MLOps(기계 학습 운영)
MLOps는 ML 모델 및 AI 워크플로의 개발 및 배포를 간소화하는 사례입니다.
개요
AI 앱 개발 수명 주기 간소화
- Azure Machine Learning 레지스트리를 사용하여 중앙 리포지토리에서 AI 모델 및 파이프라인을 공유하고 재사용합니다.
- 지속적인 업데이트를 통합하여 학습, 프롬프트 튜닝 및 배포 워크플로를 자동화합니다.
- Azure Machine Learning 프롬프트 흐름을 사용하여 프롬프트 엔지니어링 작업을 간소화하고 생성형 AI 모델을 오케스트레이션합니다.
- 미리 정의된 실험, 버전 제어 및 데이터 모니터링을 사용하여 확장 가능하고 재현 가능한 파이프라인을 만듭니다.
- 프로덕션 환경에서 모델 정확도, 데이터 드리프트 및 책임 있는 AI 메트릭을 지속적으로 모니터링하고 평가합니다.
장점
프로덕션 환경에 AI 도입
원활한 배포 및 관리를 위해 모델을 크기 조정하고 운영합니다.
AI 워크플로를 빠르게 빌드
일관적인 모델을 디자인, 배포 및 관리하도록 파이프라인 및 모델 워크플로를 빌드합니다.
어디서든지 가능한 모델 배포
관리 엔드포인트를 사용하여 액세스 가능한 CPU 및 GPU 컴퓨터에 모델 및 워크플로를 배포합니다.
효율적인 AI 수명 주기 자동화
Azure DevOps 및 GitHub Actions의 기본 제공 상호 운용성을 사용하여 ML 및 AI 워크플로를 자동화합니다.
자산에서 거버넌스 달성
버전 및 데이터 계보를 추적합니다. 거버넌스, 개인 정보 보호 및 규정 준수에 대한 할당량 및 정책을 설정합니다.
추적 중앙 집중화
MLflow에서 일관된 도구 집합을 사용하여 실행 메트릭을 추적하고 실험에 대한 아티팩트를 저장합니다.
팀 간에 자산 공유
레지스트리를 사용하여 작업 영역에서 공동 작업하고 조직 전체에서 AI 자산을 중앙 집중식으로 관리합니다.
Microsoft는 IDC MarketScape 전 세계 MLOps(기계 학습 운영) 플랫폼 2022 공급업체 평가에서 리더로 인정받았습니다.
고객 사례
고객이 Azure Machine Learning을 사용하여 혁신하는 방법 보기
리소스
Azure Machine Learning의 MLOps에 대해 자세히 알아보기
Azure Machine Learning 사용해 보기
로우코드 및 노코드 프로젝트 작성 및 자산 관리를 위해 Azure Machine Learning 스튜디오에 액세스합니다.