Model Registry는 모델 버전 관리를 담당하는 MLOps 라이프사이클의 구성 요소입니다. 아티팩트 추적에 그치지 않고, 각 모델과 관련된 메타데이터도 추적하는 역할을 합니다. 예를 들면 다음과 같습니다:

• 성능(Performance)

• 파라미터(Parameters)

• 데이터 계보(Data lineage)

데이터 토폴로지#

모든 엔티티는 프로젝트에 속하며, 해당 프로젝트에 접근 권한이 있는 사용자만 엔티티와 상호 작용할 수 있습니다.

Ml::Model#

• 이름 및 설명과 같이 모델에 대한 일반 정보를 보유합니다.

• 각 모델에는 동일한 이름을 가진 기본 Ml::Experiment가 있으며, 이 실험에 candidates가 기록됩니다.

• 여러 개의 Ml::ModelVersion을 가집니다.

Ml::ModelVersion#

• 모델의 버전입니다.

• 동일한 프로젝트, 이름, 버전을 가진 Packages::Package와 연결됩니다.

• 버전은 시맨틱 버저닝(semantic versioning)을 사용해야 합니다.

Ml::Experiment#

• 비교 가능한 Ml::Candidates의 컬렉션입니다.

Ml::Candidate#

• 모델 버전의 후보(candidate)입니다.

• 여러 파라미터(Ml::CandidateParams)를 가질 수 있으며, 이는 일반적으로 훈련 코드에 전달되는 구성 변수입니다.

• 여러 성능 지표(Ml::CandidateMetrics)를 가질 수 있습니다.

• 여러 사용자 정의 메타데이터(Ml::CandidateMetadata)를 가질 수 있습니다.

MLflow 호환 레이어#

데이터 사이언티스트가 GitLab Model Registry를 더 쉽게 사용할 수 있도록, MLflow 클라이언트와의 호환 레이어를 제공합니다. GitLab은 별도의 MLflow 인스턴스를 제공하지 않습니다. 대신, GitLab 자체가 MLflow의 인스턴스로 동작합니다. 이 방식은 데이터를 GitLab 데이터베이스에 저장하여 사용자의 신뢰성과 기능성을 향상시킵니다. 호환 레이어에 관한 사용자 문서를 참조하세요.

호환 레이어는 lib/api/ml/mlflow에서 MLflow REST API를 복제하는 방식으로 구현되어 있습니다.

MLflow의 일부 용어는 GitLab에서 다르게 명명됩니다:

• MLflow의 Run은 GitLab에서 Candidate입니다.

• MLflow의 Registered model은 GitLab에서 Model입니다.

테스트 환경 설정#

GitLab을 백엔드로 사용하여 MLflow 스크립트를 테스트하려면:

• MLflow를 설치합니다:

mkdir mlflow-compatibility
cd mlflow-compatibility
pip install mlflow jupyterlab

• 해당 디렉터리에 mlflow_test.py라는 이름의 Python 파일을 만들고 다음 코드를 작성합니다:

import mlflow
import os
from mlflow.tracking import MlflowClient

os.environ["MLFLOW_TRACKING_TOKEN"]=''
os.environ["MLFLOW_TRACKING_URI"]='<your gitlab endpoint>/api/v4/projects/<your project id>/ml/mlflow'

client = MlflowClient()
client.create_experiment("My first experiment")

• 스크립트를 실행합니다:

python mlflow_test.py

• 프로젝트의 /-/ml/experiments로 이동합니다. 실험이 생성되어 있어야 합니다.

구현하려는 클라이언트 메서드를 호출하도록 스크립트를 수정할 수 있습니다. 더 완전한 예시는 GitLab Model experiments 예제를 참조하세요.