MLflow의 모델을 FastAPI로 서빙하면서, 학습과 서빙의 피처를 일치시키는 문제(train-serving skew)를 다룬 과정을 정리했습니다.

소프트웨어 마에스트로 17기 지원부터 선발까지, 준비하며 찾기 어려웠던 정보를 정리했습니다.

로컬 파일로 돌아가던 파이프라인에 오브젝트 스토리지, 피처 DB, 실험 추적 서버를 연결한 과정을 정리했습니다.

학습이 필요 없는 규칙 3종부터 LightGBM, PyTorch MLP까지 동일한 분할과 지표로 비교한 결과를 정리했습니다.

원본 운행 기록 296만 건을 지역과 시간별 수요 테이블로 집계하고, 데이터 누수 없는 피처를 만든 과정을 정리했습니다.

NYC TLC 공식 데이터를 직접 받아 스키마를 확인하고, 수요 예측에 필요한 패턴을 탐색한 과정을 정리했습니다.

uv 기반 Python 3.11 환경, 프로젝트 구조, Docker 스택 계획까지 파이프라인 개발환경 구성을 정리했습니다.

모델 학습에서 끝나지 않고 데이터 적재부터 배포와 모니터링까지 만들어보는 End-to-End ML 프로젝트의 설계를 정리했습니다.

데이터 적재부터 학습, 배포, 모니터링, 재학습까지 전체 사이클을 직접 구축하는 End-to-End ML 프로젝트가 무엇을 만드는지, 누구를 위한 기록인지, 여덟 편의 진행 순서와 사용하는 도구를 정리한 0편입니다.

집계, 학습, 평가, 승격 판단으로 이어지는 주간 재학습 DAG를 작성합니다. MLflow의 승격 자동화 함수를 마지막 task로 붙이고, 시리즈 전체의 개념이 한 DAG에서 어떻게 만나는지 정리하며 마칩니다.