Learn AI with Python · 강의

모델 레지스트리와 버전 관리

모델 등록, 스테이징(Staging/Production), 모델 별칭, 버전별 모델 불러오기를 다룹니다.

모델 레지스트리와 버전 관리은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

모델 레지스트리란 무엇인가요

MLflow 모델 레지스트리는 모델을 중앙에서 저장하는 공간입니다. 이름이 지정된 모델과 해당 버전, 수명 주기 단계를 추적하므로 팀 전체가 어떤 모델이 운영 환경에 배포되어 있는지, 그리고 어떻게 그 상태가 되었는지를 항상 알 수 있습니다.

버전 관리가 중요한 이유

모델은 계속 다시 학습합니다. 버전 관리를 사용하면 다시 학습할 때마다 번호를 부여하고, 새 모델이 제대로 작동하지 않을 경우 즉시 이전 버전으로 되돌릴 수 있습니다. 또한 각 버전을 해당 모델을 만든 실행과 연결하여 전체 계보를 확인할 수 있습니다.

모델 등록

mlflow.register_model은 기록된 모델 URI와 이름을 받아 레지스트리에 버전 1(또는 다음 버전)을 생성합니다.

import mlflow

result = mlflow.register_model(
    model_uri="runs:/<run_id>/model",
    name="churn_classifier"
)
print("Version:", result.version)

기록할 때 등록하기

registered_model_name을 전달하면 모델을 기록하는 동시에 직접 등록할 수도 있습니다. 그러면 실행할 때마다 새 버전이 자동으로 생성됩니다.

mlflow.sklearn.log_model(
    model,
    artifact_path="model",
    registered_model_name="churn_classifier"
)

수명 주기 단계

각 버전은 다음 단계를 거칩니다. 없음 -> 스테이징(테스트) -> 프로덕션(운영 중) -> 보관됨. 단계는 어떤 버전인지와 어떤 버전이 서비스를 제공하는지를 분리하므로, 승격은 다시 배포하지 않고 메타데이터만 변경하면 됩니다.

MlflowClient

프로그래밍 방식의 레지스트리 작업은 MlflowClient를 통해 수행합니다.

from mlflow.tracking import MlflowClient

client = MlflowClient()

단계 전환

transition_model_version_stage는 버전을 승격합니다. 검증을 위해 스테이징으로 이동한 다음, 검증이 끝나면 프로덕션으로 이동하세요.

client.transition_model_version_stage(
    name="churn_classifier",
    version=3,
    stage="Production"
)

단계로 모델 불러오기

서비스 제공 코드는 버전 번호를 직접 지정하지 않고 “프로덕션에 있는 항목”을 불러올 수 있습니다. 따라서 새 버전을 승격하면 서비스되는 모델이 즉시 바뀝니다.

import mlflow.pyfunc

model = mlflow.pyfunc.load_model(
    "models:/churn_classifier/Production"
)

모델 별칭(MLflow 2.x)

MLflow 2.x에서는 별칭이 도입되었습니다. 별칭은 @champion이나 @challenger처럼 버전에 연결된 변경 가능한 이름 지정 포인터입니다. 고정된 단계 이름보다 유연하며, 현재 권장되는 방식입니다.

client.set_registered_model_alias(
    name="churn_classifier",
    alias="champion",
    version=3
)

별칭으로 모델 불러오기

@ 구문으로 모델의 별칭을 참조할 수 있으므로, 별칭을 새 버전에 다시 지정하면 모든 사용자가 참조하는 모델이 즉시 바뀝니다.

model = mlflow.pyfunc.load_model(
    "models:/churn_classifier@champion"
)

단계와 별칭 비교

단계: 고정된 집합(스테이징/프로덕션/보관됨)으로, 수명 주기를 간단하게 관리합니다.
별칭: 원하는 이름을 사용할 수 있고 모델마다 여러 개를 지정할 수 있으며, MLflow 2.x에서 권장됩니다.

새 프로젝트에서는 유연성을 위해 별칭을 우선적으로 사용해야 합니다.

빠른 확인

모델 레지스트리에 대한 지식을 확인해 보세요.

복습

MLflow 모델 레지스트리를 사용했습니다. register_model은 버전을 생성하고, MlflowClient.transition_model_version_stage는 버전을 스테이징/프로덕션 단계로 이동합니다. 또한 단계나 별칭(MLflow 2.x)으로 모델을 불러오므로 코드를 변경하지 않고도 서비스 모델을 업데이트할 수 있습니다. 다음 주제: 재현 가능한 파이프라인 구축.

자주 묻는 질문

“모델 레지스트리와 버전 관리” 강의는 무료인가요?

네 — “모델 레지스트리와 버전 관리” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“모델 레지스트리와 버전 관리”에서 뭘 배우나요?

모델 등록, 스테이징(Staging/Production), 모델 별칭, 버전별 모델 불러오기를 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“모델 레지스트리와 버전 관리” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기