MLflow 해부 (0) 시리즈 소개

실험 추적 도구 MLflow를 기초부터 운영까지 정리하는 시리즈의 0편입니다. 시리즈 소개와 진행 순서를 다루며, 본문은 1편부터 시작합니다.

무엇을 다루나

MLflow 하나를 도구로서 끝까지 다룹니다. 로컬에 설치해서 첫 실험을 기록하는 것부터, 모델을 버전으로 관리하고, 재학습 파이프라인에 붙이고, 팀용 tracking server를 운영하고, 3.x의 LLM tracing까지가 범위입니다.

머신러닝 실전 워크플로 시리즈가 “실험 추적이 왜 필요한가”를 문제 중심으로 다뤘다면, 이 시리즈는 그 답으로 고른 도구의 사용법과 구조 자체를 다룹니다.

누구를 위한 시리즈인가

• 실험 기록을 노트북 셀과 파일 이름(model_final_v2.pkl)으로 관리하다가 한계를 느낀 사람
• MLflow로 log_metric까지는 해봤지만 Model Registry, 원격 서버, 자동화는 안 써본 사람
• 팀에서 쓸 실험 추적 환경을 직접 구성해야 하는 사람

머신러닝 실험 자체가 처음이라면 머신러닝 기초 시리즈를 먼저 보는 것을 권합니다.

어떻게 진행하는가

일곱 편으로 진행하며, 순서는 아래와 같습니다.

편	주제
(1)	실험 추적 문제와 MLflow 구조
(2)	Tracking 기초: 설치와 첫 기록
(3)	모델 기록: log_model, signature, autolog
(4)	Model Registry: 버전, alias, 서빙
(5)	조회와 자동화: search_runs와 재학습 연동
(6)	운영: tracking server, 스토리지, 인증
(7)	응용: 3.x tracing으로 LLM 호출 기록

1편과 2편이 기초, 3편부터 5편이 모델 관리와 자동화, 6편이 운영, 7편이 응용입니다.

실습 환경

• Python 3.12, uv로 패키지 관리
• MLflow 3.x, scikit-learn
• 6편의 운영 구성에서 PostgreSQL과 MinIO를 Docker로 띄웁니다

같은 도구를 실제 프로젝트에 붙인 기록은 NYC 택시 프로젝트 6편에 있습니다.