Kubeflow for ML - Chapter 1

Chapter 1: Kubeflow, What It Is and Who It Is For

👀 본 포스트는 Kubeflow for Machine Learning 책을 발췌/요약하면서 필요한 내용은 추가하여 작성하였습니다.

• Chapter 1: Kubeflow: What It is and Who It Is For
• Chapter 2: Hello Kubeflow
• Chapter 3: Kubeflow Design: Beyond the Basics
• Chapter 4: Kubeflow Pipelines
• Chapter 5: Data and Feature Preparation
• Chapter 6: Artifact and Metadata Store
• Chapter 7: Training a Machine Learning Model
• Chapter 8: Model Inference
• Chapter 9: Case Study Using Multiple Tools
• Chapter 10: Hyperparameter Tuning And Automated Machine Learning

Kubeflow

Kubeflow는 데이터 사이언티스트가 학습한 모델을 제품화하거나 데이터 엔지니어가 모델을 확장 가능하고 신뢰할 수 있게 만드는 것을 가능하게 합니다. Kubeflow가 하는 일은 Kubernetes 위에서 작동하는 여러 도구, 특히 오픈 소스들을 사용할 수 있도록 하는 것입니다.

Model Development Life Cycle

모델 개발 생명 주기(Model Development Life Cycle, MDLC)는 모델 학습과 모델 추론 사이의 흐름 또는 과정을 의미합니다. Figure 1-1은 모델 학습과 추론 사이에서 일어나는 연속적인 상호작용을 잘 보여줍니다.

Figure 1-1. Model development life cycle

Where Does Kubeflow Fit In?

Kubeflow는 MDLC의 모든 단계를 위한 클라우드 네이티브 도구들의 모음이라고 생각하면 됩니다. 그리고 각각의 도구들을 심리스(seamless) 하게 사용할 수 있게 해줍니다. 가장 중요한 특징은 Kubeflow가 사용자가 MDLC의 각 컴포넌트(component)를 통합된 엔드투엔드(end-to-end) 파이프라인으로 빌드할 수 있게 해준다는 점입니다. 이때 Kubeflow는 컨테이너화와 확장성(scalability), 그리고 파이프라인의 이식성(portability)과 재현성(repeatability)을 위해 Kubernetes를 활용합니다.

여기서 MDLC는 다음의 단계를 포함하고 있습니다.

• 데이터 탐색 (Data Exploration)
• 피처 준비 (Feature Preparation)
• 모델 학습/튜닝 (Model Training/Tuning)
• 모델 서빙 (Model Serving)
• 모델 테스팅 (Model Testing)
• 모델 버저닝 (Model Versioning)

Why Containerize? Why Kubernetes?

Difference between virtual machines and containers

컨테이너를 통한 격리 환경은 머신러닝 단계를 이식할 수 있고 재현할 수 있게 해줍니다. 쉽게 말해서 컨테이너화하면 “이건 내 컴퓨터에서는 됐었는데 여기선 안되네?” 같은 상황을 줄일 수 있죠. 따라서 우리가 만든 파이프라인을 특정 클라우드에 얽매이지 않고 사용할 수 있게 됩니다. Google Cloud에서든 Amazon AWS에서든 사용할 수 있게 되는 겁니다.

컨테이너에 대한 개념을 익히기에는 subicura님의 쿠버네티스 안내서만한 것이 없다고 봅니다. 자세한 내용은 해당 글을 참고하시기 바랍니다. :smiley:

Kubeflow’s Design and Core Components

Kubeflow는 위에서 언급한 것처럼 ML 실무자가 본인이 원하는 대로 자체 스택을 구성하고 커스터마이즈할 수 있습니다. 또한 Kubeflow는 결합성 (composability), 이식성 (portability), 확장성 (scalability)을 통해 ML 시스템을 개발하고 배포하는 프로세스를 단순화하도록 설계되었습니다.

• 결합성
  • Kubeflow의 핵심 컴포넌트는 이미 ML 실무자들이 자주 사용하는 것들입니다. Kubeflow는 이 도구들을 ML 각 단계에 독립적으로 사용하거나 엔드 투 엔드 파이프라인으로 구성하는 것을 도와줍니다.
• 이식성
  • 컨테이너 기반의 디자인과 Kubernetes, 클라우드 네이티브 아키텍쳐의 장점을 통해 Kubeflow는 사용자에게 특정한 개발 환경을 요구하지 않도록 합니다. 사용자는 본인의 환경에서 실험하고 프로토타이핑한 다음, 프로덕션 환경에 쉽게 배포할 수 있습니다.
• 확장성
  • Kubernetes를 사용하기 때문에 Kubeflow는 클러스터의 요구에 따라 동적으로 시스템을 확장할 수 있습니다.
  • 특히 확장성은 데이터가 계속 많아지는 환경에서 큰 도움이 됩니다.

참고로 2021년 5월 구글에서 발간한 백서인 Practitioners guide to MLOps 에서는 MLOps의 핵심 요소들을 다음과 같이 정의합니다.

Core MLOps Technical Capabilities

다음은 Kubeflow의 컴포넌트들입니다.

• Data Exploraation with Notebooks
  • 데이터 탐색은 MDLC의 시작점으로 보통 Jupyter Notebook을 이용합니다.
• Data/Feature Preparation
  • ML 모델을 만들 때 가장 중요한 부분 중 하나로 데이터를 효과적으로 추출하고 변환하고 불러오는 작업을 포함합니다.
  • Kubeflow에서는 Apache Spark와 TensorFlow Transform을 지원합니다. Apache Spark는 대규모의 데이터를 작업할 때 용이하며, TensorFlow Transform은 TensorFlow Serving과의 통합을 통해 추론 작업을 쉽게 할 수 있습니다.
• Training
  • Kubeflow에서는 다음의 프레임워크를 지원합니다.
    • TensorFlow
    • PyTorch
    • Apache MXNet
    • XGBoost
    • Chainer
    • Caffe2
    • Message passing interface (MPI)
• Hyperparameter Tuning
  • Katib이 있습니다. Katib은 AutoML을 위한 Kubernetes-native 프로젝트입니다. 하이퍼파라미터 튜닝과 얼리 스타핑 (Early stopping), 뉴럴 아키텍처 서치 (Neural Architecture Search, NAS)를 지원합니다.
• Model Validation
• Inference/Prediction
  • Kubeflow는 KFServing 같은 서빙을 위한 멀티프레임워크 컴포넌트를 지원하며, 추가로 TensorFlow Serving, Seldon Core, BentoML 같은 기존 서빙 툴도 지원합니다.
• Pipelines
  • 위의 컴포넌트는 모두 MDLC의 각 단계에 대응하는 컴포넌트이며, Kubeflow는 MDLC를 ML 파이프라인으로 취급하여 각 노드가 ML 워크플로의 단계인 그래프로 구현합니다.
  • Kubeflow 파이프라인은 사용자가 재사용 가능한 워크플로우를 쉽게 구성할 수 있도록 하는 컴포넌트입니다.

Figure 1-3. A Kubeflow pipeline