[MLflow : Tracking + FastAPI 연동]

목표
MLflow Tracking Server 구성
실험(Experiment), 파라미터, 메트릭, 아티팩트 기록
모델 등록 → Stage 이동 → API 연동까지

👉 실습 코드는 🔗 GitHub (Mlflow - Tracking + FastAPI)

🧭 실습 전체 흐름 요약

[1단계] MLflow Tracking Server 구성 (로컬 환경에서 실행)
[2단계] 실험 실행 (train.py) → 모델 학습, 기록
[3단계] 모델 등록 및 Stage 설정 (Production 이동)
[4단계] FastAPI 연동 → 예측 API 서비스

🧩 실습 디렉토리 예시

mlops-mlflow/
├── app/
│   ├── train.py         # 모델 훈련 및 실험 기록
│   └── model.pkl        # 저장된 모델
├── mlruns/              # 실험 데이터 자동 생성
├── fastapi_app/
│   └── app.py           # FastAPI 예측 API
├── Dockerfile (선택)
└── README.md

✅ [1단계] MLflow 설치 & 실행

🛠️ 가상 환경 설정

# 1. venv 설치
sudo apt install python3-venv -y

# 2. 가상환경 생성
python3 -m venv .venv

# 3. 가상환경 활성화
source .venv/bin/activate

# 4. 패키지 설치
pip install mlflow scikit-learn pandas fastapi uvicorn

# 5. 나갈 때
deactivate

🔧 MLflow 서버 실행

mlflow ui --port 5000  # http://localhost:5000 에서 UI 확인

🧪 [2단계] 실험 실행 (train.py)

# app/train.py

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# MLflow 설정
mlflow.set_tracking_uri("http://localhost:5000")
mlflow.set_experiment("iris-rf-exp")

with mlflow.start_run():
    iris = load_iris()
    X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)
    clf = RandomForestClassifier(n_estimators=100, max_depth=3)
    clf.fit(X_train, y_train)
    acc = clf.score(X_test, y_test)

    mlflow.log_param("n_estimators", 100)
    mlflow.log_param("max_depth", 3)
    mlflow.log_metric("accuracy", acc)
    mlflow.sklearn.log_model(clf, "model")

# 실험 실행
python app/train.py

실험이 끝나면 mlruns/ 폴더에 실험 기록 및 모델이 저장

🧱 [3단계] 모델 등록 및 Stage 설정

브라우저에서 http://localhost:5000 접속
실험에서 생성된 Run → “Register Model” 클릭
Model Registry → iris-rf 모델 등록
모델에 Stage(Production) 설정
- models:/iris-rf@production 형식으로 호출

🚀 [4단계] FastAPI로 예측 API 연동

# fastapi_app/app.py

import mlflow
import mlflow.pyfunc
from fastapi import FastAPI
from pydantic import BaseModel
import pandas as pd

# MLflow URI 설정
mlflow.set_tracking_uri("http://localhost:5000")  # MLflow 서버 URI 설정

# FastAPI 인스턴스 생성
app = FastAPI()

# MLflow 모델 로드
model = mlflow.pyfunc.load_model("models:/iris-rf@production")  # 모델 alias를 이용

# 입력 데이터 구조 정의
class InputData(BaseModel):
    features: list  # 4개의 특성값을 받음

# 예측 API 엔드포인트
@app.post("/predict")
def predict(data: InputData):
    input_df = pd.DataFrame([data.features], columns=["sepal_length", "sepal_width", "petal_length", "petal_width"])
    pred = model.predict(input_df)
    return {"prediction": int(pred[0])}

# FastAPI 서버 실행
uvicorn fastapi_app.app:app --reload --port 8000

예측 API 테스트

curl -X POST http://localhost:8000/predict \
     -H "Content-Type: application/json" \
     -d '{"features": [5.1, 3.5, 1.4, 0.2]}'

예측 결과: { “prediction”: 0 } → setosa 품종

🎯 핵심 요약

항목	설명
MLflow	실험 기록, 모델 관리, 파라미터/메트릭 로깅
FastAPI	모델을 API로 제공하는 웹 프레임워크
Model Registry	모델 버전 관리 및 Stage 설정
실험 기록	`mlruns/` 디렉토리에 자동 저장

🧩 실무 팁

MLflow로 모델 버전 관리 및 Stage 설정이 가능해져 배포가 쉬워짐
FastAPI로 빠른 프로토타입과 배포까지 이어지는 완전한 MLOps 파이프라인 구축 가능

🔧 MLOps 실전 연결

실무 상황	Kubernetes 사용 방식
모델 트래킹 & 관리	MLflow로 모델 추적, GitOps와 연동 가능
API 연동	FastAPI로 서비스 배포 및 실시간 예측 API 제공
모델 버전 관리	Model Registry를 통해 배포 환경 분리

🧭 실습 전체 흐름 요약#

🧩 실습 디렉토리 예시#

✅ [1단계] MLflow 설치 & 실행#

🛠️ 가상 환경 설정#

🔧 MLflow 서버 실행#

🧪 [2단계] 실험 실행 (train.py)#

🧱 [3단계] 모델 등록 및 Stage 설정#

🚀 [4단계] FastAPI로 예측 API 연동#

예측 API 테스트#

🎯 핵심 요약#

🧩 실무 팁#

🔧 MLOps 실전 연결#

🧭 실습 전체 흐름 요약

🧩 실습 디렉토리 예시

✅ [1단계] MLflow 설치 & 실행

🛠️ 가상 환경 설정

🔧 MLflow 서버 실행

🧪 [2단계] 실험 실행 (train.py)

🧱 [3단계] 모델 등록 및 Stage 설정

🚀 [4단계] FastAPI로 예측 API 연동

예측 API 테스트

🎯 핵심 요약

🧩 실무 팁

🔧 MLOps 실전 연결