이 섹션에서는 머신러닝(ML) 워크플로로 머신러닝 작업(MLOps)을 구현하는 데 도움이 되는 Vertex AI 서비스를 설명합니다.
모델을 배포한 후에는 최적의 성능을 유지하고 관련성을 유지하기 위해 환경에서 변화하는 데이터를 따라잡아야 합니다. MLOps는 ML 시스템의 안정성과 신뢰성을 개선하는 일련의 권장사항입니다.
Vertex AI MLOps 도구는 AI팀 간 공동작업을 수행하고 예측 모델 모니터링, 알림, 진단, 활용 가능한 설명을 통해 모델을 개선하는 데 도움이 됩니다. 모든 도구는 모듈형이므로 필요에 따라 기존 시스템에 통합할 수 있습니다.
MLOps에 대한 자세한 내용은 머신러닝의 지속적 배포 및 자동화 파이프라인 및 MLOps 실무자 가이드를 참조하세요.
워크플로 조정: 모델을 수동으로 학습시키고 제공하는 데 시간이 오래 걸리고 오류가 발생하기 쉬운데 프로세스를 여러 번 반복해야 하는 경우 특히 그렇습니다.
- Vertex AI 파이프라인을 사용하면 ML 워크플로를 자동화, 모니터링, 제어할 수 있습니다.
ML 시스템에서 사용되는 메타데이터 추적: 데이터 과학에서 ML 워크플로에서 사용되는 매개변수, 아티팩트, 측정항목을 추적하는 것이 중요합니다. 특히 워크플로를 여러 번 반복하는 경우 더욱 그렇습니다.
- Vertex ML 메타데이터를 사용하면 ML 시스템에서 사용되는 메타데이터, 매개변수, 아티팩트를 기록할 수 있습니다. 그런 다음 해당 메타데이터를 쿼리하여 ML 시스템 또는 ML 시스템에서 생성하는 아티팩트의 성능을 분석, 디버깅, 감사할 수 있습니다.
사용 사례에 가장 적합한 모델 식별: 새 학습 알고리즘을 사용해 볼 때 가장 적합한 학습 모델을 알아야 합니다.
Vertex AI 실험을 사용하면 다양한 모델 아키텍처, 초매개변수, 학습 환경을 추적 및 분석하여 사용 사례에 가장 적합한 모델을 파악할 수 있습니다.
Vertex AI TensorBoard를 사용하면 ML 실험을 추적, 시각화, 비교하여 모델 성능을 측정할 수 있습니다.
모델 버전 관리: 중앙 저장소에 모델을 추가하면 모델 버전을 추적하는 데 도움이 됩니다.
- Vertex AI Model Registry는 모델 개요를 제공하며, 새 버전을 더욱 효과적으로 구성, 추적하고 학습시킬 수 있습니다. Model Registry에서 모델을 평가하고 엔드포인트에 모델을 배포하고 일괄 예측을 만들고 특정 모델 및 모델 버전에 대한 세부정보를 볼 수 있습니다.
특성 관리: 여러 팀에서 ML 특성을 재사용하는 경우 빠르고 효율적으로 특성을 공유하고 제공할 수 있는 방법이 필요합니다.
- Vertex AI Feature Store는 ML 특성을 구성, 저장, 제공할 수 있는 중앙 집중식 저장소를 제공합니다. 중앙 집중식 피처스토어를 사용하면 조직에서 ML 특성을 대규모로 다시 사용하고 새 ML 애플리케이션 개발 및 배포 속도를 높일 수 있습니다.
모델 품질 모니터링: 프로덕션에 배포된 모델은 학습 데이터와 유사한 예측 입력 데이터에서 최상으로 작동합니다. 입력 데이터가 모델을 학습시키는 데 사용된 데이터와 다르면 모델 자체가 변경되지 않았더라도 모델 성능이 저하될 수 있습니다.
- Vertex AI Model Monitoring은 학습-서빙 편향과 예측 드리프트에 대해 모델을 모니터링하고 수신 예측 데이터 편향이 학습 기준에서 너무 멀리 벗어나면 알림을 전송합니다. 알림 및 특성 분포를 사용하여 모델을 다시 학습해야 하는지 평가할 수 있습니다.