💻 🧐

데이터를 쌓아두고 있으나 데이터 가치를 발굴해내려는 노력을 하지 않던 집단이 학습용 데이터셋을 만들고 싶어한다면 어떻게 해야할까 ?이런 고민을 하고 있는 사람이라면, 나와 같이 고민을 했으면 좋을 것 같은 마음에 글을 작성함. 최근 MLOps 까지는 아니지만, 아무것도 없는 환경에서 사용자 친화적 STT 를 뽑아내야하는 상황에 직면했다. 할거라면 제대로 하고 싶은 마음에 각을 잡고 고민을 해봤다. 진짜 사람들이 '잘' 쓰게 만들기 위해서는 결과도 빠르게 나와야하고 결과물을 수정해서 다시 학습시키는 재학습의 기능도 있어야 했다. 그리고 또 초기 학습에 필요한 데이터도 필요했으니 아주 밑바닥 부터 뭔가를 쌓아올리는 거대한 일의 시작이 되겠구나.. 라는 생각이 들었다. 근데 결과물을 '잘' 보여주고 보여준 결..

MLOps는 머신러닝 모델의 개발부터 배포 및 관리까지의 과정을 자동화하고 최적화하는 기술로, 최근 많은 기업들이 도입하고 있습니다. 특히 온프레미스 환경에서는 데이터 보안과 성능 문제로 인해 클라우드 대신 자체 인프라를 사용하는 경우가 많습니다. 이를 위해 Kubeflow와 MLflow와 같은 도구들이 활용되는데, 각각의 특징과 장단점을 이해하여 적합한 도구를 선택하는 것이 중요합니다.이번 포스팅에서는 Kubeflow와 MLflow의 주요 차이점을 중심으로 온프레미스 환경에서 Kubeflow를 선택해야 하는 이유를 설명하겠습니다.목차Kubeflow와 MLflow 개요Kubeflow와 MLflow의 주요 차이점온프레미스 환경에서 Kubeflow가 적합한 이유결론1. Kubeflow와 MLflow 개요Ku..

Kubeflow는 Kubernetes 위에서 머신러닝 모델 개발 및 배포 파이프라인(MLOps)을 관리할 수 있도록 돕는 오픈소스 플랫폼입니다. Kubeflow는 모델 학습, 실험, 하이퍼파라미터 튜닝, 배포까지 머신러닝 파이프라인의 모든 단계에서 자동화와 관리 기능을 제공하여, 효율적인 MLOps 환경을 구축할 수 있습니다.이번 포스팅에서는 Kubeflow의 주요 기능과 각 기능을 활용하여 MLOps 파이프라인을 구축하는 방법을 단계별로 설명합니다.목차Kubeflow 개요Kubeflow 설치Kubeflow의 주요 구성 요소파이프라인 생성 및 실험모델 배포 및 관리Kubeflow의 장단점1. Kubeflow 개요Kubeflow는 머신러닝 워크플로우의 모든 단계를 Kubernetes 위에서 관리할 수 있게..

MLOps 입문: 머신러닝 운영의 새로운 패러다임안녕하세요, 데이터 과학과 머신러닝에 관심 있는 여러분! 오늘은 MLOps라는 흥미로운 주제에 대해 심도 있게 이야기해보려 합니다. MLOps가 무엇인지, 왜 중요한지, 그리고 어떻게 시작할 수 있는지 상세히 알아보겠습니다.MLOps란 무엇인가?MLOps는 'Machine Learning Operations'의 줄임말로, 머신러닝 모델의 개발부터 배포, 유지보수까지의 전체 생명주기를 관리하는 방법론입니다. 이는 DevOps의 원칙을 머신러닝 프로젝트에 적용한 것으로 볼 수 있습니다.MLOps는 단순히 도구나 기술의 집합이 아닙니다. 이는 조직의 문화, 프로세스, 그리고 기술적 실행을 포괄하는 총체적인 접근 방식입니다. MLOps의 목표는 머신러닝 모델의 개..