본문으로 건너뛰기

첫 번째 프로젝트를 만듭니다.

프로젝트는 Jupyter Notebook의 데이터를 탐색하고 분석하는 수단입니다.

노트

각 프로젝트에는 Git 저장소가 있습니다. 이유를 알아보십시오.

첫 번째 프로젝트에서는 당사에서 제공하는 데이터를 사용하여 다음과 같은 간단한 워크플로를 완료합니다.

  • 프로젝트 생성
  • 엔진 배포
  • 데이터에 연결 및 워크로드 실행
  • 엔진 일시 중단

시작하기 전에​

  • 귀하의 AI Unlimited 관리자는 귀하의 조직에서 AI Unlimited를 설정한 사람입니다. 귀하의 관리자로부터 다음 항목을 얻으세요:

    • AI Unlimited 관리자의 IP 주소 또는 호스트 이름입니다.

    • 다음 환경 변수는 다음과 같습니다.

      AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY 및 AWS_SESSION_TOKEN

  • 사용자 프로파일에서 API 키를 받으세요.

  • 샘플 워크로드를 실행하려면 salescenter.csv 파일이 필요합니다. AI Unlimited GitHub 저장소에서 파일을 다운로드하여 Amazon S3(Simple Storage Service) 또는 Azure Blob Storage 위치에 업로드합니다. 또는 고유한 파일을 사용하는 경우 이에 따라 예제를 수정합니다.

연결하고 첫 번째 워크로드를 실행합니다.​

팁

노트북에서 사용할 수 있는 모든 매직 명령에 대한 자세한 내용을 보려면 %help를 실행합니다. 그 중 하나에 대한 자세한 내용을 보려면 %help <command>를 실행합니다.

또는 AI Unlimited와 관련된 매직 명령에 대해 알아봅니다.

  1. JupyterLab에 연결하고 노트북을 열고 AI Unlimited 커널을 선택합니다.

  2. 관리자에 연결합니다.

  3. 프로젝트를 생성합니다.

  4. 클라우드 서비스 공급자 자격 증명을 저장하기 위한 개체 저장소 인증을 만듭니다.

    ACCESS_KEY_ID, SECRET_ACCESS_KEY, REGION을 사용자 값으로 바꿉니다.

  5. 엔진을 배포합니다.

    크기는 소형, 중형, 대형 또는 특대형일 수 있습니다. 기본값은 소형입니다. AWS 또는 Azure 가격 정보를 참조하십시오.

    배포 프로세스는 몇 분이 걸립니다. 비밀번호가 생성됩니다.

  6. 프로젝트에 연결합니다.

    연결되면 생성된 비밀번호를 입력합니다.

  7. 샘플 워크로드를 실행합니다.

    노트

    선택한 데이터베이스에 SalesCenter 또는 SalesDemo라는 이름의 테이블이 없는지 확인합니다. 다음 예제의 Authorization_Name 및 salescenter.csv_file_location 값을 사용자 고유의 값으로 바꿉니다.

    a. 판매 센터 데이터를 저장할 테이블을 만듭니다.

    b. 데이터가 삽입되었는지 확인합니다.

    c. 판매 데모 데이터로 테이블을 만듭니다.

    d. 판매 데모 데이터가 성공적으로 삽입되었는지 확인합니다.

    연결에 대한 탐색기를 열고 테이블이 생성되었는지 확인합니다. 테이블에서 행 카운트를 실행하여 데이터가 로드되었는지 확인합니다.

    e. 결과를 시각화하기 위해 데이터를 차트로 표시합니다.

    차트의 X축과 Y축을 제공합니다.

    f. 테이블을 삭제합니다.

  8. Git 저장소에서 프로젝트 메타데이터와 개체 정의(스키마)를 백업합니다.

    이렇게 하면 프로젝트가 백업되지만 엔진은 일시 중단되지 않습니다.

  9. 불필요한 엔진 리소스에 대한 비용을 지불하지 않으려면 엔진을 일시 중단합니다.

    이렇게 하면 프로젝트가 백업되고 엔진이 일시 중단됩니다. 일반적으로 %project_engine_suspend 바로 다음에 %project_backup을 사용하지 않습니다.

축하합니다! 첫 번째 워크로드를 실행했습니다.

기타 관심 사항