MLOps 분야가 확장됨에 따라, 데이터 실무자는 머신 러닝 수명 주기를 간소화하고 프로세스를 보다 체계화하며 재현 가능성을 높이는 MLflow와 같은 도구의 필요성과 마찰을 최소화하면서 모델을 학습, 테스트 및 배포할 수 있는 통합된 개방형 머신 러닝 플랫폼의 필요성을 인식하고 있습니다.

실제 머신 러닝 사용 사례를 사용하여 MLflow가 엔드투엔드 머신 러닝 워크플로를 간소화하는 방법을 확인할 수 있습니다. Databricks의 MLflow를 사용하면 MLflow 추적 서버를 사용하여 데이터를 통해 실행되는 각 모델 학습을 자동으로 추적하고 카탈로그화할 수 있습니다. 또한 이 데모에서는 MLflow 프로젝트가 머신 러닝 모델 및 학습 환경을 범용 프로젝트 형식으로 체계적으로 패키징하고 MLflow 모델 레지스트리가 테스트 및 스테이징 환경을 거쳐 Databricks 내에서 직접 머신 러닝 모델을 프로덕션에 적용하는 방법을 보여 줍니다.