MLOps 소개: Azure를 사용하여 파이프라인 구축 및 배포

머신 러닝 모델을 프로덕션으로 전환하려면 체계적이고 자동화된 접근 방식이 필요하기 때문에 많은 머신 러닝 모델이 실험 단계를 넘어가지 못합니다. 이 교육 과정에서는 머신 러닝 개발과 운영을 결합하여 실제 세계에서 신뢰성 있고 확장 가능한 모델을 제공하는 필수 분야인 MLOps를 소개합니다. 이 포괄적인 서면 가이드를 통해 수동 모델 훈련에서 자동화된 프로덕션 준비 워크플로우 설계로 전환할 수 있습니다. DevOps 원칙을 데이터 과학에 적용하여 자동화된 테스트, 지속적인 통합 및 체계적인 모델 배포를 가능하게 하는 방법을 이해할 수 있습니다. 무엇을 배울 것인가: - 성숙도 수준, 라이프사이클 단계, 기존 머신 러닝 배포의 문제점을 포함한 MLOps의 핵심 개념을 이해합니다. - 머신 러닝 워크플로우에 맞게 특별히 맞춤화된 CI(지속적 통합) 및 CD(지속적 제공) 파이프라인을 설계합니다. - 새로운 데이터가 도착할 때 모델을 자동으로 재훈련하도록 CT(지속적 훈련) 루프를 구성합니다. - Azure Machine Learning 및 Azure DevOps 개념을 적용하여 엔드 투 엔드 머신 러닝 파이프라인을 조율합니다. - 드리프트 검출 및 성능 추적 전략을 사용하여 생산에서 배포된 모델을 모니터링하여 장기적인 신뢰성을 보장합니다. 파이프라인 구성에 대한 단계별 서술 워크스루를 탐색하기 전에 기본 MLOps 용어와 아키텍처 원칙을 배우는 것으로 시작합니다. 자료는 데이터 및 모델 버전 관리에서부터 배포 자동화 및 생산 모니터링 설정에 이르기까지 모든 것을 다룹니다. 이 교육 과정은 운영에 익숙하지 않고 견고한 기반을 구축하고자 하는 ML 엔지니어, 데이터 과학자, 개발자를 위해 설계되었습니다. DevOps 경험은 필요하지 않으며 파이프라인 및 자동화의 절대적인 기본 사항부터 시작합니다. 머신 러닝 모델을 생산에 적용하는 워크플로우를 숙지하려면 오늘 읽기를 시작하세요.