MLflow 주요 기능

MLflow 개요

• 머신러닝 모델의 실험을 tracking하고 모델을 공유, deploy 할 수 있도록 머신러닝 학습과 관련한 전반적인 lifecycle을 지원해 주는 오픈소스 라이브러리
• 라이브러리나 언어에 구애받지 않고, 클라우드를 비롯한 어떤 환경에서든 동일하게 작동
• 비교적 확장성과 커버리지 면에서 우수한 MLOps 툴
• 데이터브릭스 개발(https://www.databricks.com/product/managed-mlflow)

  공식 문서
  https://mlflow.org/docs/latest/index.html
  https://github.com/mlflow/mlflow

주요 기능

• MLflow Tracking
  실험 기록을 추적하며, 파라미터와 그 결과를 비교
  조직 내 ML 모델 학습 세션에 대한 메타데이터를 관리하는 중앙화된 레포지터리를 제공하는 기능
  머신러닝 모델(Machine Learning model)을 학습시킬 때 생기는 각종 파라미터, 그리고 머신러닝 모델 training이 끝난 후 metric의 결과 등을 logging하고 그 기록 결과를 Web UI로 확인 가능

• MLflow Projects
  ML code를 재사용, 재구현 가능한 형태로 패키징하여 다른 데이터 과학자들과 공유하거나 프로덕션으로 변환
  Anaconda나 docker 등을 사용해서 만들어 둔 모델을 reproducible하고 실행할 수 있도록 코드 패키지 형식으로 지원하고 이러한 형식으로 만들어진 환경을 재사용 가능
• MLflow Models
  다양한 ML 라이브러리로 만들어진 모델을 관리하고 다양한 모델 서빙과 추론 플랫폼으로 배포
  동일한 모델을 Docker, Apache Spark, AWS 등에서 쉽게 배치할 수 있도록 지원

• MLflow Model Registry
  중앙 모델 스토어를 제공함으로써, 한 MLflow 모델의 전체 라이프 사이클을 협동적으로 관리
  (모델 버전 관리(versioning), 모델 스테이지 관리(stage transitions), 주석 처리등을 포함)
  MLflow 모델의 전체 라이브사이클을 공동으로 관리하기 위한 centralized model store, set of API, UI