AI를 지탱하는 MLOps: Kubeflow와 MLflow를 활용한 AI 개발 시스템 구축
AI를 지탱하는 MLOps: Kubeflow와 MLflow를 활용한 AI 개발 시스템 구축
AI 개발과 실서비스 적용을 위해 MLOps 기반 시스템 구축 필요성을 다뤘습니다. Kubeflow와 MLflow 활용을 주제로 하지만 본문 정보는 제한적입니다.
#MLOps#Kubeflow
1200
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
GitLab은 MLOps를 어떻게 최적화할까?
GitLab의 MLOps 기능을 중심으로 모델 등록과 실험 추적 방식을 살펴봤습니다. CI/CD와 연동해 ML 배포와 관리를 자동화하는 흐름을 소개했습니다.
#GitLab#MLOps
4100
체계적인 실험관리 #2 AI 플랫폼에서 유연하게 연동하고 정확하게 재현하기
Runway의 실험 관리 기능과 재현 기능을 중심으로, MLflow 연동과 데이터셋·코드·환경 버전 관리를 정리했습니다. 산업 현장에서 빠른 원인 파악과 재배포를 위해 실험 재현이 왜 중요한지도 설명했습니다.
#MLOps#MLflow
3100
체계적인 실험 관리 #1. AI 모델의 성능을 높이는 첫걸음
AI 프로젝트에서 성능 비교와 재현성을 높이기 위한 실험 관리 체계를 소개했습니다. 데이터·코드 버전과 MLflow 기록을 분리해 협업과 추적성을 강화했습니다.
#MLflow#Git
2300
버즈빌의 ML 플랫폼 Buzzflow (1) - 모델을 개발하고 관리하기
Buzzflow는 YAML·래퍼·MLflow로 ML 파이프라인 개발과 모델 저장소를 표준화했습니다. 로컬 디버깅, CI 권한 관리, Airflow 기반 실행과 실패 모니터링도 구성했습니다.
#ML#MLOps
200
데이터사이언스팀이 예측모델을 개발하고 운영하는 방법을 소개합니다.
수요예측·추천 모델을 현장에 배포하고 운영하는 구조와 MLOps 기반을 소개했습니다. 데이터 품질, 성능 해석, Leakage 방지와 협업 기반 사후 대응의 중요성을 정리했습니다.
#수요예측#MLOPS
300