해 API로 제공할 수 있다는 점을 알아두세요. 시험에서는 이 부분을 “Azure ML을 활용하면 기계 학습 모델의 __을(를) 관리하고 배포할 수 있다” 식으로 빈칸 채우기로 물을 수 있습니다 (정답: lifecycle, lifecycle management, deployment 등 맥락에 맞게).
• 용어 매칭 문제: 작업 공간(Workspace), 실험(Experiment), 모델 등록(Register Model), 엔드포인트(Endpoint) 등의 용어가 주어지고 설명을 연결짓는 문제가 있을 수 있습니다. 기본 정의를 기억합시다. (예: Experiment = 다수 실행(run)을 포함하는 논리적 훈련 그룹)
• 관련 인증 연계: AI-900 합격 후 더 심화된 Azure DP-100 (Azure Data Scientist)나 AI-102 (Azure AI Engineer)로 이어질 수 있다는 언급이 있을 수 있습니다. 이는 Azure ML에서 실제 모델 개발/배포를 다루는 상위 시험들로, AI-900과 내용 연결성을 시사하지만, AI-900 자체에서는 깊게 안 다룹니다.

마무리 요약

정리하면, Azure Machine Learning 서비스는 Azure 클라우드에서 엔드투엔드 머신러닝 플랫폼을 제공하여, 데이터 준비부터 모델 개발, 배포, 관리까지 지원합니다. 핵심 단위는 **작업 공간(Workspace)**이고, 그 안에 데이터스토어, 컴퓨팅, 실험, 모델, 엔드포인트 등의 요소가 있습니다. AutoML과 시각적 디자이너로 코딩을 최소화할 수 있고, 모델 레지스트리와 파이프라인으로 MLOps 실현도 가능합니다. AI-900 시험에서는 Azure ML을 통해 **“ML 실험과 모델 배포를 관리할 수 있다”**는 점과, AutoML, 모델 등록/배포 등의 개념을 이해하고 있는지를 확인합니다. 한마디로, Azure ML은 당신의 머신러닝 프로젝트를 처음부터 끝까지 도와주는 도구상자라고 볼 수 있습니다.

다음 9편에서는 시험 준비 마무리 단계로서, 실전 문제의 유형을 분석해보고 효과적인 학습 자료를 추천하겠습니다. 실제 시험에서 어떤 스타일의 문제가 나오는지 파악하고, 어떤 자료로 공부하면 좋은지 살펴보겠습니다.

GPT 추천 참고자료:

• Microsoft Docs: What is Azure Machine Learning? (Azure ML 서비스 개요 설명)
• Microsoft Learn: Azure Machine Learning 작업 공간 시작 (Workspace 생성 및 기본 구성 학습)
• Microsoft Learn: 자동화된 ML로 모델 만들기 (AutoML 활용법 실습 모듈】
• Microsoft Learn: Azure ML로 머신러닝 모델 배포하기 (모델 배포와 엔드포인트 관리 실습)
• Microsoft Docs: Azure Machine Learning의 MLOps (모델 관리/배포 및 MLOps 개념 설명learn.microsoft.comlearn.microsoft.com】

2025.05.05 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 1편_개요와 준비 전략

2025.05.05 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 2편_인공지능(AI), 머신러닝(ML), 딥러닝(DL) 개념 비교

2025.05.06 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 3편_머신러닝 유형(지도학습, 비지도학습, 강화학습)

2025.05.06 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 4편_자연어 처리(NLP)와 Azure Congnitive Service

2025.05.07 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 5편_컴퓨터 비전 개념과 Azure 적용

2025.05.08 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 6편_챗봇과 Azure Bot Services

2025.05.09 - [MS Azure, AI] - [AI-900] 자격증 완벽정리 7편_책임 있는 AI(Responsible AI)