ML 플랫폼 실습 00. 모델 파일보다 먼저 실행의 출처 만들기

✎ 이 문서 수정하기 GitHub에서 수정

MLflow run은 코드, 데이터, 환경과 결과를 연결한다.

먼저 결과의 데이터와 설정을 추적한다.

준비와 환경

README 설치 후 저장소 루트에서 실행한다. Python 3.13은 지원하지 않는다. 환경 재구성에는 uv sync --locked --extra dev를 쓴다. uv.lock이 선택 도구 버전도 고정하지만 충돌하는 extras를 함께 설치할 수 있다는 뜻은 아니다.

Windows의 기본 CPU 과정은 PowerShell에서 실행한다. Kubernetes와 컨테이너 빌드에는 Docker Desktop의 Linux 컨테이너 환경이나 Linux 호스트가 필요하며 Python 환경과 Docker 엔진은 별개다.

데이터 준비는 비어 있지 않은 출력 폴더를 덮어쓰지 않아 이전 이미지 혼입과 출처 변경을 막는다. 재실행에는 새 데이터 경로나 --work 경로를 지정한다.

uv run ml-labs --help
uv run ml-labs smoke --work .ml-labs/first-run
Get-Content .ml-labs/first-run/runs/movies/candidate.json
Get-Content .ml-labs/first-run/reports/movies.json

    flowchart LR
    D["데이터와 manifest<br/>파일 SHA-256"] --> T["학습 또는 검색 인덱싱<br/>MLflow run"]
    C["Git 커밋과 의존성"] --> T
    T --> M["candidate.json<br/>run과 model URI"]
    M --> E["평가 보고서<br/>해당 후보의 통과 여부"]
    E --> R["Registry 등록<br/>고정 버전 재로딩"]
    R --> S["추론 서비스"]
    S --> O["요청 지연과 데이터 변화"]
  

manifest.json은 파일 지문이고 candidate.json은 모델 주소와 평가 전 정보를 담는 명세다. 보고서는 후보에 연결되므로 다른 실행의 통과 결과로 등록할 수 없다.

MLflow 화면에서 확인하기

$db = (Resolve-Path .ml-labs/first-run/tracking/tracking.db).Path.Replace('\', '/')
uv run mlflow ui --backend-store-uri "sqlite:///$db" --host 127.0.0.1 --port 5000

http://127.0.0.1:5000에서 ml-platform-labs 실험의 세 프로젝트 run을 확인한다. 파라미터, 검증 지표, lineage/dataset.json, model/MLmodel, 평가 보고서의 역할을 구분한다.

실험 화면을 닫으려면 터미널에서 Ctrl+C를 누른다. SQLite와 mlruns 모델 파일은 별개이므로 DB만 복사해선 부족하다. 학습 저장소 전체를 보존한다.

환경을 바꿀 때 주의할 점

MLFLOW_TRACKING_URI가 설정되면 로컬 SQLite 대신 해당 서버를 쓴다. 의도한 대상인지 확인한다.

Get-Item Env:MLFLOW_TRACKING_URI -ErrorAction SilentlyContinue

불필요한 값은 현재 PowerShell 세션에서만 제거한다.

Remove-Item Env:MLFLOW_TRACKING_URI -ErrorAction SilentlyContinue

Git 커밋을 읽지 못하는 환경에서는 정확한 커밋을 ML_LABS_CODE_REVISION으로 전달한다. 출처를 추정하지 말고 dirty working tree와 데이터도 보존한다.

실행별 식별자와 거절 조건

재학습마다 run ID와 등록 버전은 달라진다. 미통과 후보는 등록할 수 없고 CSV 지문이 바뀌면 평가가 중단된다.

다음: 영화 추천 / 전체 과정

실행 코드는 실습 저장소에서 내려받는다. 원본 가이드