upstage-ai-lab-day-48
mlops

이해한 바로는 mlops 는 devops 와 다르지 않다
ml 을 위한 특정 툴들을 다룬다
이를 위해 ml에 대한 있으면 좋다 정도가 다른 느낌
쓰이는 툴들은 대충 아래와 같다

fastapi

api 로 서빙을 위해 사용


mlflow

하이퍼 파라메터 튜닝에 체계적인 도움을 주고, 모델을 레지스트리를 가지고 있어 모델을 관리를 제공한다


apache-airflow

workflow 툴


그 외 aws sagemaker, kubeflow 등이 상황에 따라 검토 된다


이건 내 생각

아마도 현업에 가면 동일한 devops 지만 model 을 서빙하는 것이 다를 것
model 을 서빙하기 때문에 gpu 에 대한 스케일링 처리해야하는 점이 다를 것



flow
mlflow 를 활용하여 모델링을 하는 경우
대충 느낌
flowchart
  modeling --scoring--> hyper_parameter_tuning
  hyper_parameter_tuning -.record.-> tracking
  modeling --upload model--> registry
  hyper_parameter_tuning -."attemp #1..n".-> modeling
  registry --download model--> server
  registry -.tagging.-> registry
  server --serving--> end_users
  
  subgraph mlflow
    tracking
    registry
  end
  subgraph fastapi
    server
  end
  subgraph aws
    s3
    ec2
  end
  modeling -.upload model.-> s3
  s3 -.download model.-> ec2
  ec2 -.serving.-> end_users
tool
쿠버네티스상에서 운영할 때는 적절한 대체제가 존재하는지 확인 필요

mlflow
fastapi
apache-airflow

link

upstage-ai-lab
upstage-ai-lab-day-43
upstage-ai-lab-day-57