mlops

Machine Learning + Operation머신 러닝 서비스를 유지, 관리해주는 도구ML Service : ML 모델을 통해 유의미한 결과를 얻어가는 것일반적인 SW서비스 미성숙한 ML 서비스백엔드 단에서 ML을 붙여서 해결최근 ML 서비스 머신 러닝의 비중과

머신러닝에서 말하는 실험주어진 데이터를 이용해 모델을 학습 후 모델을 평가하는 것실험관리: 수행한 실험들을 기록하고 관리하는 것어제 실행한 코드의 학습이 잘 완료되었나?가장 성능이 좋았던 모델의 파라미터는?실험 중 발생하는 정보실험을 재현하기 위해 필요한 정보 기록데이

머신러닝을 학습시킬 때의 데이터와 현실에서의 데이터는 차이가 있다.데이터를 학습하는 동안에도 현실의 데이터 분포가 바뀐다.학습한 모델을 서비스하는 동안에도 현실의 데이터 분포가 바뀐다.컨셉 드리프트(Concept Drift)예측 모델이 학습한 대상 변수의 조건부 분포가

모델 저장소: 학습이 완료된 모델을 저장하는 장소 실험 관리+파일: 학습 데이터, 패키지, 파라미터 등을 함께 저장 MLflow 아키텍쳐 Backend Store (Remote host) 수치 데이터와 MLflow 서버의 정보들을 체계적으로 관리하기 위한 DB 저장

배치 서빙 머신러닝 모델을 사용하여 한 번에 대량의 데이터에 대해 예측을 수행하는 과정 데이터,모델 저장소에서 배치 서빙 파이프라인에 넣어주고 이를 통해 예측값을 얻는다. 데이터 저장소의 데이터는 주로 특정 시간 단위로 모아진 데이터와 같이 같은 종류, 다른 환경에서