Training
Contact
News
About Us
Member




Databricks > Machine Learning

머신러닝 모델 배포

이 과정은 세 가지 기본 머신 러닝 배포 전략을 소개하고 각 전략의 Databricks 구현을 설명하기 위해 설계되었습니다. 모델 배포의 기본 사항을 살펴본 후 이 과정에서는 배치 추론을 자세히 살펴보고 고려 사항과 함께 성능 최적화에 대한 배치 추론 시나리오에서 모델을 활용하기 위한 실습 데모 및 실습을 제공합니다. 과정의 두 번째 부분에서는 파이프라인 배포를 포괄적으로 다루고 마지막 부분에서는 실시간 배포에 중점을 둡니다. 참가자는 실습 시연 및 실습에 참여하여 Model Serving가 있는 모델을 배포하고 실시간 추론을 위해 엔드포인트를 활용합니다.

1,450,000

선수지식

- 기본 머신러닝 모델에 대한 지식 - 모델 수명 주기 및 MLflow 구성 요소 에 대한 지식 - Databricks Workspace 및 Notebooks 에 대한 지식 - Python에 대한 중급 지식

교육목표

- 배치, 파이프라인, 및 실시간 배포 방법을 정의하고 각 유형에 가장 적합한 시나리오 식별
- 각 배포 방법의 장점과 제한 사항에 대해 논의 가능
- MLflow의 배포 기능 설명
- DLT 및 Model Serving와 같은 관련 Databricks 기능을 사용하여 배치, 파이프라인, 및 실시간 추론을 수행
- Databricks Model Serving의 기능과 이점 설명

강의내용

모델 배포 기초
- 모델 배포 전략
- MLflow를 활용한 모델 배포

배치 배포 (Batch Deployment)
- 배치 배포 소개
- 데모: 배치 배포

파이프라인 배포 (Pipeline Deployment)
- 파이프라인 배포 소개
- 데모: 파이프라인 배포

머신러닝 모델 배포 설계 문서
- 실시간 배포 소개
- Databricks 모델 서빙
- 데모: 모델 서빙을 통한 실시간 배포
- 데모: 모델 서빙을 통한 맞춤형 모델 배포
- 실습: 모델 서빙을 통한 실시간 배포