MLOps 학습 가이드

📋 Topic list
Next MLOps 개요

MLOps 학습 가이드

개요

MLOps(Machine Learning Operations)는 머신러닝 모델의 개발, 배포, 운영을 자동화하고 효율화하는 실무 분야입니다. 이 학습 자료는 Deep Learning 기초를 이수한 학습자를 대상으로, 실무에서 ML 시스템을 안정적으로 운영하기 위한 전반적인 프로세스와 도구를 다룹니다.

대상 독자

  • Deep Learning 기초 완료자
  • ML 모델을 프로덕션에 배포하고자 하는 개발자
  • 데이터 과학팀과 협업하는 소프트웨어 엔지니어
  • ML 시스템 운영을 담당하는 DevOps/SRE 엔지니어

학습 로드맵

MLOps 개요 → ML 라이프사이클 → MLflow 기초 → MLflow 고급 → W&B
     │                              │              │         │
     │                              ↓              ↓         ↓
     │                         실험 추적 ──── 모델 레지스트리 ──→ Kubeflow
     │                                                            │
     ↓                                                            ↓
Feature Store ← 드리프트/모니터링 ← TorchServe/Triton ← 모델 서빙 기초
     │
     ↓
실전 MLOps 프로젝트 (E2E 파이프라인)

파일 목록

파일 주제 난이도 핵심 내용
01_MLOps_Overview.md MLOps 개요 ⭐ MLOps 정의, DevOps vs MLOps, 성숙도 레벨, 도구 생태계
02_ML_Lifecycle.md ML 라이프사이클 ⭐⭐ 프로젝트 단계, 재학습 트리거, 버전 관리 전략
03_MLflow_Basics.md MLflow 기초 ⭐⭐ Tracking, 실험 관리, 메트릭/파라미터 로깅, UI
04_MLflow_Advanced.md MLflow 고급 ⭐⭐⭐ Projects, Models, Registry, Serving
05_Weights_and_Biases.md Weights & Biases ⭐⭐ 실험 로깅, Sweeps, Artifacts, MLflow 비교
06_Kubeflow_Pipelines.md Kubeflow Pipelines ⭐⭐⭐ Pipeline SDK, 컴포넌트 작성, K8s 통합
07_Model_Registry.md 모델 레지스트리 ⭐⭐ 버전 관리, 스테이지 전환, CI/CD 통합
08_Model_Serving_Basics.md 모델 서빙 기초 ⭐⭐ REST API, gRPC, 배치 vs 실시간 추론
09_TorchServe_Triton.md TorchServe & Triton ⭐⭐⭐ 핸들러 작성, 모델 최적화, 멀티모델 서빙
10_Drift_Detection_Monitoring.md 드리프트 & 모니터링 ⭐⭐⭐ 데이터/모델 드리프트, Evidently AI, 알림 설정
11_Feature_Stores.md Feature Store ⭐⭐⭐ Feast, 온라인/오프라인 스토어, 피처 서빙
12_Practical_MLOps_Project.md 실전 MLOps 프로젝트 ⭐⭐⭐⭐ E2E 파이프라인, 자동 재학습, 프로젝트 구조

환경 설정

필수 라이브러리 설치

# 기본 ML 라이브러리
pip install numpy pandas scikit-learn torch torchvision

# MLOps 도구
pip install mlflow wandb feast evidently

# 서빙 도구
pip install torchserve torch-model-archiver

# Kubeflow (Python SDK)
pip install kfp

Docker 설정

# MLflow 서버 (Docker)
docker run -d \
  --name mlflow-server \
  -p 5000:5000 \
  -v $(pwd)/mlruns:/mlruns \
  ghcr.io/mlflow/mlflow:latest \
  mlflow server --host 0.0.0.0 --backend-store-uri /mlruns

# Triton Inference Server
docker run --gpus all -d \
  --name triton-server \
  -p 8000:8000 -p 8001:8001 -p 8002:8002 \
  -v $(pwd)/model_repository:/models \
  nvcr.io/nvidia/tritonserver:23.10-py3 \
  tritonserver --model-repository=/models

버전 확인

import mlflow
import wandb
import feast

print(f"MLflow: {mlflow.__version__}")
print(f"W&B: {wandb.__version__}")
print(f"Feast: {feast.__version__}")

권장 버전

  • Python: 3.9+
  • MLflow: 2.8+
  • Weights & Biases: 0.16+
  • Feast: 0.35+
  • Kubernetes: 1.25+

학습 순서 권장

1단계: 기초 이론 (01-02)

  • MLOps 개념과 필요성 이해
  • ML 프로젝트 라이프사이클 학습

2단계: 실험 관리 (03-05)

  • MLflow로 실험 추적
  • Weights & Biases 활용
  • 메트릭, 파라미터, 아티팩트 관리

3단계: 파이프라인 (06-07)

  • Kubeflow를 이용한 ML 파이프라인 구축
  • 모델 레지스트리 운영

4단계: 모델 서빙 (08-09)

  • REST/gRPC API 배포
  • TorchServe, Triton 활용

5단계: 모니터링 & Feature Store (10-11)

  • 드리프트 감지
  • Feature Store 구축

6단계: 실전 프로젝트 (12)

  • E2E MLOps 파이프라인 구축
  • 자동 재학습 시스템

관련 자료

공식 문서

추천 도서

  • "Introducing MLOps" - Mark Treveil
  • "Machine Learning Engineering" - Andriy Burkov
  • "Designing Machine Learning Systems" - Chip Huyen

연관 학습 자료

📋 Topic list
Next MLOps 개요
← → to navigate between lessons