개요
Seldon Core는 추론 그래프라는 뛰어난 기능을 갖춘 Kubernetes에 기계 학습 모델을 배포하기 위한 오픈 소스 플랫폼입니다. 하나의 격리된 모델을 제공하는 대신 모델, 라우터, 결합기 및 변환기를 하나의 배포 가능한 서비스로 실행되는 단일 방향성 그래프로 연결할 수 있습니다.
Seldon Core 및 Inference Graphs는 모델 품질, 인프라 비용, 대기 시간 및 대규모 안정성에 영향을 미치는 기술 구성 요소입니다.
심층 분석
많은 실제 프로덕션 사용 사례에는 단일 모델 호출 이상이 포함됩니다. 입력을 사전 처리하고, 요청을 여러 모델 중 하나로 라우팅하고, 앙상블을 실행한 후 결과를 사후 처리할 수 있습니다. Seldon Core는 이를 SeldonDeployment(또는 v2 아키텍처에서는 Seldon Core Operator 및 MLServer를 통해)에 정의된 추론 그래프로 표현합니다. 그래프는 재사용 가능한 구성 요소 유형으로 구성됩니다. 모델은 예측을 제공하고, 변환기는 입력 또는 출력을 수정하고, 라우터는 호출할 하위 항목을 결정하고(A/B 테스트 및 다중 무장 도적 지원), 결합기는 앙상블을 위해 여러 모델의 출력을 집계합니다. Seldon은 사전 패키지된 서버와 사용자 정의 Python 래퍼를 통해 많은 프레임워크를 지원하며 관찰 가능성과 설명 가능성을 위해 풍부한 측정항목, 분산 추적, 페이로드 로깅을 즉시 제공합니다.
기술적 통찰력
추론 그래프는 각 노드가 표준 예측 인터페이스를 갖춘 마이크로서비스이고 Seldon의 오케스트레이터(서비스 오케스트레이터/실행자)가 그래프를 통해 요청을 라우팅하고 응답을 병합하는 방향성 비순환 그래프입니다. 라우터는 다중 무장 적기 논리를 구현할 수 있기 때문에 트래픽은 실시간 보상 신호를 기반으로 더 나은 성능의 모델로 적응적으로 이동할 수 있습니다. Seldon Core v2는 MLServer 및 Open Inference Protocol을 사용하여 개별 모델 서버에서 그래프를 분리하여 공유 하드웨어에서 다중 모델 제공 및 오버커밋을 지원합니다.
Seldon Core 및 추론 그래프 마스터하기
Seldon Core는 추론 그래프라는 뛰어난 기능을 갖춘 Kubernetes에 기계 학습 모델을 배포하기 위한 오픈 소스 플랫폼입니다. 하나의 격리된 모델을 제공하는 대신 모델, 라우터, 결합기 및 변환기를 하나의 배포 가능한 서비스로 실행되는 단일 방향성 그래프로 연결할 수 있습니다. Seldon Core 및 Inference Graphs는 모델 품질, 인프라 비용, 대기 시간 및 대규모 안정성에 영향을 미치는 기술 구성 요소입니다. 깊은 이해를 구축하려면 Seldon Core 및 추론 그래프를 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하며, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Seldon Core 및 Inference Graphs를 사용하는 강력한 팀은 안정성과 비용에 맞춰 아키텍처, 데이터 및 인프라 선택을 최적화합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 동시에 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
대출 기관은 기능을 원-핫 인코딩하는 Transformer를 모델 노드로 연결한 다음 점수 형식을 지정하는 Transformer를 모두 하나의 SeldonDeployment로 연결합니다.
미디어 회사는 Multi-armed Bandit을 실행하는 라우터 노드를 사용하여 클릭 보상이 더 높은 추천 모델에 더 많은 트래픽을 동적으로 보냅니다.
팀은 단일 결정을 호출자에게 반환하기 전에 점수의 평균을 구하는 Combiner 노드를 사용하여 세 가지 사기 모델을 앙상블합니다.
규제 대상 보험사는 Seldon의 페이로드 로깅 및 Alibi 설명을 추론 그래프에 첨부하여 감사를 위해 모든 예측을 추적하고 설명할 수 있습니다.
구현 패턴
Seldon Core 및 추론 그래프의 실제 사례
대출 기관은 기능을 원-핫 인코딩하는 Transformer를 모델 노드로 연결한 다음 점수 형식을 지정하는 Transformer를 모두 하나의 SeldonDeployment로 연결합니다.
대출 기관은 기능을 원-핫 인코딩하는 Transformer를 모델 노드에 연결한 다음 점수 형식을 지정하는 Transformer를 모두 하나로 연결합니다. SeldonDeployment 팀은 일반적으로 품질 임계값을 미리 정의하고, 엣지 케이스에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Seldon Core 및 추론 그래프의 실제 사례
미디어 회사는 Multi-armed Bandit을 실행하는 라우터 노드를 사용하여 클릭 보상이 더 높은 추천 모델에 더 많은 트래픽을 동적으로 보냅니다.
미디어 회사는 Multi-armed Bandit을 실행하는 라우터 노드를 사용하여 더 높은 클릭 보상을 얻는 추천 모델에 더 많은 트래픽을 동적으로 보냅니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Seldon Core 및 추론 그래프의 실제 사례
팀은 단일 결정을 호출자에게 반환하기 전에 점수의 평균을 구하는 Combiner 노드를 사용하여 세 가지 사기 모델을 앙상블합니다.
팀은 호출자에게 단일 결정을 반환하기 전에 점수를 평균화하는 Combiner 노드로 세 가지 사기 모델을 앙상블합니다. 일반적으로 팀은 품질 임계값을 미리 정의하고, 엣지 케이스에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Seldon Core 및 추론 그래프의 실제 사례
규제 대상 보험사는 Seldon의 페이로드 로깅 및 Alibi 설명을 추론 그래프에 첨부하여 감사를 위해 모든 예측을 추적하고 설명할 수 있습니다.
규제를 받는 보험사는 Seldon의 페이로드 로깅 및 Alibi 설명자를 추론 그래프에 첨부하여 모든 예측을 추적하고 감사를 위해 설명할 수 있습니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
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.
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.