프로그래머스 인공지능 데브코스 3기 수업내용 정리 #16(AWS를 활용한 인공지능 모델 배포)

오늘 배울 내용 요약
1.클라우드 기초
2.실습 : AWS & 실습환경 세팅
3.API to serve ML model
4.실습 : Serialization & De-serialization
5.실습 : Inference를 위한 model handler 개발
6.Flask 기반 감성분석 API 개발

클라우드 기초

Before Cloud Computing
Backgrounds of Cloud computing
Cloud Computing
Features of Cloud Computing
클라우드 컴퓨팅 운용 모델
클라우드 서비스 제공 모델
AWS Cloud Computing

클라우드

4차 산업 혁명과 함께 각광을 받아 다양한 산업영역에서 법과 제도적인 규제의 완화와 함께 사용이 되어지고 있음
머신러닝에서 사용이 딘다.

Before Cloud Computing

과거에는 인터넷 환경에서 서비를 제공하기 위해 서비스 제공자는 서비스 호스팅에 필요한 모든 것을 직접 구축
서비스 아키텍처나 자원 예상 사용량 등을 고려해 구축했다.

데이터 센터(물리적 공간) + 서버, 저장소 + 네트워크 방화벽, 보안 + 운영체제, 기타 개발도구 + 전기, 온도, 습도 관리 + 운영/관리 인력

하지만 서버를 직접 구축하고 운영하는 자원과 인력 비용이 크고 운영 상황의 변화에 능동적으로 대응하기가 어려움

회사나 조직이 모든 것을 구축하고 운영하지 않도록 도와주는 IDC등장

IDC Internet Data Center의 줄임말로 서버 운영에 필요한 공간, 네트워크, 유지 보수 등의 서비스를 제공함 IDC 입주자가 직접 서버를 구입해 들어오기도 하지만 불필요한 또는 유휴 자원이 발생하기 때문에 IDC에서 직접 서버를 임대해 주기도 함

서버 임대를 통해 자원을 효율적으로 이용하고 비용을 줄일 수 있었지만 대부분의 IDC의 서버 임대는 계약을 통해 일정 기간 임대를 하는 유연성이 떨어지는 구조

Backgrounds of Cloud computing

인터넷 사용자가 크게 증가하고 다양한 서비스를 제공하게 되면서 필요한 때에 필요한 만큼 서버를 증성하기 원하는 온디맨드 수요 증가
제 4차 산업혁명 시대에서 IT기술과 인프로난 빠르게 발전하면서 기존의 서버 구축이나 운영 방식으로는 적절한 시간에 필요한 서비스를 사용자에게 제공하기 어려움, 개별 서버 자원 사용률은 평균 10~15%였으며 다른 여러 사용자와 공유함으로 사용률을 향상시켜 자원의 효율적인 활용과 이를 통한 비용 절감을 추구하고자 하였음

사용자 접속량이 늘어나 컴퓨팅 수요가 증가할 때는 오토 스케일링이 필요해요
평상시에 사용하지 않는 유휴 자원은 비용에서 빼주세요
필요한 시점에 바로 사용할 수 있게 운영체제나 필요한 소프트웨어는 미리 설치해주세요

Cloud Computing

클라우드라고 부르기도 하며 '인터넷 기반 컴퓨팅의 일종'
언제 어디서나 필요한 만큼의 컴퓨팅 자원을 필요한 시간만큼 인터넷을 통하여 활용할 수 있는 컴퓨팅 방식
2006년 아마존이 클라우드를 통한 저장공간 및 연산 자원 제공 서비스인 S3와 EC2를 개시하면서 본격적인 클라우드 컴퓨팅 시대가 시작

AWS는 클라우드 컴퓨팅을 클라우드 서비스 플랫폼에서 컴퓨팅 파워, DB 저장공간, 애플리케이션 및 기타 IT자원을 필요에 따라 인터넷을 통해 제공하고 사용한 만큼만 비용을 지불하는 것으로 정의

4차 산업혁명 시대에서 빅데이터의 수집, 저장, 분석을 위한 방대한 컴퓨팅 자원과 인공지능 개발을 위한 고성능 컴퓨터를 스타트업이나 중소기업이 처음부터 모든 것을 별도로 구입하지 않고도 적은 비용으로 빠르게 필요한 IT환경 마련 가능

Features of Cloud Computing

클라우드 컴퓨팅은 속도, 접근성, 확장성, 생산성, 보안 및 안정성, 측정 가능성 등의 장점을 가짐
특히 인공지능 서비스 제공 시에 도커와 같은 가상화 기술을 통해 GPU 활용과 소프트웨어 설치 및 배포 등의 작업에 비용과 시간을 절감
1. 속도 - 주문형 셀프 서비스 : 클라우드 제공자와 별도의 커뮤니케이션 없이 원하는 클라우드 서비스를 바로 이용 가능
2. 접근성 : 인터넷을 통해 사용자의 위치, 시간과 관계없이 어떤 디바이스로도 접근 가능
3. 확장성 : 갑작스러운 이용량 증가나 변하에 신속하고 유연하게 추가 확장이 가능
4. 생산성 : 하드웨어, 소프트웨어 설치에 들어가는 시간과 비용절감으로 핵심업무에 집중
5. 보안, 안정성 : 클라우드 공급자가 전체적으로 보안이나 안정성에 대해 준비
6. 측정가능성 : 분초 단위로 사용자가 클라우드 서비스를 사용한 만큼만 계량 지급

클라우드 컴퓨팅 운용 모델

클라우드 컴퓨팅은 구축 및 배포 유형에 따라 퍼블릭Public, 프라이빗Private, 하이브리드Hybrid의 세가지 형태로 구분
1. 퍼블릭Public
서비스 유지를 위한 모든 인프라와 IT기술을 클라우드에서 사용
AWS, GCP, Azure와 같은 외부 클라우드 컴퓨팅 사업자가 IT자원을 소유하고 인터넷을 통해 제공
IT관리 인력이나 인프라 구축 비용이 없는 경우에 유용

2. 프라이빗Private
   고객이 자체 데이터센터에서 직접 클라우드 서비스를 구축하는 형태
   내부 계열사나 고객에게만 제공하여 인프라 확충은 쉬우나 IT기술 확보가 어려운 단점이 있음
   보안이 좋고 커스터마이제이션이 가능하며 글로벌 클라우드 사업자가 It기술만 패키지 형태로 판매하기도 함

3. 하이브리드Hybrid
   고객의 핵심 시스템은 내부에 두면서도 외부의 클라우드를 활용하는 형태
   IT기술은 클라우드에서 받고 서비스 유지를 위한 인프라는 고객의 것을 혼용
   퍼블릭의 경제성과 프라이빗의 보안성을 모두 고려

클라우드 서비스제공 모델

클라우드 서비스 제공 방식에 따라 IaaS, Paas, SaaS의 세가지 형태로 구분
On-Premises(Made at Home, Owning a car)
IaaS(Take & Bake, Leasing a car) : 인프라적인 측면만 클라우드를 사용
PaaS(Pizza Delivery, Taking a taxi(목적지는 선택)) : 거기에 플랫폼적인 것도 클라우드를 통해 제공 받음
SaaS(Dined Out, Going by bus(목적지조차도 정해짐)) : 소프트웨어까지도 클라우드에서 제공 받음(Microsoft Office 365)

AWS Cloud Computing

AWS는 인프라와 기초 서비스 뿐만 아니라 사용자 니즈에 맞는 다양한 애플리케이션 서비스를 제공

실습 : AWS & 실습 환경 세팅

AWS계정을 만들어주고 새로운 인스턴스를 만들어 준뒤 kdt.pem 파일을 다운 받는다.

VS Code로 환경테스트 - 인스턴스 연결 초기화initialization

#윈도우의 경우는 chmod가 아니고 아래의 코드다.
icacls.exe myec2.pem /reset
icacls.exe myec2.pem /grant:r %username%:(R)
icacls.exe myec2.pem /inheritance:r

#cmd환경에서 순서대로 입력하면 설치된 환경을 살펴볼 수 있다.
conda env list
conda activate pytorch_p37

visual studio code 설치 및 인스턴스에 접속

visual studio code를 설치하고
아래의 익스펜션 팩을 설치해주고
Remote - SSH
Remote Development

를 입력 해주면 된다.

#나의 경우 아래와 같았다.
ssh -i "C:/Users/PC/programmers/kdt/kdt.pem" ubuntu@15.164.98.35

터미널을 열고 환경을 확인

conda env list

API to serve ML model

Architecture of API to serve ML model

AWS EC와 Python Flask 기반 모델 학습 및 추론을 요청/응답하는 API 서버 개발

모델 학습 또는 학습된 모델로부터 예측을 하는 API를 만드는 것이 목표이다.

Interface

사용자는 기계와 소프트웨어를 제어하기 위해 인터페이스를 정해진 메뉴얼에 따라 활용하며 원하는 경험을 획득
컴퓨터의 마우스, 키보드와 같이 입력을 위한 인터페이스와 모니터나 프린터와 같이 정보를 받는 출력을 위한 인터페이스가 있음, 인터페이스는 상호 합의된 매뉴얼에 따라 적절한 입력을 받아 기대되는 출력을 제공할 수 있어야 함

API란?

Application Programming Interface의 약자로 기계와 기계, 소프트웨어와 소프트웨어 간의 커뮤니케이션을 위한 인터페이스를 의미
노드와 노드 간 데이터를 주고 받기 위한 인터페이스로, 사전에 정해진 정의에 따라 입력이 들어왔을때 적절한 출력을 전달해야함

갤럭시워치와 폰의 관계는 적절한 인터페이스가 요구된다.

Restful API for ML/DL model inference

REST 아키텍처를 따르는 API로 HTTP URI를 통해 자원을 명시하고 HTTP Method를 통해 필요한 연산을 요청하고 반환하는 API를 지칭
RESTful API는 데이터나 정보의 교환/요청 등을 위한 인터페이스를 REST 아키텍처를 따라 구현한 API이다. 일반적으로 데이터 값을 담아 요청하고 모델이 추론한 결과에 대한 return을 json 형태로 보통 반환하도록 설계한다. RESTful API는 요청 메시지만 봐도 어떤
내용으로 되어있는지 알 수 있도록 표현된다.
ML을 썼을 때 오브젝트만 봤을때 어느정도 추론을 할 수 있게 된다.

사기꾼이 부정적인 방법으로 인출을 시도할때 인출을 위한 거래정보가 server로 넘어간다. 그리고 sever는 모델이 필요로 하는 정보로 가공해서 인공지능에 넘겨주게 된다. 인공지능은 이를 분석해서 server에 결과를 제공한다. 그리고 server는 이를 바탕으로 인출을 거부하게 된다.

Practical process of machine learning

문제정의, 데이터준비, 모델 학습 및 검증, 모델 배포, 검증, 모니터링 등의 과정을 통해 실제 서비스에 기계학습 모델을 적용

오늘 우리가 할 과정은 만들어진 모델을 가져와서 predict를 해주는 API 서버를 만드는 것이다.

Model Serving

학습된 모델을 REST API 방식으로 배포하기 위해서 학습된 모델의 Serialization과 웹 프레임워크를 통해 배포 준비 필요
모델을 서빙할 때는 학습 시의 데이터 분포나 처리 방법과의 연속성 유지 필요
모델을 배포하는 환경에 따라 다양한 Serving Framework를 고려하여 활용
1.모델학습 : 데이터 전처리, 평가
2.모델 저장
3.추론을 하기위한 코드를 작성
모든 과정은 연속성이 유지가 돼야 한다.
앞에서 모델을 어떻게 만들었는지를 알아야한다.

Serialization & De-serialization

학습한 모델의 재사용 및 배포를 위해서 저장하고 불러오는 것
Serialization을 통해 ML/DL model object를 disk에 기록하여 어디든 전송하고 불러올 수 있는 형태로 변환
De-serialization을 통해 Python 혹은 다른 환경에서 model을 불러와 추론/학습에 사용
모델을 배포하는 환경을 고려해 환경에 맞는 올바른 방법으로 Serialization을 해야 De-serialization이 가능

Skeleton of handler to serve model

결과값은 통계나 확렬과 관련해서 나오기 때문에결과값에 대한 후처리 작업을 해주어야 한다.

Model serving을 위한 다양한 Frameworks

딥러닝 모델의 안정적인 serving을 위해 TensorFlow serving이나 TorchServe, TensorRT 같은 프레임워크를 사용하는 것이 일반적
핸들러를 개발한다하더라도 결국엔 어떤 framwork에서 serving하느냐가 중요하다.
Flask와 같은 웹프레임워크는 클라이언트로부터의 요청을 처리하기 위해 주로 사용된다.
별도의 모델 추론을 위한 AP 서버를 운용하여 내부 혹은 외부 통신을 통해 예측/추론값을 반환한다.
대용량 데이터 배치처리와 딥러닝 모델의 활용이 늘면서 multi node, mulit GPU 환경에서의 안정적인 model serving을 위해서이다.

실습 : Serialization & De-serialization

아나콘다 가상환경 실행

conda activate pytorch_p37

소스코드 다운로드

git clone https://github.com/sackoh/kdt-ai-aws

추가 패키지 설치

pip install -r requirements.txt

머신러닝 모델 학습

실습 진행을 위해 사전 준비한 코드를 실행하여 모델 학습 및 저장
Visual Studio에서 좌측상단의 Explorer를 실행 한뒤 Open Folder로 kdt-ai-aws를 열어준다. 새로운 터미널을 실행해주고

#아나콘다 환경으로 가서
conda activate pytorch_p37
#학습을 실행한다.
python train_mal.py

#log를 분석해보면
(pytorch_p37) ubuntu@ip-172-31-46-253:~/kdt-ai-aws$ python train_ml.py
#원격 github로부터 데이터를 받고
28-Dec-21 07:07:54 - Downloaded from https://raw.githubusercontent.com/e9t/nsmc/master/ratings_train.txt
28-Dec-21 07:07:55 - Downloaded from https://raw.githubusercontent.com/e9t/nsmc/master/ratings_test.txt

28-Dec-21 07:08:06 - fitting Counter vectorizer
28-Dec-21 07:08:08 - Transform raw text into vector
#Naive Bayes모델 학습
28-Dec-21 07:08:08 - Trained Naive Bayes model.
#정확도
28-Dec-21 07:08:09 - ML model accuracy score: 82.17%
#전처리와 저장을 확인
28-Dec-21 07:08:13 - Saved vectorizer to `model/ml_vectorizer.pkl`
28-Dec-21 07:08:13 - Saved model to `model/ml_model.pkl`
28-Dec-21 07:08:13 - Elapsed time : 0:00:22.231464

결과로 model에 폴더에 새로운 파일이 생겼다.

#serialization과 de-serialization이 같아야 확인을 할수 있다.
def serialization(model, vectorizer):
    import joblib
    os.makedirs('model', exist_ok=True)
    joblib.dump(vectorizer, 'model/ml_vectorizer.pkl')
    logger.info(f'Saved vectorizer to `model/ml_vectorizer.pkl`')
    joblib.dump(model, 'model/ml_model.pkl')
    logger.info(f'Saved model to `model/ml_model.pkl`')

De-serialization

저장된 모델을 불러와 특정 입력 값에 대한 예측 수행
1.터미널 환경에서 python jupyter notebook을 실행
2.아래 예제 코드 테스트하여 de-serialization 확인해보자.

#우선 파이썬을 켜서 joblib과 vectorizer를 확인한다.
(pytorch_p37) ubuntu@ip-172-31-46-253:~/kdt-ai-aws$ python
Python 3.7.10 | packaged by conda-forge | (default, Feb 19 2021, 16:07:37) 
[GCC 9.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import joblib
>>> model = joblib.load('model/ml_model.pkl')
>>> model
MultinomialNB()
>>> vectorizer = joblib.load('model/ml_vectorizer.pkl')
>>> vectorizer
CountVectorizer(max_features=100000)

우선 vectorizer는 기계가 이해하기 쉽게 문장을 잘라주는(?) 기능을 한다.

text = '재미있는 영화입니다.'
>>> model_input = vectorizer.transform([text])
>>> model_input
<1x100000 sparse matrix of type '<class 'numpy.int64'>'
        with 2 stored elements in Compressed Sparse Row format>
>>> print(model_input.asformat('array'))
[[0 0 0 ... 0 0 0]]
#이 인풋을 모델에게 넣어주면 예측을 수행할 수 있다.
>>> model_output = model.predict_proba(model_input)
#모델 안에는 다양한 메소드들을 볼 수있는데 그중에서 예측을 콜했다. 
#모델은 아래와 같이 확률분포의 형태로 나타난다.
>>> model_output
array([[0.02618814, 0.97381186]])
#text문장이이 얼마나 긍정적인지를 분석한 결과를 사람이 이해할 수 있는 형태로 후처리 작업을 해준다.
>>> model_output = model_output.argmax(axis=1)
>>> model_output
array([1])
#아직 array1은 부족하기 때문에 추가 작업을 해주어야 한다.
>>> id2label[model_output[0]]
'positive'

모델을 학습하고 저장한 방식 그대로 모델을 불러와야 하고 모델을 전처리한 방식 그대로 전처리와 후처리를 해주어야한다.

serialization과 De-serialization 방법은 동일해야 한다

joblib으로 serialization을 하고 pickle로 불러올 수는 없다.

실습 : inference를 위한 model handler 개발

skeleton of model handler to serve model

handle()

요청 정보를 받아 적절한 응답을 반환
1. 정의된 양식으로 데이터가 입력됐는지 확인
2. 입력 값에 대한 전처리 및 모델에 입력하기 위한 형태로 변환
3. 모델 추론
4. 모델 반환값의 후처리 작업
5.결과 반환

#감성을 표현하는 API를 만든다.
class ModelHandler:
    def __init__(self):
        self.id2label = {0: 'negative', 1: 'positive'}

    def _clean_text(self, text):
        model_input = []
        if isinstance(text, str):
            cleaned_text = clean_text(text)
            model_input.append(cleaned_text)
        elif isinstance(text, (list, tuple)) and len(text) > 0 and (all(isinstance(t, str) for t in text)):
            cleaned_text = itertools.chain((clean_text(t) for t in text))
            model_input.extend(cleaned_text)
        else:
            model_input.append('')
        return model_input

def handle(self, data):
        model_input = self.preprocess(data)
        model_output = self.inference(model_input)
        return slef.postprocess(model_output)

initialize()

데이터 처리나 모델, configuration 등 초기화
1. Configuation 등 초기화
2. (optional) 신경망을 구성하고 초기화
3. 사전 학습한 모델이나 전처리기 불러오기(de-derialization)

• 모델은 전역변수로 불러와야한다. 만약 inference를 할 때마다 모델을 불러오도록 한다면 그로 인해 발생하는 시간이나 자원 등의 낭비가 발생한다. 일반적으로 요청을 처리하기 전에 모델을 불러 둔다.

def initialize(self, ):
        # De-serializing model and loading vectorizer
        import joblib
        self.model = joblib.load('model/ml_model.pkl')
        self.vectorizer = joblib.load('model/ml_vectorizer.pkl')

preprocess()

Raw input을 전처리 및 모델 입력 가능형태로 변환
1. Raw input 전처리
데이터 클린징의 목적과 학습된 모델의 학습 당시 scaling이나 처리 방식과 맞춰주는 것이 필요
2. 모델에 입력 가능한 형태로 변환
vectorization, converting to id등의 작업

def preprocess(self, text):
        # cleansing raw text
        model_input = self._clean_text(text)
        # vectorizing cleaned text
        model_input = self.vectorizer.transfor(model_input)
        return model_input

inference()

입력된 값에 대한 예측/추론
1. 각 모델의 predic 방식으로 예측 확률분포 값 반환

def inference(self, model_input):
        # get predictions from model as probabilities
        model_output = self.model.predict_proba(model_input)
        return model_output

postprocess()

모델의 예측값을 response에 맞게 후처리 작업
1. 예측된 결과에 대한 후처리 작업
2. 보통 모델이 반환하는 건 확률분포와 같은 값이기 때문에, response에서 받아야 하는 정보로 처리하는 역할을 한다.

def postprocess(self, model_output):
        # process predictions to predicted label and output format
        predicted_probabilities = model_output.max(axis=1)
        predicted_ids = model_output.argmax(axis=1)
        predicted_labels = [self.id2label[id_] for id_ in predicted_ids]
        return predicted_labels, predicted_probabilities

Testing ML model handler

>>> from model import MLModelHandler
>>> ml_handler = MLModelHandler()
>>> ml_handler
>>> text = ['정말 재미있는 영화입니다.','정말 재미가 없습니다.']
>>> result = ml_handler.handle(text)
(['positive', 'negative'], array([0.98683823, 0.79660478]))

Flask 기반 감성분석 API 개발

네이버 영화리뷰 감성분석 개요

네이버 영화리뷰 데이터로 학습한 ML/DL 모델을 활용해 감성분석 API 개발
naive beys모델과 딥러닝 모델로 학습한 두 개의 모델을 서빙하여 0은 부정 1은 긍정을 의미 학습에 사용한 데이터는 박은정님이 공개한 NSMC데이터를 사용

감성분석 API 개발 방향

AWS EC2와 Python Flask 기반 모델 학습 및 추론을 요청/응답하는 API 서버 개발

API 정의

key : value 형태의 json포맷으로 요청을 받아 text index별로 key : value로 결과를 저장한 json포맷으로 결과 반환

POST방식으로 predict요청
do_fast를 true로 할 경우, 빠른 추론 속도가 가능한 머신러닝 모델로 추론하도록 함
false의 경우, 추론 속도는 비교적 느리지만 정확도가 높은 딥러닝 모델로 추론하도록 함

Add Deep Learning model handler

사전 학습한 딥러닝 모델을 활용하여 머신러닝 모델 handler와 동일한 입력에 대해 동일한 결과를 반환하는 handler개발
사전 학습한 모델은 Hugging Face에서 제공하는 외부저장소에서 다운로드 받아 불러옴

def initialize(self, ):
        from transformers import AutoTokenizer, AutoModelForSequenceClassification
        self.model_name_or_path = 'sackoh/bert-base-multilingual-cased-nsmc'
        self.tokenizer = AutoTokenizer.from_pretrained(self.model_name_or_path)
        self.model = AutoModelForSequenceClassification.from_pretrained(self.model_name_or_path)
        self.model.to('cpu')

def preprocess(self, text):
        model_input = self._clean_text(text)
        model_input = self.tokenizer(text, return_tensors='pt', padding=True)
        return model_input

def inference(self, model_input):
        with torch.no_grad():
            model_output = self.model(**model_input)[0].cpu()
            model_output = 1.0 / (1.0 + torch.exp(-model_output))
            model_output = model_output.numpy().astype('float')
        return model_output

#ML과 동일
def postprocess(self, model_output):
        # process predictions to predicted label and output format
        predicted_probabilities = model_output.max(axis=1)
        predicted_ids = model_output.argmax(axis=1)
        predicted_labels = [self.id2label[id_] for id_ in predicted_ids]
        return predicted_labels, predicted_probabilities

    def handle(self, data):
        # do above processes
        model_input = self.preprocess(data)
        model_output = self.inference(model_input)
        return self.postprocess(model_output)

Unittest model handlers

개발한 model handler가 원했던 대로 동작하는지 unittest

conda activate pytorch_p37
python -m unittest -v test_model_handler.py

Flask API 개발 & 배포

model을 전역변수로 불러오고 요청된 텍스트에 대해 예측 결과를 반환하는 코드 입력

배포를 위해서

#결과로 Your service running on port 5000이라는 메시지를 받게 된다.
python app.py

Test API on remote

원격에서 서버로 API에 요청하여 테스트 수행
host : EC2 인스턴스 생성 시에 받은 퍼블릭 IP 주소
port : EC2 인스턴스 생성 시에 설정했던 port 번호(5000)

1.curl을 이용한 테스트