머신러닝 - Databricks 가이드

Databricks 위에서 ML 모델을 개발, 추적, 배포하는 전체 과정을 학습합니다.

학습 목표

MLflow를 활용한 실험 추적과 모델 관리
Unity Catalog 기반 모델 레지스트리 사용법
Feature Engineering과 Feature Store 활용
Model Serving을 통한 모델 배포와 실시간 추론

문서 목록 (이 폴더)

순서	문서	내용
1	Databricks ML 개요	ML 워크플로우 전체 그림과 핵심 컴포넌트를 소개합니다
2	ML Runtime	사전 설치 라이브러리, GPU 클러스터 구성을 다룹니다

하위 섹션

📂 MLflow

MLflow를 활용한 실험 관리, 모델 추적, GenAI 트레이싱

문서	내용
MLflow란?	개념, 구성 요소, Databricks 통합을 설명합니다
실험 추적	파라미터, 메트릭, 아티팩트 로깅과 Autolog을 다룹니다
모델 레지스트리	Unity Catalog 기반 모델 등록과 버전 관리를 안내합니다
MLflow Tracing	GenAI 앱의 호출 흐름 추적과 디버깅을 설명합니다
모델 평가	Scorer, 자동 평가, 프롬프트 최적화를 다룹니다

📂 Model Serving

모델 서빙 — 실시간 추론 엔드포인트, Foundation Model API

문서	내용
Model Serving 개요	엔드포인트 유형과 아키텍처를 설명합니다
Foundation Model API	Pay-per-token, Provisioned Throughput을 다룹니다
커스텀 모델 배포	MLflow 모델을 엔드포인트로 배포하는 방법을 안내합니다
엔드포인트 모니터링	Inference Tables, 지연시간, 처리량 모니터링을 설명합니다

📂 Feature Engineering

Feature Engineering — Feature Table, Online Store, Point-in-Time Lookup

문서	내용
Feature Engineering 개요	개념, 피처 테이블, 워크플로우를 설명합니다
피처 테이블 관리	생성, 업데이트, 학습 데이터 결합을 다룹니다
실시간 피처 서빙	Online Table, Model Serving 연동을 안내합니다

참고 문서