MLOps Central Platform 의 기능
메뉴별 기능과 각 메뉴가 담당하는 모델 생애주기 단계
로그인하면 왼쪽에 워크스페이스 메뉴 표시. 메뉴는 대체로 모델 생애주기 순으로 배치.
기능 지도
| 단계 | 메뉴 | 하는 일 |
|---|---|---|
| 데이터 | 데이터셋 | 이미지·어노테이션·시계열·표·포인트클라우드 파일 업로드 또는 외부 DataOps 시스템에서 동기화 |
| 학습 | 학습 | 11단계 마법사로 태스크·모델·데이터셋·하이퍼파라미터·실행 환경을 선택하고 GPU 클러스터에서 학습 실행 |
| 기록 | 실험 | 모든 학습 실행(Run)의 파라미터·지표 곡선·산출물 기록. 여러 Run 을 선택해 비교. |
| 버전 | 모델 레지스트리 | 모델 버전과 스테이지(Staging·Production·Archived) 관리, 서빙 이미지 빌드 |
| 이미지 | 컨테이너 레지스트리 | 학습·서빙 컨테이너 이미지 보관. 외부에서 만든 이미지도 파일로 반입. |
| 검증 | 승인 | 프로덕션 승격 요청 승인 또는 반려 |
| 내보내기 | API 서비스 · 배포 | 모델을 REST API 로 서빙(추론 콘솔로 시험), 현장 장비 배포 기록과 롤백 |
| 현장 | Edge Fleet · 수집 데이터 | 장비 등록, 상태·수집 데이터·추론 결과 조회, 명령(모델 내려받기 등)·정책 전송. 모든 장비가 업로드한 데이터는 수집 데이터에서 통합 검색. |
| 감시 | 모니터링 · 경보 · 드리프트 | 핵심 지표(KPI), 경보 룰·채널, 입력 분포 변화 감지와 재학습 |
| 자동화 | 파이프라인 | Train·Register·Deploy·CT 종류별로 지정한 컨테이너 이미지를 Kubernetes Job 으로 실행, 이력 확인 |
관리 기능
일반 메뉴 외에 두 가지 콘솔 제공.
- 관리자 콘솔 (테넌트 관리자): 멤버와 역할, MLflow·컨테이너 토큰, 감사 로그, 학습 러너·데이터셋 캐시, 학습 런타임·데이터셋 스테이저·서빙 빌더 같은 테넌트의 실행 환경
- 시스템 콘솔 (전역 관리자): 테넌트 생성, 사용자, 전체 감사 로그, 공유 이미지, 시스템 진단, 빌드 캐시, 가중치 미러, Prometheus·Alertmanager, Kubernetes 클러스터·노드·GPU 슬롯·네임스페이스·워크로드·스토리지
자세한 내용은 관리 페이지 참고.
외부 연동
| 대상 | 방법 |
|---|---|
| 자체 학습 코드 | 규약에 맞춘 컨테이너 이미지를 업로드하면 학습 마법사에서 선택 가능 |
| 사내 DataOps / 라벨링 시스템 | API 3개를 구현하면 데이터셋 동기화 |
| 노트북·스크립트의 실험 기록 | 표준 MLflow 클라이언트로 기록 (토큰 발급) |
| 현장 장비 | geo-mlops-sdk 에이전트가 수집·동기화·모델 수신·추론 기록 담당 |
| 다른 시스템의 자동화 | REST API (OpenAPI 문서 제공) |