Quick Start Guide

Search…
Quick Start Guide
안녕하세요 👋 DS2.ai 는 인공지능 모델 개발과 운영을 한 곳에서 할 수 있는 MLOps 기반 No-code AI 개발 솔루션입니다. 데이터 준비에서 레이블 지정, 인공 지능 개발, 배포, 유지 관리 및 유지 관리에 이르기까지 모든 것을 자동화하는 플랫폼인 DS2.ai 에서 AI 도입부터 배포까지 간단한 클릭으로 인공지능을 개발할 수 있는 환경을 제공하고, 개발자와 데이터 과학자에게는 안정적인 서버 관리를 통해 개발과 AI 시스템 구축에 집중할 수 있게 도와드립니다. 
메뉴얼 & 오토 라벨링 툴 (정형화, 텍스트, 이미지, 추천시스템) 
머신러닝 & 딥러닝 학습 (Pytorch, Tensorflow, XGboost, etc) 
AI 분석 (처방적 분석과 데이터 분석 지원) 
AI 모델 배포와 모니터링 
API & Python SDK 지원
​
Step 1 : 설치 스크립트 실행하기
​
다음과 같이 설치를 진행합니다.

1. DS2.ai 를 설치하기 위해서는 nvidia-docker2 와 docker-compose 설치가 필수적으로 필요합니다. 링크를 눌러 설치를 먼저 완료해주세요.

2.  nvidia-docker2  docker-compose 설치가 완료되었다면, 터미널을 실행한 후, 아래 명령어를 실행합니다.
GPU version (nvidia-docker2 설치 필요)
CPU version 
​
mkdir ds2ai
​
cd ds2ai
​
wget https://assetdslab.s3.ap-southeast-1.amazonaws.com/gpu/docker-compose.yml
​
sudo docker-compose up -d
​
mkdir ds2ai
​
cd ds2ai
​
wget https://assetdslab.s3.ap-southeast-1.amazonaws.com/cpu/docker-compose.yml
​
sudo docker-compose up -d
3. 설치가 성공적으로 완료 되면 http://localhost:13000 으로 접속하여 ds2.ai 실행이 가능합니다.
최초 설치가 완료된 후 약 3~5분 정도의 업데이트가 진행된 후 접속이 가능합니다.
* 삭제를 원하시는 경우 아래 명령어를 실행하시면 삭제가 완료됩니다.
sudo docker stop ds2ai-container
sudo docker rm ds2ai-container
sudo docker rmi dslabglobal/ds2ai:stable
​
Step 2: 관리자 계정 등록하기
설치가 끝난 후 http://localhost:13000 로 접속하면, 관리자를 등록할 수 있는 페이지가 나오게 됩니다.
가입이 끝나면 ds2.ai 의 최초 관리자 계정이 설정됩니다. 가입이 되고 나면 최초 페이지가 보여지게 됩니다.
​
Step 3: 라벨링 시작하기
인공지능 모델을 만들기 위해 필요한 학습데이터 라벨링 도구를 지원합니다. 상단 메뉴에서 라벨링을 클릭 한 후 데이터셋을 업로드하면 수동 라벨링과 오토라벨링 툴 중 원하는 기능을 선택하여 라벨링을 시작할 수 있습니다.
Step 4: 학습 시작하기
라벨링이 완료되면 학습데이터를 이용하여 인공지능을 개발할 수 있습니다. 데이터셋이나 라벨링 프로젝트 화면에서 "인공지능 개발 시작하기" 버튼을 클릭하면 인공지능 개발을 위한 설정화면에 들어갈 수 있습니다.
설정 화면에서는 크게 3가지 종류의 개발 환경을 지원하고 있습니다.
수동 설정 : 딥러닝 & 머신러닝 라이브러리 (Pytorch, Tensorflow, XGboost 등) 설정 지원 기능
코드 생성 : 주피터 환경에서 바로 실행이 가능한 인공지능 개발 코드를 자동으로 생성해주는 기능
학습 속도 빠르게 (AutoML) : AutoML 학습 기법 중 학습 속도를 빠르게 하여 모델을 만들어 주는 기능
정확도 높게 (AutoML) : AutoML 학습 기법 중 정확도가 높게끔 모델을 만들어주는 기능
원하는 학습 방법을 선택한 후 오른쪽에 있는 Start 버튼을 누르면 학습이 시작됩니다. 시작 후 하단에 "모델" 탭을 클릭하면 개발되는 모델의 진행상태를 확인할 수 있으며, 학습이 끝나고 나면 각 모델의 정확도등 정보 확인과 모델을 이용한 "예측하기" 기능, 모델을 배포할 수 있는 "배포하기" 기능, 모델을 통해 만들어진 예측 결과 데이터셋을 통한 "분석하기" 기능을 제공합니다.
Step 5 : 모델 배포하기
DS2.ai 를 통해 학습을 완료하거나 이미 만들어놓은 모델을 DS2.ai 에 업로드하여 모델 배포하기 기능을 사용할 수 있습니다. (모델을 직접 업로드 하는 기능은 Pytorch 와 Tensorflow2 모델을 지원하고 있습니다.)
상단에 있는 "배포" 메뉴 버튼을 클릭하여 업로드를 하거나 "학습" 메뉴에서 개발이 완료된 모델을 "배포하기" 기능을 통해 배포를 할 수 있습니다.
배포가 된 모델은 별도의 엔드포인트를 통해 관리될 수 있으며, API 호출횟수등을 모니터링 할 수 있습니다.
모델이 배포된 후, 예측에 사용된 입력값과 출력값은 자동으로 데이터셋에 저장되어 액티브 러닝을 통해 정확도가 더 높은 인공지능을 쉽고 빠르게 만들 수 있도록 도와줍니다.
Step 6 : Python SDK 이용하기
DS2.ai 의 강력한 기능 중 하나는 다양한 조건의 학습 설정을 쉽게 하여 최적의 인공지능 모델을 도출 할 수 있는 수동 설정 기능입니다.
pip install ds2ai
ds2ai 파이썬 라이브러리 설치를 완료하면 아래와 같은 예제를 이용해서 학습 실행이 가능합니다.
import ds2ai
ds2 = ds2ai.DS2("your-app-code")
​
project = ds2.train(
    "BankMarketing.csv",
    option="custom",
    training_method="normal",
    value_for_predict="과금 여부",
    algorithm="keras_ann",
    hyper_params={
      "layer_width": [20,3,5],
      "layer_deep": [3],
      "epochs": [10],
      "loss_function": ["mean_squared_error"],
      "optimizer": [
        {
          "clipvalue": 0.5,
          "learning_rate": 0.001,
          "beta_1": 0.9,
          "beta_2": 0.9999,
          "epsilon": None,
          "decay": 0,
          "amsgrad": False,
          "function_name": "Adam"
        }
      ],
      "activation": ["relu"],
      "batch_size": [32],
      "output_activation": ["relu"]
    }
)
오른쪽 상단의 유저 이름을 클릭하면 앱코드를 확인할 수 있는데 이 앱코드를  아래와 같이 넣어준 후 위 코드로 학습 시작을 할 수 있습니다.
ds2 = ds2ai.DS2("Your App code")
코드가 실행되고 나면 ds2.ai 에서 작업 상황 및 학습이 완료된 모델을 예측하거나 배포할 수 있는 기능을 그대로 사용할 수 있습니다. 더 많은 사용 방법은 왼쪽 메뉴 중 "SDK | PYTHON" 을 참고해주세요.
다음 단계
앞선 기능들은 UI 에서 뿐만 아니라 API 나 Python SDK 를 통해 기존에 작업던 코드와 연동하여 시너지를 발휘할 수 있습니다. 가이드 왼쪽 메뉴 중 Recipe 를 통해 다양한 예제를 실습해볼 수 있고, AI 모델을 검증할 수 있는 "검증" 메뉴나 주피터를 여러 포트에 분리하여 관리할 수 있는 "주피터" 메뉴 등 인공지능을 활용할 수 있는 다양한 기능들을 탑재하고 있습니다.
더 자세한 가이드는 아래 버튼을 통해 순차적으로 진행할 수 있습니다.
Next - getting started
DS2.ai 설치하기
Last modified 1d ago
Copy link
Outline
Step 1 : 설치 스크립트 실행하기
Step 6 : Python SDK 이용하기
다음 단계