메인 콘텐츠로 건너뛰기
W&B Launch를 사용하여 Vertex AI 학습 작업으로 실행할 작업을 제출할 수 있습니다. Vertex AI 학습 작업을 사용하면 Vertex AI 플랫폼에서 제공되는 알고리즘 또는 사용자 정의 알고리즘을 사용해 머신러닝 모델을 학습할 수 있습니다. Launch 작업이 시작되면 Vertex AI가 기본 인프라, 스케일링 및 오케스트레이션을 관리합니다. W&B Launch는 google-cloud-aiplatform SDK의 CustomJob 클래스를 통해 Vertex AI와 연동됩니다. CustomJob의 매개변수는 Launch 큐 설정으로 제어할 수 있습니다. Vertex AI는 Google Cloud 외부의 프라이빗 레지스트리에서 이미지를 가져오도록 구성할 수 없습니다. 따라서 Vertex AI를 W&B Launch와 함께 사용하려면 컨테이너 이미지를 Google Cloud 또는 퍼블릭 레지스트리에 저장해야 합니다. 컨테이너 이미지를 Vertex 작업에서 액세스할 수 있도록 만드는 방법에 대한 자세한 내용은 Vertex AI 문서를 참조하세요.

​
사전 준비 사항

  1. Vertex AI API가 활성화된 Google Cloud 프로젝트를 새로 만들거나 기존 프로젝트에 액세스합니다. API 활성화 방법은 Google Cloud API Console 문서를 참고하세요.
  2. Google Cloud Artifact Registry 리포지토리를 생성합니다. Vertex에서 실행할 이미지를 저장하는 용도로 사용합니다. 자세한 내용은 Google Cloud Artifact Registry 문서를 참고하세요.
  3. Vertex AI 메타데이터를 저장할 스테이징 GCS 버킷을 생성합니다. 이 버킷은 스테이징 버킷으로 사용되기 위해 Vertex AI 워크로드와 동일한 리전에 있어야 합니다. 하나의 버킷을 스테이징 및 빌드 컨텍스트용으로 함께 사용할 수 있습니다.
  4. Vertex AI 작업(Job)을 시작할 수 있는 권한을 가진 서비스 계정을 생성합니다. 서비스 계정에 권한을 부여하는 방법은 Google Cloud IAM 문서를 참고하세요.
  5. 서비스 계정에 Vertex 작업 관리 권한을 부여합니다.
PermissionResource ScopeDescription
aiplatform.customJobs.create지정된 Google Cloud Project지정된 Project 내에서 새로운 머신러닝 작업을 생성할 수 있습니다.
aiplatform.customJobs.list지정된 Google Cloud Project지정된 Project 내의 머신러닝 작업 목록을 조회할 수 있습니다.
aiplatform.customJobs.get지정된 Google Cloud Project지정된 Project 내 특정 머신러닝 작업에 대한 정보를 조회할 수 있습니다.
Vertex AI 워크로드가 표준이 아닌 서비스 계정의 ID를 사용하도록 하려면, 서비스 계정 생성 및 필요한 권한에 대한 안내를 위해 Vertex AI 문서를 참고하세요. Launch 큐 구성의 spec.service_account 필드를 사용해 W&B 실행에 사용할 커스텀 서비스 계정을 선택할 수 있습니다.

​
Vertex AI용 큐 구성

Vertex AI 리소스용 큐 구성은 Vertex AI Python SDK에서 CustomJob 생성자와 CustomJob의 run 메서드에 전달할 입력 값을 정의합니다. 리소스 구성은 spec 및 run 키 아래에 저장됩니다:
  • spec 키에는 Vertex AI Python SDK의 CustomJob 생성자에 대한 이름이 지정된 매개변수 값이 포함됩니다.
  • run 키에는 Vertex AI Python SDK의 CustomJob 클래스 run 메서드에 대한 이름이 지정된 매개변수 값이 포함됩니다.
실행 환경 설정은 주로 spec.worker_pool_specs 목록에서 이루어집니다. worker pool spec은 작업을 실행할 워커 그룹을 정의합니다. 기본 구성의 worker spec은 가속기가 없는 단일 n1-standard-4 머신을 요청합니다. 필요에 따라 머신 유형, 가속기 유형 및 개수를 변경할 수 있습니다. 사용 가능한 머신 유형 및 가속기 유형에 대한 자세한 내용은 Vertex AI 문서를 참조하세요.

​
큐 생성

W&B 앱에서 Vertex AI를 계산 리소스로 사용하는 큐를 생성합니다.
  1. Launch 페이지로 이동합니다.
  2. Create Queue 버튼을 클릭합니다.
  3. 큐를 생성할 Entity를 선택합니다.
  4. Name 필드에 큐 이름을 입력합니다.
  5. Resource로 Google Cloud Vertex AI를 선택합니다.
  6. Configuration 필드에 이전 섹션에서 정의한 Vertex AI CustomJob 정보를 입력합니다. 기본적으로 W&B는 다음과 유사한 YAML 및 JSON 요청 본문을 자동으로 채워 넣습니다:
spec:
  worker_pool_specs:
    - machine_spec:
        machine_type: n1-standard-4
        accelerator_type: ACCELERATOR_TYPE_UNSPECIFIED
        accelerator_count: 0
      replica_count: 1
      container_spec:
        image_uri: ${image_uri}
  staging_bucket: <REQUIRED>
run:
  restart_job_on_worker_restart: false
  1. 큐를 구성한 후 Create Queue 버튼을 클릭합니다.
다음 항목을 최소한 지정해야 합니다:
  • spec.worker_pool_specs : 비어 있지 않은 worker pool 사양 목록.
  • spec.staging_bucket : Vertex AI 자산과 메타데이터를 스테이징하는 데 사용할 GCS 버킷.
일부 Vertex AI 문서에서는 worker pool 사양의 모든 키를 카멜 케이스로 표기합니다. 예를 들어 workerPoolSpecs 와 같습니다. Vertex AI Python SDK에서는 이러한 키에 스네이크 케이스를 사용하며, 예를 들어 worker_pool_specs 와 같습니다.launch queue 구성의 모든 키는 스네이크 케이스를 사용해야 합니다.

​
Launch 에이전트 구성

Launch 에이전트는 기본적으로 ~/.config/wandb/launch-config.yaml에 위치한 구성 파일을 통해 구성할 수 있습니다. 
max_jobs: <n-concurrent-jobs>
queues:
  - <queue-name>
Vertex AI에서 실행할 이미지를 launch 에이전트가 대신 빌드하게 하려면 고급 에이전트 설정을 참조하세요.

​
에이전트 권한 설정

이 서비스 계정으로 인증하는 방법에는 여러 가지가 있습니다. Workload Identity, 다운로드한 서비스 계정 JSON 파일, 환경 변수, Google Cloud Platform 명령줄 도구, 또는 이러한 방법들의 조합을 통해 인증할 수 있습니다.