Skip to main content
Join the Agentforce Hackathon on Nov. 18-19 to compete for a $20,000 Grand Prize. Sign up now. Terms apply.

모델 배포

학습 목표

이 유닛을 완료하면 다음을 수행할 수 있습니다.

  • 모델을 Salesforce에 배포할 수 있습니다.
  • 프로덕션에서 정확한 모델을 유지하는 방법에 대해 설명할 수 있습니다.

배포 준비 완료

모델과 모델을 평가하는 방법에 대해 알아보았으므로 이제 모델을 Salesforce에 배포할 시간이 되었습니다!

  1. Model Performance Overview(모델 성과 개요) 탭에서 Deploy Model(모델 배포)을 클릭하거나 모델 드롭다운 메뉴에서 Deploy Model(모델 배포)을 선택합니다.
    모델 배포 버튼
  2. Ready to Deploy(배포 준비됨) 프롬프트가 표시되면 Get Started(시작하기)를 클릭합니다.
    배포 준비됨 모달
    Einstein Discovery 배포 마법사가 이 모델을 배포하는 단계를 하나씩 안내합니다.
  3. 모델 세부 사항 화면Einstein Discovery에서 모든 배포된 모델은 예측 정의라는 컨테이너 개체에 속합니다. 이 화면에 모델과 예측 정의를 만들거나 업데이트하고 모델 이름을 변경하라는 프롬프트가 표시됩니다. 예측 정의에는 여러 모델이 포함될 수 있고, 각 모델은 데이터의 각기 다른 세그먼트(부분 집합)에 대해 예측을 생성합니다. 이 사례에서는 배포할 모델이 하나뿐입니다.
  4. 지금은 모든 기본값을 그대로 사용하고 Next(다음)를 클릭합니다.
    개체에 연결 화면
    이 화면에 성과를 예측할 Salesforce 개체를 지정하라는 프롬프트가 표시됩니다. 검색 상자에 opportunity(기회)를 입력하고 Opportunity(기회)를 선택한 후 Next(다음)를 클릭합니다.
    참고: 데이터가 완전한 Salesforce 외부 데이터이고 Salesforce 개체와 연관이 없는 경우 Deploy without connecting to a Salesforce Object(Salesforce 개체에 연결하지 않고 배포)를 대신 선택하세요. 모델 변수 매핑 화면
    Einstein이 자동으로 모델 변수를 개체의 필드에 매핑합니다. 모든 것이 매핑되어야 합니다. 산업에 매핑이 없습니다. Object Field(개체 필드) 선택기에서 Industry(산업)를 클릭하고 Opportunity(기회) > Account(계정) > Industry(산업)를 선택합니다.
    계정 개체의 산업 필드를 모델의 산업 변수에 매핑합니다.
    Next(다음)를 클릭합니다.
  5. Segment Data(데이터 세분화)의 기본값인 Don’t segment(세분화하지 않음)를 그대로 놔둔 후 Next(다음)를 클릭합니다.데이터 세분화 화면참고: 여러 모델이 있는 예측 정의를 만들려면 여기서 데이터의 세분화에 대한 필터 조건을 정의합니다. 여기서는 모델이 하나만 있고 세그먼트 필터가 없는 예측 정의를 만들려고 하므로 이 단계를 건너뛰어도 됩니다.
  6. Select Actionable Variables(실행 가능한 변수 선택)에서 Amount(양)를 선택한 후 Next(다음)를 클릭합니다.
    금액이 선택된 실행 가능한 변수 선택 화면
  7. Customize Predictions(예측 사용자 정의)에 대해 기본값인 Don't customize(사용자 정의하지 않음)를 그대로 두고 Next(다음)를 클릭합니다. 
  8. 배포 설정을 검토한 다음 Deploy(배포)를 클릭합니다. 선택 항목이 있는 배포 설정 검토 화면Einstein이 예측 정의를 모델과 함께 Salesforce에 배포하고 모델 관리자에 표시합니다. 완전히 새로운 모델에는 아직 볼 게 많지 않습니다. 나중에 시간이 지나면 여기서 예측 수, 정확도 및 성능 같은 사항을 추적할 수 있습니다. 모델 관리자의 새 예측

좋습니다! 예측 정의와 모델이 배포되어 사용할 준비가 되었습니다. 다음 유닛에서는 Einstein 예측 서비스를 사용하여 모델에서 예측을 얻습니다.

모델로 수행할 수 있는 기타 작업

모델 관리자는 조직에 배포된 예측 정의와 모델을 보고 구성하고 관리하는 데 사용합니다. 

모델 모니터링 및 유지는 성공적인 Einstein Discovery 솔루션 구현의 주요 요인입니다. 프로덕션에서 모델은 일반적으로 시간이 지날수록 정확도가 낮아지는데, 이 현상을 드리프트라고 합니다. 모델 드리프트는 실제 데이터의 특성이 이 데이터를 만드는 데 사용된 학습 데이터와 크게 달라질 경우에 발생합니다. 운영 변화, 추세, 계절적 변동, 새로운 범주 또는 사용이 중단된 범주 및 기타 요인으로 인해 데이터 구성이 바뀔 수 있습니다. 

모델이 드리프트하지 않고 정상적인 상태를 유지하도록 하려면 지속적이고 반복적인 운영 작업을 수반하는 모델 수명 주기를 구현해야 합니다.

학습, 평가, 배포 및 모니터라는 네 작업이 포함된 모델 수명 주기

모델 관리자를 사용하여 다음을 구성합니다.

  • 실시간 성능 모니터링
  • 모델 성능이 구성된 임계값 미만이 되면 알리는 자동 성능 경고
  • 모델에 최신 데이터를 주기적으로 학습시키는 자동 새로 고침

다음 단계

모델을 Salesforce에 배포했으므로 이제 예측 및 개선 사항을 몇 개 얻어보겠습니다!

리소스

Salesforce 도움말에서 Trailhead 피드백을 공유하세요.

Trailhead에 관한 여러분의 의견에 귀 기울이겠습니다. 이제 Salesforce 도움말 사이트에서 언제든지 새로운 피드백 양식을 작성할 수 있습니다.

자세히 알아보기 의견 공유하기