MLFlow의 장점을 이용해 기존 프로젝트에 MLOps 원리를 쉽게 통합할 수 있는 방법을 독자에게 전달하는 것이 이 책의 목표다. 그리고 많은 사람이 모델을 호스팅하는 클라우드 서버에 연결할 수 있는 한 클라우드 구현 방법에 대해 더 잘 알고 있기를 바란다.
MLFlow는 작업 공간을 구성하는 도구로서도 머신러닝 실험의 관리를 대폭 개선하고 프로젝트의 전체 모델 기록을 추적할 수 있다. 더 많은 사람이 MLFlow를 채택해 워크플로우에 통합하기를 바란다.
연구자들은 MLFlow를 사용하면 원하는 사용자 정의 메트릭 위에 그림을 기록할 수 있어서 실험을 수행할 때 유용하다고 생각할 수 있다. 이제 개념 증명(proof-ofconcept)으로 완벽하게 작동한 모델을 추적하고 언제든지 동일한 가중치로 되돌리면서 하이퍼파라미터를 조정할 수 있으므로 프로토타이핑이 훨씬 쉬워졌다. 하이퍼파라미터 튜닝은 훨씬 간단하고 체계화돼 여러 다양한 하이퍼파라미터를 한 번에 검색하고 MLFlow를 사용해 모든 결과를 기록하는 복잡한 스크립트를 실행할 수 있다.
MLFlow의 모든 혜택과 그에 상응하는 MLOps 원칙이 모든 영역에서의 머신러닝 매니아들에게 제공되므로, 현재 작업 환경에 통합하는 데 큰 단점이 없다. 이를 바탕으로 책을 잘 활용하기 바란다!
