머신러닝 솔루션 구축을 위한 프로세스는 1.문제의 식별, 2.데이터 수집, 3.데이터 분석, 4.피처 엔지니어링 및 데이터 정규화, 5.모델 구축, 6.학습, 평가 및 검증, 7.예측 등의 과정이다. MLOps는 데브옵스(DevOps)에서 채택돼 머신러닝에 적용되는 원칙 및 관행으로, 파이프라인의 지속적인 통합과 전달을 보장해 전체 자동화 설정을 완료한다.
MLFlow는 기존 코드 베이스에 MLOps 원칙을 통합해 널리 사용되는 다양한 프레임워크를 지원하는 API이다. MLFlow를 사용해서 지표, 파라미터, 그래프 및 모델 자체를 로깅한다. 또한 기록된 모델을 적재하고, 기능을 활용할 수 있다.
프레임워크는 scikit-learn, TensorFlow 2.0/ Keras, PyTorch 및 PySpark의 실험에 MLFlow를 적용하는 방법과 이러한 모델 중 하나를 로컬에 배포하고 모델을 사용해 예측하는 방법을 실행해 본다. 해당 모델을 AWS, Azure, GCP에 배포하고 구성해서 서빙되는 구체적인 방법을 다룬다.
컴퓨터 비전, 적대적 머신러닝, 자연어 처리(대화형 AI) 이상 탐지(anomaly detection) 등 다양한 분야에서 실용성을 발휘하는 딥러닝을 전문으로 하는 플로리다대학교 수석연구원이다. 2019년 6월 미국 오리건주 포틀랜드에서 열린 신뢰할 수 있고 안전한 머신러닝에 관한 IEEE에서 연사로 참여했다. 또한 그는 이상 탐지에 있어 딥러닝의 활용에 초점을 맞춘 책을 출간한 작가이기도 하다.
MLFlow의 장점을 이용해 기존 프로젝트에 MLOps 원리를 쉽게 통합할 수 있는 방법을 독자에게 전달하는 것이 이 책의 목표다. 그리고 많은 사람이 모델을 호스팅하는 클라우드 서버에 연결할 수 있는 한 클라우드 구현 방법에 대해 더 잘 알고 있기를 바란다.
MLFlow는 작업 공간을 구성하는 도구로서도 머신러닝 실험의 관리를 대폭 개선하고 프로젝트의 전체 모델 기록을 추적할 수 있다. 더 많은 사람이 MLFlow를 채택해 워크플로우에 통합하기를 바란다.
연구자들은 MLFlow를 사용하면 원하는 사용자 정의 메트릭 위에 그림을 기록할 수 있어서 실험을 수행할 때 유용하다고 생각할 수 있다. 이제 개념 증명(proof-ofconcept)으로 완벽하게 작동한 모델을 추적하고 언제든지 동일한 가중치로 되돌리면서 하이퍼파라미터를 조정할 수 있으므로 프로토타이핑이 훨씬 쉬워졌다. 하이퍼파라미터 튜닝은 훨씬 간단하고 체계화돼 여러 다양한 하이퍼파라미터를 한 번에 검색하고 MLFlow를 사용해 모든 결과를 기록하는 복잡한 스크립트를 실행할 수 있다.
MLFlow의 모든 혜택과 그에 상응하는 MLOps 원칙이 모든 영역에서의 머신러닝 매니아들에게 제공되므로, 현재 작업 환경에 통합하는 데 큰 단점이 없다. 이를 바탕으로 책을 잘 활용하기 바란다!
역자후기
'원시 데이터 수집과 초기 분석 학습을 위한 전처리, 모델 구축, 학습 및 테스트, 평가 및 검증/튜닝, 모델 배포 및 예측 등으로 진행되는 일련의 머신러닝 프로세스를 얼마나 효율적이고 효과적으로 신속하게 제공할 수 있을까?'에 대한 아쉬움이 항상 존재한다. 이 상황에서 MLOps는 머신러닝에 데브옵스의 철학을 채택해 고성능 머신러닝 모델의 지속적인 전달을 보장한다. MLOps를 실현하고 자동화하려면 MLFlow와 같은 머신러닝 라이프사이클 관리 API가 필수적으로 필요하다. MLFlow를 활용해 클라우드 환경에 모델을 배포하고 배포된 모델을 대상으로 엔드포인트를 생성해 실제 서비스에 활용할 수 있도록 구성하는 것이 구체적으로 머신러닝의 효과성을 입증할 수 있는 중요한 포인트다. 이에 대한 내용들을 다루는 것이 이 도서의 가치이다. 실제 현장에서 머신러닝을 서비스에 어떻게 활용할 것인지를 고민하는 독자들에게 조금이나마 도움이 되길 기대한다.
미리보기 
(0)
최근작 :
