모델 레지스트리
모델 레지스트리는 훈련된 기계 학습 모델을 위한 버전 제어 카탈로그로, 각 버전의 계보, 측정항목 및 배포 단계를 추적합니다.
개요
It acts as the single source of truth between experimentation and production, so teams know exactly which model is live, how it was built, and how to roll back.
심층 분석
훈련을 통해 많은 모델 버전이 생성되며, 레지스트리가 없으면 어떻게 만들어졌는지에 대한 기록 없이 'model_final_v3_really.pkl'이라는 파일로 흩어지게 됩니다. 모델 레지스트리는 학습 데이터세트, 코드 커밋, 하이퍼파라미터, 평가 측정항목 등의 메타데이터와 함께 각 버전을 저장하여 이 문제를 해결합니다. 모델은 일반적으로 준비, 생산, 보관 등의 수명 주기 단계를 거치며 승인 및 테스트를 거쳐 프로모션이 진행됩니다. 이는 감사 가능성(누가 무엇을, 언제, 왜 배포했는지), 재현성(기록된 계보에서 모든 버전을 다시 빌드) 및 안전한 롤백(배포 성능이 저하되면 즉시 이전 버전으로 서비스를 다시 지정)을 제공합니다. MLflow, SageMaker 모델 레지스트리 및 Vertex AI와 같은 레지스트리는 CI/CD와 통합되므로 모델을 승격하면 배포가 자동으로 트리거될 수 있으며 예상되는 입력 및 출력을 설명하는 모델 서명을 저장하는 경우가 많습니다.
기술적 통찰력
레지스트리는 원시 가중치만 저장하는 것이 아니라 패키지된 아티팩트와 구조화된 메타데이터 및 단계 레이블을 저장합니다. 등록된 각 모델에는 버전이 있으며, 각 버전은 이를 생성한 실험 실행에 연결되어 코드 커밋, 환경 및 지표를 캡처합니다. 단계 전환(스테이징에서 프로덕션으로)은 배포 파이프라인에 웹후크를 실행할 수 있는 기록된 이벤트입니다. 입력 및 출력 유형의 명시적 스키마인 모델 서명을 사용하면 제공 시스템이 요청을 검증하고 자동 예측 오류가 발생하기 전에 불일치를 포착할 수 있습니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
모델 레지스트리의 미래
AI 규정이 강화됨에 따라 레지스트리는 거버넌스 허브로 확장되어 규정 준수에 필요한 모델 카드, 편향 평가 및 감사 추적을 자동으로 연결하고 있습니다. 모니터링에 대한 더 긴밀한 연결을 통해 레지스트리는 배포된 내용뿐 아니라 실시간으로 수행되는 방식을 알 수 있으며 드리프트가 임계값을 초과할 경우 자동화된 롤백을 기대합니다. 생성적 AI가 성장함에 따라 레지스트리는 미세 조정된 LLM 버전, 프롬프트 및 어댑터 가중치를 추적하고 각 애플리케이션에 서비스를 제공하는 모델 및 프롬프트 조합을 관리하도록 적응하고 있습니다.
실제 구현
팀은 MLflow Model Registry를 사용하여 사기 모델을 '스테이징'에서 '프로덕션'으로 승격시켜 CI/CD 파이프라인을 통해 자동화된 배포를 트리거합니다.
새 모델 버전으로 인해 오류율이 높아지면 대기 중인 엔지니어가 몇 초 만에 이전에 등록된 버전으로 서비스를 다시 지정하여 롤백합니다.
감사자는 레지스트리를 검토하여 현재 생산 중인 신용 점수 모델을 생성한 데이터 세트 및 코드 커밋을 확인합니다.
MLOps 팀은 각 버전의 평가 지표를 레지스트리에 저장하므로 검토자가 프로모션을 승인하기 전에 후보 모델을 비교할 수 있습니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Model Registries quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
ONNX 및 모델 상호 운용성
자주 묻는 질문
What is Model Registries?
모델 레지스트리는 훈련된 기계 학습 모델을 위한 버전 제어 카탈로그로, 각 버전의 계보, 측정항목 및 배포 단계를 추적합니다. 이는 실험과 생산 사이에서 단일 정보 소스 역할을 하므로 팀은 어떤 모델이 라이브인지, 어떻게 구축되었는지, 어떻게 롤백하는지 정확히 알 수 있습니다.
모델 등록의 주요 목적은 무엇입니까?
레지스트리는 모델 버전, 해당 계보 및 지표, 배포 단계를 추적하므로 모든 사람이 어떤 모델이 활성화되어 있고 어떻게 구축되었는지 알 수 있습니다.
모델은 일반적으로 레지스트리에서 어떤 수명주기 단계를 거치나요?
모델은 일반적으로 준비 단계에서 생산 단계로 승격되고 나중에 보관되며, 각 전환이 기록되고 종종 승인을 거쳐 관리됩니다.
모델 레지스트리는 어떻게 안전한 롤백을 활성화합니까?
이전 버전은 등록된 상태로 유지되므로 새 배포의 성능이 저하되면 팀은 몇 초 안에 서비스를 알려진 양호한 버전으로 다시 전환할 수 있습니다.
레지스트리의 모델 서명이란 무엇입니까?
서명은 예상되는 입력 및 출력을 정의하므로 서비스 제공 시스템이 요청을 검증하고 자동 오류가 발생하기 전에 불일치를 포착할 수 있습니다.
기록된 계보(데이터 세트, 코드 커밋, 하이퍼파라미터)가 중요한 이유는 무엇입니까?
계보를 사용하면 팀이 모든 버전을 다시 빌드할 수 있으며 감사자는 배포된 모델을 생성한 데이터와 코드를 정확히 확인할 수 있습니다.