Microsoft AI-300 시험 노트개념 정리14 MIN
MLflow 모델 등록과 모델 보관
AI-300 「모델 수명 주기·운영」에서 학습이 끝난 모델을 등록하는 노트입니다. MLmodel 파일과 시그니처, 특징 검색 사양 패키징, 모델 버전·태그, 보관과 복원, 등록된 모델의 계보 추적을 정리합니다.
지난 노트까지는 모델을 만드는 쪽이었습니다. 학습 작업이 끝나면 모델은 작업 출력 폴더 안의 파일 묶음으로 남는데, 그 상태로는 이름도 버전도 없어 배포하거나 다른 사람이 찾아 쓰기 어렵습니다. 이 노트는 그 파일 묶음을 작업 영역의 모델 자산으로 올리는 일, 곧 등록과 그 뒤의 버전 관리·보관·계보를 다룹니다.
MLflow 모델 형식
MLmodel 파일
MLflow로 기록한 모델은 폴더 하나입니다. 폴더 안에는 직렬화된 모델 파일, 의존성을 적은 conda.yaml·requirements.txt, 그리고 그 모델을 어떻게 읽어 들일지 적은 MLmodel 파일이 있습니다. MLmodel 파일은 YAML이고, 그 모델이 어떤 라이브러리 방식으로 저장됐는지를 flavor로 적습니다. scikit-learn으로 저장하면 sklearn flavor와 함께 어떤 라이브러리로든 읽을 수 있는 python_function flavor가 같이 붙습니다.
artifact_path: model
flavors:
python_function:
loader_module: mlflow.sklearn
python_version: 3.10.14
sklearn:
pickled_model: model.pkl
sklearn_version: 1.5.1
signature:
inputs: '[{"name": "tenure", "type": "long"}, {"name": "monthly_fee", "type": "double"}]'
outputs: '[{"type": "long"}]'
Azure ML이 MLflow 모델을 코드 없이 배포할 수 있는 근거가 이 파일입니다. 점수 매기는 스크립트와 환경을 사람이 쓰지 않아도, python_function flavor와 의존성 파일만 보고 서버를 세웁니다.
시그니처
시그니처는 모델이 받는 입력과 내는 출력의 열 이름·자료형을 적은 스키마입니다. 시그니처가 있으면 배포된 모델이 요청을 받을 때 열 이름과 자료형을 검사해, 학습 때와 다른 모양의 데이터가 들어오면 예측 전에 오류를 냅니다. 시그니처는 학습 데이터와 예측값에서 infer_signature로 뽑아 log_model에 넘깁니다. 입력 예시(input_example)를 함께 넘기면 모델 폴더에 예시 요청이 저장되어 엔드포인트 테스트에 바로 씁니다.
import mlflow
from mlflow.models import infer_signature
signature = infer_signature(X_train, model.predict(X_train))
mlflow.sklearn.log_model(
model,
artifact_path="model",
signature=signature,
input_example=X_train.head(3),
)
모델 등록
작업 출력에서 등록
모델 등록은 작업 출력에 있는 모델 폴더에 이름을 붙여 작업 영역의 모델 목록에 올리는 일입니다. 같은 이름으로 다시 등록하면 새 버전이 붙습니다. 방법은 셋입니다. MLflow 쪽에서는 log_model에 registered_model_name을 주거나 mlflow.register_model("runs:/<실행 id>/model", "churn-model")을 부릅니다. SDK v2에서는 Model 엔터티를 만들어 ml_client.models.create_or_update로 올립니다.
from azure.ai.ml.entities import Model
from azure.ai.ml.constants import AssetTypes
model = Model(
name="churn-model",
path="azureml://jobs/<job-name>/outputs/artifacts/paths/model/",
type=AssetTypes.MLFLOW_MODEL,
description="고객 이탈 분류기",
tags={"framework": "sklearn", "auc": "0.91"},
)
registered = ml_client.models.create_or_update(model)
print(registered.version)
모델 유형
등록할 때 고르는 type은 셋입니다. 무엇을 고르느냐가 배포 방식까지 정합니다.
| 유형 | 폴더 모양 | 배포 |
|---|---|---|
mlflow_model |
MLmodel 파일이 든 MLflow 폴더 | 점수 스크립트·환경 없이 배포 가능 |
custom_model |
아무 파일이나 | 점수 스크립트와 환경을 직접 준다 |
triton_model |
Triton 모델 저장소 구조 | Triton 추론 서버로 배포 |
경로가 MLflow 폴더인데 custom_model로 등록하면 MLmodel 파일이 있어도 코드 없는 배포가 서지 않습니다. 이 하위 절은 모델 폴더의 모양과 배포 요구를 주고 등록 유형이나 등록 경로를 고르게 하는 꼴로 물을 수 있습니다.
특징 검색 사양
학습과 추론의 특징
관리형 특징 저장소(feature store)를 쓰면 학습 데이터의 열을 직접 만들지 않고 저장소에 정의된 특징 집합에서 꺼내 옵니다. 문제는 추론 때입니다. 모델은 tenure·avg_call_minutes_30d 같은 특징을 받아야 하는데, 요청에는 고객 id만 들어옵니다. 추론하는 쪽이 학습 때와 같은 특징을 같은 이름·같은 버전으로 다시 찾아와야 합니다.
특징 검색 사양(feature retrieval specification)은 그 모델이 어느 특징 저장소의 어느 특징 집합 버전에서 어떤 특징을 썼는지를 적은 YAML 파일입니다. 특징 저장소 SDK가 학습에 쓴 특징 목록으로 이 파일을 만들어 줍니다.
fs_client.generate_feature_retrieval_spec("./model_out/", features) # feature_retrieval_spec.yaml 생성
모델 아티팩트에 패키징
이 파일은 모델 폴더 안에 함께 넣어 등록합니다. 모델과 사양이 한 버전으로 묶이므로, 배치 추론 파이프라인이나 온라인 배포가 모델을 불러올 때 같은 폴더에서 사양을 읽어 특징을 찾아옵니다. 사양을 모델과 따로 두면 모델은 3번인데 사양은 다른 실험의 것인 어긋남이 생기고, 그러면 학습과 추론의 특징이 달라지는 학습-서빙 차이(training-serving skew)가 납니다. 학습 파이프라인 안에서는 특징 검색 구성 요소가 학습 데이터를 뽑으면서 사양을 출력으로 함께 내고, 학습 단계가 그 사양을 모델 출력 폴더에 복사하는 모양으로 짭니다.
버전과 태그
버전
모델 버전은 같은 이름 아래에서 정수로 올라갑니다. 등록할 때 버전을 적지 않으면 마지막 버전에 1을 더한 값이 붙고, 한 번 붙은 버전의 파일은 바뀌지 않습니다. 배포나 작업에서 모델을 가리킬 때는 azureml:churn-model:3처럼 버전을 적거나 azureml:churn-model@latest처럼 레이블로 최신 버전을 가리킵니다. 운영 배포는 버전을 박아 두는 편이 안전합니다. 레이블로 걸면 누군가 새 버전을 등록하는 순간 다음 배포가 조용히 다른 모델을 집습니다.
태그와 속성
태그는 등록 뒤에도 고칠 수 있는 키-값 쌍입니다. 검증 상태(stage: candidate)나 승인자처럼 나중에 바뀌는 정보를 답니다. MLflow의 스테이지 전환(Staging·Production)은 Azure ML에서 기대한 대로 쓸 수 없으므로 그 역할을 태그가 맡습니다. 속성(properties)은 등록 때 정하고 바꾸지 않는 값을 담습니다.
m = ml_client.models.get(name="churn-model", version="3")
m.tags["stage"] = "production"
ml_client.models.create_or_update(m)
prod = [x for x in ml_client.models.list(name="churn-model")
if x.tags.get("stage") == "production"]
보관과 계보
보관과 복원
보관(archive)은 모델 버전을 지우지 않고 목록에서 숨기는 일입니다. 쓰지 않는 옛 버전이 목록과 레이블 해석에서 빠지므로 새 작업이 실수로 그 버전을 집지 않습니다. 파일은 남아 있어서 버전을 명시해 가리키는 기존 참조는 계속 동작하고, 필요하면 복원(restore)으로 되돌립니다. 모델 이름 전체를 보관하면 그 아래 버전이 모두 숨습니다.
ml_client.models.archive(name="churn-model", version="1")
ml_client.models.restore(name="churn-model", version="1")
az ml model archive --name churn-model --version 2 \
--resource-group rg-ml --workspace-name ws-prod
| 동작 | 파일 | 목록 | 버전 명시 참조 |
|---|---|---|---|
| 보관 | 남는다 | 기본 목록에서 빠진다 | 동작한다 |
| 복원 | 남는다 | 다시 나온다 | 동작한다 |
계보 추적
계보(lineage)는 그 모델이 어디서 왔는지의 기록입니다. 작업 출력에서 등록한 모델은 등록할 때 그 작업의 이름이 job_name에 남고, 스튜디오의 모델 상세 화면에서 작업으로 바로 건너갑니다. 작업 쪽에는 입력으로 쓴 데이터 자산의 버전, 환경 버전, 코드 스냅샷, MLflow로 기록한 지표가 있으므로 「운영 중인 3번 모델은 어떤 데이터 몇 번으로 학습했는가」를 거꾸로 따라갈 수 있습니다. 로컬 파일을 올려 등록한 모델은 이 연결이 없어 계보가 끊깁니다. 감사가 필요한 모델은 반드시 작업 출력 경로에서 등록하라는 이유가 여기 있고, 이 절은 보관과 삭제를 가르는 꼴, 계보가 남는 등록 경로를 고르는 꼴로 물을 수 있습니다.
연습 문제
MLflow로 기록한 scikit-learn 모델을 점수 스크립트 없이 온라인 엔드포인트에 배포하려 합니다. 등록할 때 알맞은 유형은?
①custom_model
②mlflow_model
③triton_model
④uri_folder②. MLflow 형식으로 등록해야 MLmodel 파일을 읽어 코드 없는 배포가 섭니다. ④는 데이터 자산 유형입니다.배포된 모델에 학습 때 없던 열 이름으로 요청이 들어왔을 때 예측 전에 오류를 내게 하려면 무엇을 남겨야 합니까?
① 모델 태그
② 시그니처
③ 보관 상태
④ 컴퓨팅 클러스터의 최소 노드②. 시그니처가 입력 열과 자료형을 적어 두어 요청을 검사합니다.churn-model에 버전 1~4가 등록되어 있고 그중 버전 4를 보관했습니다. 그 뒤 버전을 적지 않고 같은 이름으로 다시 등록하면 붙는 버전은?
① 4
② 5
③ 1
④ 등록이 거부된다②. 보관은 지우는 것이 아니라 숨기는 것이라 버전 4는 그대로 남아 있습니다. 새 버전은 입니다.특징 저장소에서 꺼낸 특징으로 학습한 모델을 배치 추론에 쓰려 합니다. 추론할 때 학습과 같은 특징을 찾아오게 하는 방법은?
① 특징 검색 사양 파일을 모델 폴더에 넣어 함께 등록한다
② 모델 태그에 특징 이름을 쉼표로 적는다
③ 학습 데이터 자산을 보관한다
④ 점수 스크립트에 특징 계산식을 다시 적는다①. 사양이 모델과 한 버전으로 묶여야 어긋나지 않습니다. ④는 계산식을 두 곳에 두어 학습-서빙 차이를 부릅니다.운영 중인 모델이 어떤 데이터 자산 버전으로 학습됐는지 감사에서 묻습니다. 그 답을 남기려면 모델을 어떻게 등록했어야 합니까?
① 로컬 PC의 모델 파일을 올려 등록한다
② 학습 작업의 출력 경로에서 등록한다
③ 등록한 뒤 바로 보관한다
④@latest레이블로만 참조한다②. 작업 출력에서 등록해야 작업과의 연결이 남고, 작업이 입력 데이터 버전을 들고 있습니다.버전 1은 더 이상 새 작업에서 쓰면 안 되지만, 그 버전을 명시한 옛 배치 배포 하나는 당분간 돌아야 합니다. 알맞은 것은?
① 버전 1을 삭제한다
② 버전 1을 보관한다
③ 버전 1의 태그만 지운다
④ 모델 이름 전체를 보관한다②. 보관하면 목록과 레이블 해석에서 빠지지만 버전을 적은 참조는 동작합니다. ④는 다른 버전까지 모두 숨깁니다.
다음 노트는 등록한 모델을 배포하기 전에 책임 있는 AI 대시보드로 평가하는 일을 다룹니다.

