Databricks에서 모델 배포

Databricks 개념

Kevin Barlow

Data Practitioner

머신러닝 라이프사이클

¹ https://www.datacamp.com/blog/machine-learning-lifecycle-explained

모델 배포와 운영

모델 배포 시 고려사항

가용성

• 최종 사용자나 애플리케이션은 모델을 어떻게 사용할까요?
• 접근하려면 모델을 어디에 둬야 할까요?
• 모델은 이해하고 쓰기 쉬울까요?

평가

• 사용자는 실제로 모델을 쓰고 있나요?
• 모델 성능은 아직 좋은가요?
• 재학습이 필요한가요?
• 더 나은 새 모델이 필요한가요?

모델 배포 프로세스

모델 플레이버

• MLFlow Models는 어떤 머신러닝 프레임워크의 모델도 저장할 수 있습니다
• 다양한 구성과 아티팩트와 함께 모델을 저장합니다
• 필요에 따라 다른 종류로 "변환"할 수 있습니다. 예:
  • scikit-learn
  • pyfunc
  • spark
  • tensorflow

모델 레지스트리

모델 레지스트리

모델 레지스트리

모델 레지스트리

모델 서빙

모델 서빙

모델 서빙

모델 서빙

¹ https://www.databricks.com/product/model-serving

연습해 봅시다!

Databricks 개념