로딩...
FE
1e977cc
저널about-me
mlops 프로젝트


개요


    

  • 과목: mlops
    • 

  • 주제: 영화 추천 시스템
    • 

  • modeling 쪽으로 공부도 할 겸 할까 하였으나 infra 처리 가능 인력이 없는 것 같아서 ops 영역을 처리
      

    • 개인적으로도 이것 저것 시간 뜯기는 것들이 있어서 여유있게 익숙하면서도 배울 것이 있는 분야 선택
      • 

    • 프로젝트상으로도 ops를 main goal 로 인식, 팀원들의 인식과는 차이가 있는 느낌
      • 

    

    • 

  • 수업은 다 듣고싶었으나 이전에 들었던과 중복이 많고 프로젝트에 집중이 필요하여 많이 못들음
      

    • 억지로 듣는것보다 손으로 하는게 더 남을 것 같은 느낌
      • 

    

    • 

  • personal goal:
      

    • 뭐라도 유용한 새로운 것 경험
      • 

    •  mlops 를 경험
        

      •  mlflow 와 airflow 를 통해 modeling 부터 deploy 까지 전 cycle을 구현한다
        • 

      •  mlflow
          

        •  experiment 를 통해 log 심기
          • 

        •  model registry 를 활용하여 모델을 관리한다
            

          •  api 를 통한 동적 tag 제어
              

            •  동적으로 production 버전을 관리한다
              • 

            

            • 

          

          • 

        

        • 

      

      • 

    •  docker-compose 로 개발 환경을 local only 구성
        

      • 이제까지는 kubernetes 홈 서버를 가지고 있기 때문에 docker-compose 를 그닥 활용하지 않았음
        • 

      •  이참에 docker-compose 를 활용
          

        •  팀원마다 개발에 대한 지식이 다르고 설치 자체가 장벽인 경우도 있음
          • 

        •  개발인력으로 구성된 프로젝트가 아님

          • 

        

        • 

      

      • 

    •  fastapi
        

      •  python 의 가벼운 backend framework 경험
        • 

      •  재시작없는 동적 model update 지원
        • 

      

      • 

    •  시간 남으면 팀원들이 작성한 modeling 검토
      • 

    •  ui 개발은 피한다
      • 

    •  crawling 은 피한다
      • 

    

    • 



계획


    

  • personal
      

    • kaggle dataset 을 그대로 사용하여 crawling 을 피한다
      • 

    • airflow trigger 를 simulation 하기위해 ratings dataset 을 timestamp 로 분할하여 사용한다
        

      • dataset 을 timestamp 로 chunking 을 해두고 daily trigger 가 지정된 범위 dataset 을 크롤링 했다 가정
        • 

      • 점점 더 많은 dataset 으로 모델을 업데이트하고 api 서버에서 이를 동적으로 사용하는 것이 목표
        • 

      

      • 

    •  airflow 의 경우 계정 생성이 필요한데 팀원의 복잡한 과정을 없애기 위해 생성된 디비를 commit
      • 

    

    • 



흐름


구조


flowchart LR
  subgraph host storages
    /mlartifacts
    /mlruns
    /opt/airflow
    /opt/airflow/datasets -.- /opt/airflow
  end
  subgraph containers
    frontend-server[[frontend server]]
    api-server[[api server]]
    subgraph airflows [airflow]
      airflow-scheduler[[apiflow scheduler]]
      airflow-webserver[[airflow webserver]]
    end
    mlflow
  end
  subgraph outside
    user((user))
  end
   
  /mlruns -.- mlflow
  /mlartifacts -.save model.- mlflow
  /mlartifacts -.supply produntion model.-> api-server
  /opt/airflow -.- airflow-scheduler
  /opt/airflow -.- airflow-webserver
  
  trigger>daily schedule] ==💥trigger===> airflow-scheduler
  airflow-scheduler --log and upload new model--> mlflow
  airflow-scheduler --update model request---> api-server
  frontend-server <--fastapi---> api-server
  user <--streamlit--> frontend-server

순서도


sequenceDiagram
  participant schedule
  participant api
  participant mlflow
  participant airflow
  
  schedule -->> airflow: trigger daily
  create participant dag
    airflow ->> dag: trigger DAG
    rect rgb(191, 223, 255)
    participant dag as TASK1: create and upload model
    dag ->> dag: download next dataset
    dag ->> dag: build
    dag -->> mlflow: [log](log)
    dag ->> mlflow: upload model
    dag -->> mlflow: tag
    end
    dag ->> airflow: request to run deploy dag
  
    create participant deployer as TASK2: deploy model to server
      airflow ->> deployer: trigger deploy task
      rect rgb(191, 223, 255)
      deployer -->> mlflow: request latest production tag
      mlflow ->> deployer: production tag 
      deployer ->> api: request to update model
      end
  
      api ->> api: use latest production model
    destroy deployer
  destroy modelr

    

  • flow 의 시작인 airflow trigger 가 daily trigger 라 가정 하고 수동 트리거
    • 

  • airflow
      

    • DAG 실행
        

      • TASK1:
          

        • 순서에 맞는 dataset 을 가져옴
          • 

        • model(ALS) 생성
            

          • mlflow 에 parameter 및 model 저장
              

            • 최신 model 을 production tagging, 나머지는 archived tagging
              • 

            

            • 

          

          • 

        

        • 

      • TASK2:
          

        • production tag 가 붙은 방금 생성된 model 을 api 서버에 전달
          • 

        

        • 

      

      • 

    

    • 

  • fastapi 서버
      

    • TASK2 의 request 를 받아 새로운 model 로 서빙중인 모델을 변경
      • 

    • 서버는 계속 모델을 서빙중
      • 

    

    • 



문제


    

  • airflow 문제
      

    • kubernetes 환경이 아니다 보니 pod 로 독립된 컨테이너를 올릴 수 없어 DAG 을 실행하는 python script 의 모든 라이브러리를 담아야했음
        

      • 이를 위해서 airflow image + 사용 라이브러리를 담아 커스터 빌드해야 했음
        • 

      • 실제 환경에서는 kubernetes 관련 operator 가 사용될 것이므로 이는 프로젝트 환경 특수
        • 

      

      • 

    

    • 

  • api server 에서 모델의 pkl 파일을 불러올때 DAG 에 사용된 python 파일에 종속이 걸려는 문제
      

    • mlflow 는 주류 라이브러리에 대해서 autolog 등 편의성을 제공
      • 

    • 사용 모델이 implicit 라이브러리를 사용하는 모델이라 비주류
      • 

    • [diary] diary:2024-10-11 시점 기준 mlflow.pyfunc.log_model 함수는 wrapper 를 요구
        

      • 때문에 wrapper 관련된 코드가 저장된 모델을 불러오는 쪽에서도 필요
          

        • 해당 위치는 api server 쪽
          • 

        

        • 

      •  code sharing 의 우아한 처리 고민은 프로젝트 여건상 아닌 것 같아 airflow 커스텀 이미지 빌드시에 관련 코드 함께 말아버림
        • 

      • 아래는 이해를 돕기 위한 코드
        class ALSWrapper(mlflow.pyfunc.PythonModel):
    def __init__(self, model):
        self.model = model

    def load_context(self, context):
        pass

    def predict(self, context, model_input):
        return self.model.recommend(model_input)

mlflow.pyfunc.log_model(
    f'{experiment_name}',
    # model 은 훈련을 마친 model
    python_model=ALSWrapper(model)
)

        • 

      

      • 

    

    • 



회고


    

  • 개인적으로 개발자 인력 없이는 뒷단 풀 구현이 쉽지 않을 것 같은 걱정으로 인프라 처리를 하게됨
      

    • 그래도 나름 배우는 것이 있었음
      • 

    

    • 

  • 이후 프로젝트는 모두 모델링 메인일 것으로 생각됨
      

    • 모델링에 필요한 pandas, numpy, matplotlib 등에 대한 익숙도가 올라가고 있지만 내 손으로 해보는 경험이 적었음
      • 

    • 다음에는 이걸 채우는데 집중할 수 있도록 하자
      • 

    

    • 

  • 백그라운드가 다른 사람들과 소통하면서 초반 커뮤니케이션을 확실하게 하지 못함
      

    • 이해 상태에 대해서 사람들이 말 할 것을 기대
        

      • 이해 상태를 지속적으로 sync 하는 노력이 현업보다 더 필요
        • 

      

      • 

    

    •