MLOps Pipeline

이 글에서 다루는 것 모델 등록(MLflow)과 서빙 반영(Triton + FastAPI)을 분리한 구조, explicit 모드, FastAPI Reload API, 확장 전략(replica/batching), Feature Store 연동 패턴 선수지식 GitOps 기반 E2E ML Platform - 모델 반영 제어 MLflow + Triton + FastAPI 등록과 서빙 반영을 분리한 이유 들어가며 ML 시스템을 처음 구축할 때 흔히 다음과 같은 구조를 사용합니다. Train ↓ MLflow Register ↓ Deploy 즉, 모델 등록과 서빙 반영이 거의 같은 단계로 취급됩니다. 이 방식은 간단하고 구현하기 쉽습니다. ...

이 글에서 다루는 것 Drift Gate의 KS statistic 기반 검증, Promotion/Shadow 분기 정책, FastAPI 트래픽 분기(Mirror/Split) 전략 선수지식 GitOps 기반 E2E ML Platform - 운영 환경 반영 제어 Drift Gate / Promotion / Shadow 검증된 변경만 운영 경로에 올림 들어가며 모델 학습 파이프라인을 만들다 보면 다음 질문이 자연스럽게 등장합니다. 어떤 모델을 운영 환경에 반영할 것인가? 많은 프로젝트에서는 다음 기준을 사용합니다. accuracy >= threshold 하지만 운영 환경에서는 이 기준만으로는 충분하지 않습니다. ...

이 글에서 다루는 것 E2E 파이프라인 전체 구조, DAG 레벨 에러 처리(SLA/on_failure_callback), SSOT 패턴(ids.py/policy.py), Promotion/Shadow 분기, Rollback 구조 선수지식 GitOps 기반 E2E ML Platform - 토글 구조 E2E DAG: 학습 성공이 곧 운영 반영을 의미하지 않도록 설계 들어가며 많은 머신러닝 파이프라인은 다음과 같은 형태를 가집니다. Train → Register → Deploy 이 구조는 실험 환경에서는 충분히 동작합니다. 하지만 운영 환경에서는 몇 가지 중요한 문제가 생깁니다. 예를 들어 다음 상황을 생각해볼 수 있습니다. ...

이 글에서 다루는 것 Optional 레이어(Feature Store)를 실제로 ON/OFF하면서 Core 시스템이 독립적으로 동작하는지 검증하는 과정 선수지식 GitOps 기반 E2E ML Platform - GitOps 구조 Optional ON/OFF 확장 기능을 비파괴적으로 붙였다 떼는 구조 들어가며 ML 플랫폼을 설계하다 보면 자연스럽게 다음 질문이 등장합니다. Feature Store를 붙일까? 데이터 파이프라인 시스템을 추가할까? 추가 실험 플랫폼을 도입할까? 이런 시스템들은 대부분 유용합니다. 하지만 동시에 다음과 같은 문제를 가져올 수 있습니다. 플랫폼 복잡도 증가 시스템 의존성 증가 장애 전파 범위 확대 예를 들어 Feature Store를 Core 시스템에 강하게 연결하면 ...

이 글에서 다루는 것 ArgoCD AppProject와 ApplicationSet을 사용해 dev/prod 환경과 Core/Baseline/Optional 레이어 경계를 구조적으로 강제하는 방법 선수지식 GitOps 기반 E2E ML Platform - 운영 경계 ArgoCD AppProject / ApplicationSet dev/prod와 레이어 경계를 강제하기 들어가며 GitOps를 사용하는 이유는 보통 다음과 같이 설명됩니다. Git이 Single Source of Truth다 배포가 자동화된다 변경 이력을 추적할 수 있다 이 설명은 맞지만, 운영 관점에서 GitOps의 가장 중요한 역할은 따로 있습니다. 바로 배포 경계를 구조로 강제하는 것 ...

이 글에서 다루는 것 Core / Baseline / Optional 세 레이어의 설계 기준과 실제 GitOps 배포 구조에서의 구현 선수지식 GitOps 기반 E2E ML Platform - 설계 의도 Core / Baseline / Optional 운영 가능한 경계를 먼저 설계 들어가며 ML 플랫폼을 설계할 때 흔히 하는 접근은 필요한 도구를 하나씩 붙여 나가는 방식입니다. 예를 들어 다음과 같은 식입니다. Airflow 설치 MLflow 추가 Triton 추가 Monitoring 추가 Feature Store 추가 이 방식은 처음에는 빠르게 시스템을 만들 수 있습니다. ...

이 글에서 다루는 것 GitOps 기반 E2E ML Platform의 4가지 설계 원칙과 시리즈 전체 구조 선수지식 이 글부터 시작 가능 (시리즈 첫 글) Kubernetes, ArgoCD 기본 개념을 알면 더 좋음 GitOps 기반 E2E ML Platform 설계 의도 들어가며 머신러닝 프로젝트를 처음 접하면 보통 이런 흐름으로 시작합니다. 데이터를 준비한다 모델을 학습한다 모델을 배포한다 이 흐름은 학습이나 실험에는 충분합니다. 하지만 운영 환경에서는 이야기가 조금 달라집니다. 운영 환경에서는 다음 질문이 먼저 등장합니다. ...

GitOps로 계약 배포 + Airflow 버전화/Latest 저장 + Feast 조회까지 E2E 증명 🧭 목차 구분 증명 포인트 A. GitOps 분리 dev·prod 독립 배포 + 상태 고정(Synced/Healthy) B. Contract 고정 계약(schema / repo)을 운영 리소스로 배포·마운트 C. 파이프라인 Airflow DAG E2E 성공 D. 저장 정책 S3 version 1단 + latest 동시 유지 E. 재현성 schema_hash·metadata로 생성 조건 기록 F. Feast 검증 s3fs → materialize → online 조회 성공 이 글은 설명이 아니라 증거(Proof)만 남깁니다. ...

Feature Store는 ‘피처 생성’이 아니라 운영 재현성의 기준 📌 시리즈 전체 경로 요약 순서 주제 1 Contract 기반 Feature Store-lite 구축 2 Feast 확장으로 조회 가능한 플랫폼 완성 3 Proof로 운영 신뢰성 검증 이 시리즈는 “Feast를 써봤다”가 아니라, Feature Store를 운영 가능한 시스템으로 고정하는 과정을 기록했습니다. 🎯 전체 회고 요약 단계 목표 고정된 기준 1 Feature Store-lite 뼈대 구축 Contract 분리 + 버전 1단 + 재현성 메타 2 Feast로 플랫폼 확장 version + latest 정책 + offline/online 일관성 3 Proof로 신뢰성 확보 E2E 검증 + 장애 재현·복구 🔄 이 시리즈를 관통하는 한 문장 Contract → Build → Versioned Store → Latest Pointer → Apply → Materialize → Online Read ...

이 글에서 다루는 것 Feature Store-lite 위에 Feast를 얹어, S3 Offline + Redis Online + Feature Server 구성으로 “저장하는 파이프라인"을 “조회 가능한 피처 플랫폼"으로 확장하는 과정 선수지식 Feature Store & Feast - Feature Store-lite 이 단계에서 해결하려는 문제 이전 글(Feature Store-lite)에서 계약(스키마/메타) + 버전화 저장 + 재현성까지 고정했습니다. 하지만 실무에서는 “저장"에서 끝나지 않습니다. 결국 중요한 건 조회 가능(Serving-ready) 상태입니다. 이번 글은 Feature Store-lite 위에 Feast를 얹어 아래를 완성합니다. Offline Source: S3의 latest/features.parquet (Feast가 읽는 고정 포인터) Registry: S3에 registry.pb 저장(환경별 분리) Online Store: Redis 적재(materialize)로 온라인 조회 가능 Feature Server: 상시 서비스 + startup 시 feast apply 즉, “저장하는 파이프라인” -> “조회 가능한 피처 플랫폼"으로 확장하는 단계입니다. ...