1장 : ML

  • ML을 도입하면서 만나게 될 문제점
  • ML의 도입 취지를 달성하지 못하게된 이유

2장 : MLOps

  • ML의 도입 장벽을 어떻게 극복할 수 있는가
  • MLOps의 정의
  • ML project에 어떻게 MLOps를 적용하는가

3장 : Kubernetes

  • K8S를 왜 MLOps의 platform으로 선택했는지
  • K8S 정의
  • 테스트를 위한 환경 구성

4장 : ML platform의 구조

  • ML platform의 전체적인 그림
  • 이론적인 관점에서 MLOps의 platform 구성요소를 정의

5장 : data engineering

  • 다양한 모양과 크기를 가진 데이터
  • 데이터 규모에 맞게 수집, 처리, 준비가 가능한 잘 정리된 전략이 필요
  • OSS 도구들을 의논

6장 : ML enginnering

  • ML 개발 과정에서 모델을 제작하고 배포하는 작업에서의 논의
  • 동일 platform에서 data engineering들이 효율적으로 협업하는 selfservice solution을 논의
  • selfservice solution를 K8S에 설치

7장 : ML model deployment

  • model의 성능을 monitor하기 위한 도구와 기술
  • 성능 data를 이용해 새로운 dataset의 재학습 or 새로운 model인지 판단

8장 : ML project 완성

  • ML project에서 각 playform의 구성 요소를 프로젝트 단계별로 어떻게 활용하는지 정의
  • MLOps가 어떻게 project를 용이하게 하는가

9장 : spark cluster를 이용한 data 수집 및 처리

10장 : jupyterhub server

  • jupyterhub server를 이용해 model을 어떻게 제작, 학습, 조정하는가
  • MLflow
  • Seldon Core

11장 : 실제 사례

  • ML platform
  • ML 안정화
  • kubernetes operation

예제 코드 : https://github.com/PacktPublishing/Machine-Learning-on-Kubernetes