Kubeflow

AI 모델을 학습하고 배포하고 운영하는 전 과정. MLflow, Kubeflow, 모델 서빙, A/B 테스트, 드리프트 감지까지 MLOps의 모든 것.

Feature Store와 MLOps의 모든 것! Feature Store 아키텍처(Feast/Tecton/Hopsworks), Feature Engineering 패턴, MLOps 파이프라인(학습→검증→배포→모니터링), 모델 서빙(BentoML/Seldon/TFServing), 모델 레지스트리(MLflow), 드리프트 감지, A/B 테스트.

토스뱅크 ML Platform Team의 MLOps Engineer JD를 완전 분석합니다. MLFlow, Airflow, JupyterHub, Kubeflow, Triton Inference Server, ScyllaDB Feature Store, LLM 플랫폼까지 — 합격을 위한 기술스택 딥다이브, 면접 예상 질문 30선, 6개월 학습 로드맵.

MLOps의 모든 것을 다루는 완전 가이드. ML 파이프라인 설계, 실험 추적(MLflow, W&B), 모델 레지스트리, CI/CD, 모델 서빙, 모니터링까지 실전 예제로 마스터합니다.

Kubeflow Pipelines를 활용한 ML 워크플로우 오케스트레이션을 실전 중심으로 다룹니다. KFP v2 SDK 아키텍처, 파이프라인 컴포넌트 작성, 캐싱 전략, Argo Workflows/Airflow 비교, 장애 대응까지 프로덕션 환경에서 필요한 전략을 상세히 설명합니다.

Kubeflow Pipelines v2의 아키텍처부터 KFP SDK로 ML 파이프라인 구축, 캐싱, 아티팩트 관리, CI/CD 통합, 프로덕션 운영 트러블슈팅까지.

Kubeflow Pipelines v2의 KFP SDK를 사용하여 ML 파이프라인을 구축하는 실전 가이드. 컴포넌트 정의, 파이프라인 작성, 아티팩트 관리, Kubernetes 배포까지 코드 중심으로 다룹니다.

Volcano, Kubeflow Training Operator, Kueue 공식 문서를 기반으로 Kubernetes 위에서 분산 AI 학습 파이프라인을 구축하는 방법을 분석한다.