techiescamp/mlops-for-devops

해결하는 문제

대부분의 MLOps 튜토리얼은 데이터 사이언스를 이미 알고 있다고 가정합니다. 이 프로젝트는 그 반대입니다. ML 배경지식이 없는 DevOps, 플랫폼, SRE 엔지니어에게 Machine Learning Operations를 가르칩니다. 데이터 사이언티스트가 되라고 요구하는 대신, 이미 이해하고 있는 DevOps 비유를 사용하여 모든 ML 개념을 설명하므로, 기존 애플리케이션과 동일하게 프로덕션에서 ML 시스템을 구축, 자동화, 배포, 문제 해결할 수 있습니다.

작동 방식

두 단계로 나뉜 프로젝트 기반 로드맵입니다. 1단계는 로컬 머신에서 시작합니다. 가상의 50만 명 규모 회사를 위한 종단 간 직원 이탈 예측 모델을 구축하며, 데이터셋 파이프라인, 데이터 준비, scikit-learn을 사용한 모델 훈련, KServe를 사용한 라이브 API로 모델 서빙을 다룹니다. 2단계는 엔터프라이즈 오케스트레이션으로 이동합니다. Kubernetes에서 수동 단계를 자동화된 확장 가능한 워크플로우로 대체하며, 데이터 버전 관리를 위해 DVC, 파이프라인 오케스트레이션을 위해 Airflow, 피처 스토어를 위해 Feast, 훈련 파이프라인을 위해 Kubeflow, 실험 추적을 위해 MLflow, 모델 서빙을 위해 KServe, 모니터링을 위해 Evidently AI를 사용합니다. 모든 것은 Kubernetes와 Docker에서 실행됩니다. 각 도구에 대한 단계별 가이드가 연결되어 있으며, 저장소에는 두 단계의 코드와 구성 매니페스트가 포함되어 있습니다. 모든 것을 통합한 프로덕션 스타일의 MLOps 플랫폼을 Kubernetes에 구축하는 캡스톤 프로젝트도 계획되어 있습니다.

대상 독자

데이터 사이언티스트가 되지 않고 ML 워크로드를 운영하려는 DevOps, 플랫폼, SRE 엔지니어. 인프라를 이해하고 실제 플랫폼에서 사용되는 것과 동일한 Kubernetes 기반 도구를 사용하여 실습 중심의 프로젝트 기반 MLOps 입문을 원하는 모든 사람에게도 유용합니다.

주요 특징

• ML 배경지식 불필요 — 모든 개념은 DevOps 비유로 설명됩니다
• 일관된 사용 사례(직원 이탈 예측)를 종단 간 사용하므로 ML 이론이 아닌 인프라에 집중할 수 있습니다
• 전체 MLOps 수명 주기를 다룹니다: 데이터 파이프라인, 훈련, 서빙, 실험 추적, 버전 관리, 피처 스토어, 모니터링
• 완전히 Kubernetes와 Docker 기반이며, Airflow, Kubeflow, MLflow, KServe, DVC, Feast, Evidently AI와 같은 업계 표준 오픈 소스 도구를 사용합니다
• 로컬 개발 및 엔터프라이즈 오케스트레이션 단계 모두에 대한 코드와 구성을 포함합니다
• 추가 학습을 위한 실제 MLOps 읽기 자료 및 인증 링크의 선별된 목록