MLflow

End-to-End 머신러닝 라이프 사이클을 관리할 수 있는 오픈소스이다.

MLflow 기능

실험추적

하이퍼파라미터(learning_rate, epoch 등)와 실혐 결과(accuracy 등) 를 기록하고 비교하여 실험을 추적할 수 있다.

코드 패키징

데이터 사이언티스트와 ML 코드를 공유하거나, 프로덕션으로 배포하기 위해 재사용 가능한 형식으로 ML코드를 패키징 할 수 있다.

모델

다양한 머신러닝 프레임워크의 모델을 관리하고 배포할 수 있다.

소규 프로젝트에서 실험용으로는 적합하지만 프로덕션 환경에 적용하기는 많이 부족하다.

출처: https://databricks.com/wp-content/uploads/2020/06/blog-mlflow-model-1.png

MLflow와 Kubeflow의 차이점

MLflow

개인 또는 팀간 로컬 환경에서 손쉬운 협업이 가능하며, 소규모 프로젝트에서 실험용으로는 적합하지만 프로덕션 환경에 적용하기는 많이 부족하다.

Kubeflow

개인 또는 팀간 협업을 위해 Kubeflow와 Kubernetes에 대한 사전 지식이 필요하다. ML 파이프라인 자동화를 제공한다.

참고자료

Azure Databricks Documentation, https://docs.microsoft.com/ko-kr/azure/databricks/applications/mlflow/ MLflow vs Kubeflows. https://docs.microsoft.com/ko-kr/azure/databricks/applications/mlflow/