ㅁ 도구

ㅇ 정의:
– Kubeflow는 Kubernetes 환경에서 머신러닝(ML) 워크플로우를 효율적으로 개발, 배포, 운영하기 위한 오픈소스 플랫폼.

ㅇ 특징:
– Kubernetes 기반으로 확장성과 이식성이 높음.
– 파이프라인(Pipelines) 기능을 통해 데이터 전처리, 학습, 배포 단계를 자동화.
– 다양한 ML 프레임워크(TensorFlow, PyTorch 등)와 연동 가능.
– 모델 서빙(KFServing) 기능 제공.

ㅇ 적합한 경우:
– 대규모 ML 프로젝트에서 재현성과 확장성을 확보해야 할 때.
– 컨테이너 기반 환경에서 ML 워크플로우를 표준화하려는 경우.
– 다양한 팀이 협업하며 실험을 반복하는 환경.

ㅇ 시험 함정:
– Kubeflow는 단독 실행 환경이 아니라 Kubernetes 위에서 동작함을 혼동하기 쉬움.
– Kubeflow 자체가 ML 알고리즘을 제공하는 도구가 아님.
– 단순한 Jupyter Notebook 서버와 동일시하면 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Kubeflow는 Kubernetes 기반 ML 워크플로우 관리 플랫폼이다.”
– X: “Kubeflow는 Kubernetes 없이도 독립적으로 실행되는 ML 프레임워크이다.”

ㅁ 추가 학습 내용

Kubeflow는 머신러닝 워크플로우를 Kubernetes 환경에서 운영하기 위한 플랫폼으로, 주요 컴포넌트와 그 역할은 다음과 같다.
Kubeflow Pipelines는 DAG(방향성 비순환 그래프) 기반으로 작업을 정의하고 실행하는 파이프라인 관리 도구이며, Katib는 하이퍼파라미터 튜닝을 포함한 AutoML 기능을 지원한다. KFServing은 서버리스 방식으로 모델을 배포하고 서빙하는 기능을 제공한다.

Kubeflow는 MLOps 관점에서 CI/CD 파이프라인과 통합되는 경우가 많으며, 이를 위해 Argo Workflows와 함께 사용되는 사례가 있다. 또한 Multi-Tenancy를 지원하여 여러 사용자가 독립적으로 리소스를 활용할 수 있고, Kubernetes 네임스페이스를 통해 이를 구현한다.

시험에서는 Kubeflow와 MLflow, Airflow의 기능 차이를 비교하는 문제가 자주 출제된다. MLflow는 실험 관리와 모델 추적에 강점을 가지며, Airflow는 범용 워크플로우 오케스트레이션에 특화되어 있다. Kubeflow는 머신러닝 파이프라인, 하이퍼파라미터 튜닝, 모델 서빙 등 ML 전용 기능을 Kubernetes 기반으로 제공한다.