Snowpark ML Ops: Model Registry Preview API에서 마이그레이션하기¶

레지스트리 API 가져오기 및 액세스하기¶

두 레지스트리 API가 모두 주 Snowpark ML 패키지 snowflake.ml 에 있습니다.

from snowflake.ml.registry import model_registry

from snowflake.ml.registry import Registry

레지스트리 만들기¶

Preview API에서는 Python 라이브러리로 레지스트리를 생성해야 합니다.

model_registry.create_model_registry(...)

레지스트리 열기¶

레지스트리를 열어 새 모델을 레지스트리에 추가하고 그 안에 이미 포함된 모델로 작업합니다.

reg = model_registry.ModelRegistry(
          session=session,
          database_name="MODEL_REGISTRY")

reg = Registry(
          session=session,
          database_name="ML",
          schema_name="REGISTRY")

모델 로깅하기¶

레지스트리에 모델을 추가하는 것을 로깅 이라고 합니다. 두 API 모두 이 목적으로 log_model 이라는 레지스트리 메서드를 사용합니다. 이 메서드는 Public API에서 두 가지 사소한 차이점이 있습니다.

• 이전에 model_version 이라는 모델 버전을 지정하는 매개 변수는 이제 그 의미 체계를 더 잘 반영하기 위해 version_name 이라고 합니다.

• 모델을 로깅할 때는 태그를 설정할 수 없습니다. 대신 모델의 set_tag 메서드를 사용하여 로깅한 후 태그를 추가하십시오.

모델에 대한 참조 가져오기¶

모델에 대한 참조를 가져오면 해당 메타데이터를 업데이트하고 그에 대해 다른 작업도 수행할 수 있습니다.

model = model_registry.ModelReference(
            registry=registry,
            model_name="my_model",
            model_version="101")

m = reg.get_model("my_model")

mv = m.version('v1')
mv = m.default

모델 배포하기¶

model.deploy(
    deployment_name="my_warehouse_predict",
    target_method="predict",
    permanent=True)

모델을 사용하여 추론하기¶

추론 은 모델을 사용하여 테스트 데이터를 기반으로 예측하는 것을 가리킵니다.

result_dataframe = model.predict(
    "my_warehouse_predict", test_dataframe)

remote_prediction = mv.run(
    test_features, function_name="predict")

-- Use default version
SELECT my_model!predict() FROM test_table;

-- Use a specific version
WITH my_model_v1 AS MODEL my_model VERSION "1"
     SELECT my_model_v1!predict() FROM test_table;

설명 액세스 및 업데이트하기¶

print(model.get_model_description())

model.set_model_description("A better description")

print(m.comment)
m.comment = "A better description"

print(m.description)
m.description = "A better description"

print(mv.comment)
mv.comment = "A better description"

print(mv.description)
mv.description = "A better description"

태그 액세스 및 업데이트하기¶

print(model.get_tags())

model.set_tag("minor_rev", "1")

model.remove_tag("minor_rev")

print(m.show_tags())

m.set_tag("minor_rev", "1")

m.unset_tag("minor_rev")

메트릭 액세스 및 업데이트하기¶

두 API에서 모두 메트릭이 모델 버전 수준에서 설정됩니다.

model.set_metric("test_accuracy", test_accuracy)

model.set_metric("dataset_test", {"accuracy": test_accuracy})

model.set_metric("confusion_matrix", test_confusion_matrix)

print(model.get_metrics())

model.remove_metric("test_accuracy")

m.set_metric("test_accuracy", test_accuracy)

mo.set_metric("dataset_test", {"accuracy": test_accuracy})

m.set_metric("confusion_matrix", test_confusion_matrix)

print(m.get_metrics())

m.remove_metric("test_accuracy")

모델 삭제하기¶

registry.delete_model(
    model_name="my_model",
    model_version="100")

reg.delete_model("mymodel")

모델 버전 나열하기¶

model_list = registry.list_models()
model_list.filter(model_list["NAME"] == "mymodel").show()

version_list = m.versions()

version_df = m.show_versions()

모델 수명 주기 관리하기¶

태그를 사용하여 모델의 수명 주기를 관리하려고 합니다. 예를 들어, “experimental”, “alpha”, “beta”, “production”, “deprecated”, “obsolete” 등의 값을 사용하여 모델의 현재 상태를 기록하기 위해 stage 라는 태그를 생성할 수 있습니다.

Public API에서 태그는 SQL 태그 오브젝트를 사용하여 구현됩니다. 태그를 생성하고 허용 가능한 값을 정의하는 방법을 알아보려면 오브젝트 태그 지정 섹션을 참조하십시오.

Public API에도 모델의 기본 버전 이라는 개념이 있는데, 이는 특히 SQL에서 버전이 지정되지 않은 경우 사용되는 모델입니다. 새 버전의 모델을 학습하고 새 모델을 널리 사용할 준비가 되면 기본 버전을 업데이트할 수 있습니다. 모델의 default 속성을 사용하여 기본 버전을 설정할 수 있습니다.

m.default = "2"

그러면 다음과 같이 모델의 기본 버전을 ModelVersion 오브젝트로 가져올 수 있습니다.

mv = m.default

또는 즉시 predict 메서드를 호출할 수 있습니다.

m.default.run(test_features, function_name="predict"))