도구 기초 가이드

MLflow, Feast, Kubeflow Pipelines, BentoML의 설치와 실무 활용 가이드

✎ 이 문서 수정하기 + 이 카테고리에 새 문서 만들기 GitHub에서 수정

MLOps에서 함께 쓰는 MLflow, Feast, Kubeflow Pipelines, BentoML을 설치하고 기본 사용법부터 중급 설정까지 실행 순서대로 익힌다.

도구	맡는 일	가이드
MLflow	실험 기록, 모델 저장과 버전, 레지스트리, 간단한 서빙	MLflow 기초
Feast	피처 정의, 과거 시점 조회, 온라인 저장소와 서빙	Feast 기초
Kubeflow Pipelines	컨테이너 작업의 순서와 아티팩트 전달, 실행 기록	Kubeflow Pipelines 기초
BentoML	모델을 API 서비스로 만들고 패키징, 컨테이너화	BentoML 기초

    flowchart LR
    accTitle: 네 도구가 이어지는 위치
    accDescr: Feast가 학습용 과거 피처를 제공하고 학습 코드는 결과를 MLflow에 기록한다. Kubeflow Pipelines가 이 작업들을 순서대로 실행하며, BentoML 서비스는 MLflow의 고정 모델 버전과 Feast 온라인 피처로 요청에 응답한다.
    F["Feast<br/>피처 정의와 조회"] -->|"과거 시점 피처"| T["학습 코드"]
    T -->|"run, 모델 버전"| M["MLflow<br/>기록과 레지스트리"]
    K["Kubeflow Pipelines<br/>작업 순서와 아티팩트"] -.->|"실행"| T
    M -->|"고정 버전"| B["BentoML<br/>추론 서비스"]
    F -->|"온라인 피처"| B

네 도구는 서로를 직접 알지 못한다. Feast는 어떤 모델이 피처를 쓰는지 모르고, MLflow는 어떤 피처 정의로 학습했는지 스스로 기록하지 않는다. 둘을 잇는 것은 학습 코드와 그 코드가 남기는 기록이다. 가이드마다 이 연결 지점을 따로 짚었다.

순서는 MLflow, Feast, Kubeflow Pipelines, BentoML을 권한다. 각 가이드는 독립적으로 따라 할 수 있도록 별도 작업 폴더와 고정 버전을 사용한다. 명령은 Linux, macOS 또는 Windows의 WSL2를 기준으로 한다.

기초를 익힌 다음에는 책 4~5장 로컬 실습 SOP에서 MLflow, Feast, Kubeflow Pipelines를 책의 코드 그대로 한 클러스터에서 이어 보고, MLOps 실습에서 Azure ML 연결과 여러 도구를 묶은 프로젝트를, MLOps 설계 가이드에서 가상 서점 Bookway의 운영 요구사항을 기준으로 한 도구 배치를 볼 수 있다.

MLflow 기초: 실험 기록부터 모델 레지스트리와 서빙까지 : MLflow 실험 기록, 모델 버전과 별칭 관리, HTTP 추론 연결
Feast 기초: 피처 정의부터 과거 조회, 온라인 서빙까지 : Feast 피처 정의, 과거 시점 학습 데이터와 온라인 서빙 조회
Kubeflow Pipelines 기초: 컴포넌트, 아티팩트, 로컬 실행에서 클러스터 제출까지 : KFP v2 SDK로 파이프라인을 구성하고 로컬 실행, 아티팩트 전달, 품질 게이트와 클러스터 제출을 익힌다.
BentoML 기초: 서비스 작성부터 모델 저장, 패키징, 컨테이너까지 : BentoML로 API 작성, 모델 저장, 입력 검증, 배치 처리, 빌드와 컨테이너 배포를 익힌다.

마지막 수정 일자 2026-10-28