관리형 MLFlow
전체 머신 러닝 수명 주기 관리
관리형 MLFlow란?
관리형 MLflow는 Databricks에서 개발한 오픈 소스 플랫폼인 MLflow를 기반으로 빌드되므로 엔터프라이즈 안정성, 보안 및 확장성을 바탕으로 전체 머신 러닝 수명 주기를 관리할 수 있습니다. MLflow에 대한 최신 업데이트에는 LLM(대규모 언어 모델)을 관리하고 배포하는 기능을 확장하는 혁신적인 기능이 포함되어 있습니다. 이 향상된 LLM 지원은 Hugging Face Transformers, OpenAI 기능 및 LangChain의 세 가지 새로운 모델 버전을 통해 제공됩니다.
장점
모델 개발
프로덕션 지원 ML 모델을 개발하기 위한 표준화된 프레임워크를 기반으로 머신 러닝 수명 주기 관리를 가속화하고 단순화합니다. 관리형 MLflow 레시피를 사용하여 ML 프로젝트를 부트스트랩하고, 쉽고 빠르게 반복을 수행하고, 고품질의 모델을 대규모 프로덕션에 제공할 수 있습니다.
Experiment 추적
모든 ML 라이브러리, 프레임워크 또는 언어로 Experiment를 실행하고 각 Experiment의 매개변수, 지표, 코드 및 모델을 자동으로 추적합니다. Databricks에서 MLflow를 사용하면 Databricks 워크스페이스 및 노트북과의 기본 통합 덕분에 해당 아티팩트 및 코드 버전과 함께 Experiment 결과를 안전하게 공유, 관리, 비교할 수 있습니다.
모델 관리
하나의 중앙 집중된 위치에서 ML 모델을 검색 및 공유하고, Experiment에서 온라인 테스트 및 프로덕션으로 이동하는 데 협력하고, 승인 및 거버넌스 워크플로 및 CI/CD 파이프라인과 통합하고, ML 배포 및 성능을 모니터링할 수 있습니다. MLflow 모델 레지스트리는 전문 지식의 공유를 촉진하고 빈틈없는 관리를 지원합니다.
모델 배포
Docker 컨테이너, Azure ML 또는 Amazon SageMaker와의 기본 통합을 사용하여 Apache Spark™ 또는 REST API로의 배치 추론을 위한 프로덕션 모델을 빠르게 배포합니다. Databricks 기반의 관리형 MLflow에서는 Databricks 작업 스케줄러 및 자동 관리형 클러스터를 사용하여 프로덕션 모델을 운용하고 모니터링하여 비즈니스 요구 사항에 따라 확장할 수 있습니다.
기능
MLflow 모델 레지스트리
중앙 리포지토리: MLflow 모델 레지스트리에 MLflow 모델을 등 록합니다. 등록된 모델에는 고유한 이름, 버전, 단계 및 기타 메타데이터가 있습니다.
모델 버전 관리: 업데이트 시 등록된 모델의 버전을 자동으로 추적합니다.
모델 단계: 모델의 수명 주기를 나타내는 "단계" 및 "프로덕션" 등의 각 모델 버전에 사전 설정 또는 맞춤형 단계를 할당합니다.
CI/CD 워크플로 통합: 효과적인 제어 및 거버넌스를 위해 CI/CD 파이프라인의 일부로 단계 전환, 요청, 검토 및 승인 변경을 기록합니다.
모델 단계 전환: 새로운 등록 이벤트 또는 변경 사항을 사용자, 변경 및 댓글과 같은 추가 메타데이터를 자동으로 기록하는 활동으로 기록합니다.
MLflow 모델
MLflow 모델: 다양한 다운스트림 도구(예: REST API를 통한 실시간 서비스 제공 또는 Apache Spark의 배치 추론)에서 사용할 수 있는 머신 러닝 모델을 패키징하기 위한 표준 형식입니다.
모델 커스터마이제이션: MLflow의 기본 제공 버전에서 명시적으로 지원되지 않는 ML 라이브러리의 모델에 대해 맞춤형 Python 모델 및 맞춤형 버전을 사용합니다.
기본 제공 모델 버전: MLflow는 Python 및 R 함수, Hugging Face, OpenAI and LangChain, PyTorch, Spark MLlib, TensorFlow, ONNX와 같이 애플리케이션에 유용할 수 있는 몇 가지 표준 버전을 제공합니다.
기본 제공 배포 도구: 로컬 머신용 Apache Spark UDF 또는 Microsoft Azure ML, Amazon SageMaker 및 배포용 Docker 이미지 빌드와 같이 기타 여러 프로덕션 환경을 통해 Databricks에 빠르게 배포합니다.
MLflow 레시피
프로젝트 시작 간소화: MLflow 레시피는 ML 모델의 구축 및 배포에 바로 사용할 수 있는 연결된 컴포넌트를 제공합니다.
모델 반복 가속화: MLflow 레시피는 모델 반복을 위한 표준화되고 재사용 가능한 단계를 생성하여 프로세스를 가속화하고 비용을 줄여 줍니다.
팀 핸드오프 자동화: 독자적인 구조로 모듈화된 프로덕션 지원 코드를 제공하므로 Experiment에서 프로덕션으로 핸드오프를 자동화합니다.
MLflow 프로젝트
MLflow 프로젝트: MLflow 프로젝트를 사용하면 코드를 실행하는 데 사용되는 소프트웨어 환경을 지정할 수 있습니다. MLflow는 현재 Conda 환경, Docker 컨테이너 환경 및 시스템 환경 등의 프로젝트 환경을 지원합니다. 모든 Git 리포지토리 또는 로컬 디렉터리를 MLflow 프로젝트로 처리할 수 있습니다.
원격 실행 모드: Databricks CLI를 사용하여 Databricks 클러스터에 원격으로 Git 또는 로컬 소스에서 MLflow 프로젝트를 실행하여 코드를 빠르게 확장합니다.
MLflow 추적
MLflow 추적: Python, REST, R API, Java API를 사용하여 각 실행에 대한 매개변수, 코드 버전, 지표 및 아티팩트를 자동으로 기록합니다.
MLflow 추적 서버: 기본 제공되는 추적 서버로 빠르게 시작하여 모든 실행과 Experiment를 한 곳에 기록합니다. Databricks에는 구성이 필요하지 않습니다.
Experiment 관리: 액세스 제어 및 검색 쿼리를 사용하여 워크스페이스 내에서 Experiment를 생성, 보호, 구성, 검색, 시각화합니다.
MLflow 실행 사이드바: 노트북 내에서 실행을 자동으로 추적하고 각 실행에 대해 노트북의 스냅샷을 캡처하여 항상 이전 버전의 코드로 돌아갈 수 있습니다.
실행으로 데이터 로깅: 로컬 파일, SQLAlchemy 호환 데이터베이스 또는 추적 서버에 대한 원격 실행으로 매개변수, 데이터 세트, 지표, 아티팩트 등을 기록합니다.
Delta Lake 통합: 모델에 Delta Lake 스냅샷을 제공한 대규모 데이터 세트를 추적합니다.
아티팩트 저장소: Amazon S3, Azure Blob Storage, Google Cloud Storage, SFTP 서버, NFS, 로컬 파일 경로에 S3 버킷, 공유 NFS 파일 시스템, 모델과 같은 대용량 파일을 저장합니다.
최신 기능에 대한 자세한 내용은 Azure Databricks 및 AWS의 제품 뉴스를 참조하세요.
MLflow 제품 비교
작동 방식
MLflow는 전체 머신 러닝 워크플로에서 모든 ML 프레임워크와 함께 사용할 수 있는 경량 API 및 사용자 인터페이스 세트로, MLflow 추적, MLflow 프로젝트, MLflow 모델, MLflow 모델 레지스트리의 4가지 컴포넌트로 구성되어 있습니다.
Databricks의 관리형 MLflow
Databricks의 관리형 MLflow는 Unified Data Analytics Platform의 안정성, 보안 및 확장성과 함께 실무자에게 Databricks의 노트북, 작업 및 데이터 저장소에 대한 재현성과 Experiment 관리 기능을 제공하는 MLflow의 완전 관리형 버전입니다.
