MLOps에서의 메타데이터

이전 영상에서 메타데이터의 정의를 배웠어요. 메타데이터는 ML 파이프라인의 다양한 구성요소가 어떻게 실행되었는지에 대한 정보예요.

이번 연습 문제에서는 메타데이터의 예시가 포함된 옵션을 고르세요.

A machine learning pipeline is presented. The pipeline has the following steps: data extraction, data validation, model training, model evaluation, and model validation.

이 연습은 강의의 일부입니다

완전 자동화된 MLOps

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

완전 자동화된 MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 첫 장에서는 산업 환경에서 MLOps를 도입해야 하는 이유를 살펴봅니다. 비즈니스에서 가치를 창출하는 데 MLOps가 왜 중요한지 배우게 될 거예요. 또한 ML 단계들을 복습하면서, 각 단계가 MLOps로 어떻게 강화되는지에 집중합니다. 장 마지막에는 완전 자동화된 MLOps 시스템의 기준 아키텍처를 살펴봅니다. 이후 이 아키텍처를 바탕으로 모든 MLOps 시스템에 중요한 구성 요소와, 본 과정을 이어갈 출발점을 탐색해 보겠습니다.

Exercise 1: 완전 자동화된 MLOps 소개 Exercise 2: 숨겨진 기술 부채는 반드시 상환해야 합니다 Exercise 3: ML의 숨은 기술 부채는 다릅니다 Exercise 4: MLOps 라이프사이클 단계 Exercise 5: 완전 자동화된 MLOps Exercise 6: 자동화할까요, 말까요...Exercise 7: 규모 확장을 위한 설계 Exercise 8: 참고 아키텍처: 완전 자동화된 MLOps Exercise 9: IT와 MLOps의 참조 아키텍처 Exercise 10: MLOps 아키텍처 구성 요소

이 장에서는 완전 자동화된 MLOps 시스템을 구성하는 핵심 요소들을 계속해서 살펴봅니다. 먼저, MLOps에서 오케스트레이션의 중요성과 이것이 ML 파이프라인의 효율성과 확장성을 보장하는 데 어떻게 기여하는지 알아봐요. 그다음, 다양한 MLOps 배포 전략을 검토하고, 시스템에 맞는 올바른 전략을 선택하는 방법을 배웁니다. 마지막으로 CI/CD/CT/CM을 학습하고, 이것이 오케스트레이션 및 모범 사례와 어떻게 보완적으로 작용해 MLOps 시스템의 완전 자동화를 달성하는지 이해합니다. 이 내용을 통해 효율적이고 정확하며 신뢰할 수 있는 완전 자동화 MLOps 시스템을 구축할 준비를 갖추게 될 거예요.

Exercise 1: 실험 자동 추적 Exercise 2: 무엇을 추적해야 할까요?Exercise 3: 실험 추적, 자동화해야 할까요? 당신의 선택은?Exercise 4: 여기서 무엇을 추적하나요?Exercise 5: 모델 레지스트리 Exercise 6: 모델을 울타리 너머로 던지지 마세요!Exercise 7: ML 모델 라이프사이클 Exercise 8: 모델 레지스트리가 나설 차례예요!Exercise 9: 자동화된 MLOps 아키텍처에서의 Feature Store Exercise 10: Feature store 사용의 한 가지 장점 Exercise 11: Feature store의 역할 Exercise 12: 메타데이터 저장소 Exercise 13: MLOps에서의 메타데이터

현재 연습

Exercise 14: 메타데이터 스토어를 활용한 모델 재학습 Exercise 15: MLOps 모니터링에서 메타데이터 저장소의 역할

이 장에서는 자동화의 세계를 깊이 탐구하고, 더 탄탄하고 효율적인 ML 시스템을 설계하는 방법을 배웁니다. 먼저 MLOps 시스템에서 자동화의 기본을 이해한 뒤, 설계 패턴과 페일세이프 메커니즘의 힘을 살펴봅니다. 또한 MLOps 시스템에서 자동화된 테스트를 구현하는 방법과, 하이퍼파라미터 튜닝을 활용해 모델과 워크플로를 최적화하는 방법을 배우게 됩니다. 이 장을 마치면, 효율적이면서도 신뢰할 수 있는 완전 자동화 MLOps 시스템을 구축하고 운영하는 데 필요한 기술과 지식을 갖추게 될 거예요.

Exercise 1: MLOps에 완전 자동화와 모범 사례 도입하기 Exercise 2: MLOps 워크플로의 자동화 Exercise 3: MLOps의 자동화 수준 Exercise 4: 자동화·모니터링·사고 대응 패턴 Exercise 5: 이것도 디자인 패턴일까요?Exercise 6: Retrain, rollback 또는 imput(e)?Exercise 7: MLOps에서 자동화된 테스트 Exercise 8: Garbage in - Garbage out... 데이터 테스트를 적용하세요!Exercise 9: 테스트: 전통적 방식 vs. MLOps Exercise 10: 테스트: 데이터 vs. 모델 vs. 파이프라인 Exercise 11: 자동화된 하이퍼파라미터 튜닝 Exercise 12: Parameter일까요, hyperparameter일까요?Exercise 13: MLOps에서 하이퍼파라미터 튜닝의 역할 Exercise 14: 하이퍼파라미터 튜닝 자동화

마지막 장에서는 자동화된 MLOps 아키텍처의 핵심 구성 요소를 다룹니다. 자동화된 실험 추적과 모델 레지스트리부터 피처 스토어와 메타데이터 스토어의 역할까지, 완전 자동화된 MLOps 시스템의 세부 요소를 폭넓게 이해할 수 있도록 구성했어요. 숙련된 ML 실무자든 이제 막 시작하는 분이든, 이 장을 통해 자동화된 MLOps 워크플로를 설계하는 데 필요한 지식과 역량을 갖추게 됩니다.

Exercise 1: MLOps에서의 오케스트레이션 Exercise 2: 왜 모듈화해야 할까요?Exercise 3: 오케스트레이션: 개발 vs. 운영 Exercise 4: MLOps 워크플로에서의 DAG Exercise 5: MLOps에서의 오케스트레이션 핵심 Exercise 6: MLOps 배포 전략의 자동화 Exercise 7: 이것은 어떤 배포 방식일까요?Exercise 8: 이 배포 전략이 맞을까요?Exercise 9: blue/green 배포로 무중단 유지하기 Exercise 10: 완전 자동화된 MLOps의 CI/CD/CT/CM Exercise 11: CI/CD/CT/CM은 MLOps에 어떻게 기여하나요?Exercise 12: Continuous monitoring & continuous training Exercise 13: MLOps에서의 CI/CD/CT/CM Exercise 14: 요약