솔루션 아키텍처 살펴보기

  • 4분

모든 요구 사항이 충족되도록 구현을 진행하기 전에 전체적인 그림을 이해하는 것이 중요합니다. 또한 접근 방식이 미래에 쉽게 조절 가능하도록 하고 싶습니다. 이 연습에서는 솔루션 아키텍처에 정의된 MLOps(기계 학습 작업) 전략에 대한 오케스트레이션 및 자동화 도구로 GitHub Actions를 사용하기 시작하는 데 중점을 둡니다.

기계 학습 작업 아키텍처 다이어그램

참고

다이어그램은 MLOps 아키텍처의 간소화된 표현입니다. 더 자세한 아키텍처를 보려면 MLOps(v2) 솔루션 가속기에서 다양한 사용 사례를 살펴봅니다.

아키텍처에는 다음이 포함됩니다.

  1. 설치: 솔루션에 필요한 모든 Azure 리소스를 만듭니다.
  2. 모델 개발(내부 루프): 모델을 학습하고 평가하기 위해 데이터를 탐색하고 처리합니다.
  3. 연속 통합: 모델을 패키지하고 등록합니다.
  4. 모델 배포(외부 루프): 모델을 배포합니다.
  5. 지속적인 배포: 모델을 테스트하고 프로덕션 환경으로 승격합니다.
  6. 모니터링: 모델 및 엔드포인트 성능을 모니터링합니다.

특히, 모델 개발의 학습 부분 또는 내부 루프를 자동화하여 궁극적으로 스테이징 및 프로덕션 환경에 배포할 여러 모델을 신속하게 학습시키고 등록할 수 있게 됩니다.

인프라 팀에서 Azure Machine Learning 작업 영역, Azure Machine Learning 컴퓨팅 및 GitHub 리포지토리를 모두 만들었습니다.

또한 분류 모델을 학습시키는 코드는 프로덕션에서 사용할 준비가 되었고, 모델을 학습시키는 데 필요한 데이터는 Azure Machine Learning 작업 영역에 연결된 Azure Blob Storage에서 사용할 수 있습니다.

구현을 통해 내부 루프에서 외부 루프로의 이동이 데이터 과학자가 새 모델 코드를 GitHub 리포지토리에 푸시할 때마다 발생하는 자동화된 프로세스가 되도록 하면, 당뇨병 분류 모델을 사용하는 웹 애플리케이션과 같이 모델의 다운스트림 소비자에게 기계 학습 모델을 지속적으로 전달할 수 있습니다.