MLflow 해부 (6) 운영: tracking server, 스토리지, 인증
로컬 mlruns를 넘어 PostgreSQL backend와 S3 호환 artifact store를 붙인 tracking server를 구성합니다. proxied artifact access, 인증, Docker Compose 구성과 운영 함정을 정리합니다.
호승
MLflow 해부 (5) 조회와 자동화: search_runs와 재학습 연동
search_runs의 filter_string 문법으로 run을 코드에서 조회하고, 직전 champion보다 좋을 때만 새 모델을 승격하는 재학습 파이프라인 패턴을 만듭니다.
MLflow 해부 (4) Model Registry: 버전, alias, 서빙
run에 흩어진 모델을 이름과 버전으로 관리하는 Model Registry를 다룹니다. register_model 등록, alias 기반 승격과 롤백, models URI 로딩, mlflow models serve까지의 흐름입니다.
MLflow 해부 (3) 모델 기록: log_model, signature, autolog
log_model이 남기는 flavor와 환경 정보, 입력 스키마를 기록하는 signature, 그리고 수동 로깅을 한 줄로 대체하는 autolog의 동작 범위와 사용 기준을 정리합니다.
PyTorch 기초 (3) - 모델 조립: nn.Module, 손실, 옵티마이저, 학습 루프
autograd 위에 얹히는 상위 도구들 — 파라미터를 캡슐화하는 nn.Module과 nn.Linear, 손실 함수, torch.optim 옵티마이저 — 를 정리하고, 어떤 PyTorch 모델에도 똑같이 반복되는 다섯 줄짜리 표준 학습 루프를 조립한 PyTorch 기초 (3)편입니다.
MLflow 해부 (2) Tracking 기초: 설치와 첫 기록
MLflow를 설치하고 experiment와 run 개념을 잡은 뒤, log_params, log_metric, log_artifact로 첫 실험을 기록하고 UI에서 run을 비교하는 기본 동선을 정리합니다.
MLflow 해부 (1) 실험 추적 문제와 MLflow 구조
실험 기록이 왜 필요한지 요약하고, MLflow의 네 가지 구성요소와 backend store, artifact store로 갈라지는 저장 구조, wandb와 TensorBoard 대비 MLflow의 위치를 정리합니다.
MLflow 해부 (0) 시리즈 소개
MLflow를 기초부터 운영과 응용까지 정리하는 시리즈입니다. 실험 추적의 구조, Tracking과 Model Registry, 재학습 자동화, tracking server 운영, LLM tracing까지 일곱 편의 진행 순서를 정리한 0편입니다.
PyTorch 기초 (2) - autograd: 자동 미분과 계산 그래프
딥러닝 기초에서 손으로 짰던 역전파를 PyTorch가 대신 계산해주는 원리 — requires_grad와 계산 그래프, backward()와 grad, 기울기 누적과 zero_grad, no_grad와 detach — 를 정리하고 autograd만으로 경사하강을 돌려본 PyTorch 기초 (2)편입니다.
MySQL 해부 - Docker 설치부터 운영 기본까지
Docker로 MySQL 8.4를 설치하고 server, database, table, index, transaction 구조와 최소 SQL 예제, 백업과 복원, 서비스 계정, utf8mb4 문자셋 같은 운영 기본을 정리한 입문 단편입니다.