Kubeflow – Kubeflow Pipelines 이해하기

Kubeflow Pipelines 살펴보기

실 세계에서 머신 러닝 워크 플로우를 만들고 배포하는 것은 무척이나 어렵고 힘든 일입니다.

Kubeflow Pipelines는 머신 러닝 워크 플로우를 만들고 배포하기 위한 컨테이너 기반의 플랫폼으로서, 사용자가 편리하게 사용할 수 있고, 쉽게 확장이 가능합니다.

Kubeflow Pipelines는 머신 러닝 워크 플로우를 생성하기 위해서 파이프 라인을 정의합니다. 파이프 라인에는 사용하는 컴포넌트들과 작업 처리 규칙이 정의되어 있습니다. Kubeflow Pipelines는 파이프라인 뿐만 아니라 컴포넌트도 쉽게 재사용할 수 있도록 만들어져 있습니다. 그래서 만들어진 컴포넌트나 파이프라인 있다면, 레고를 조립하는 것처럼 쉽게 워크 플로우를 구성할 수 있습니다.

Kubeflow Pipelines는 Kubeflow의 핵심 구성 요소로 포함되어 있습니다. 그래서 별도의 설치 없이 사용할 수 있습니다. 물론 Kubeflow 없이 독립적으로 설치해서 사용할 수도 있습니다.

아쉽게도 Kubeflow Pipelines 는 아직 멀티 테넌시를 지원하지 않습니다.

Kubeflow Pipelines 목표

Kubeflow Pipelines 가 추구하는 목표는 다음과 같습니다.

  • 엔드 투 엔드 오케스트레이션 : 머신 러닝 파이프 라인의 오케스트레이션을 지원하고 단순화 시킵니다
  • 손쉬운 실험 : 수많은 아이디어와 기술을 쉽게 시도 할 수 있고, 다양한 시험/실험을 관리 할 수 ​​있도록 합니다.
  • 손쉬운 재사용 : 구성 요소 및 파이프 라인을 재사용하여, 매번 재 구축 할 필요 없이 엔드 투 엔드 솔루션을 신속하게 생성 할 수 있도록 합니다.

Kubeflow Pipelines 개념

Kubeflow Pipelines 에서 사용하는 개념에 대해서 알아보겠습니다.

Pipeline

Pipeline은 머신 러닝 워크 플로우에서 사용하는 컴포넌트들과, 해당 컴토넌트들 간의 작업 처리 규칙을 그래프 형태로 정의한 것입니다. Pipeline에는 파이프 라인을 실행하는 데 필요한 입력 매개 변수와 각 컴포넌트의 입력 및 출력에 대한 정의가 포함되어 있습니다.

Pipeline을 실행하면 시스템이 워크 플로우의 단계에 해당하는 하나 이상의 쿠버네티스 포드를 시작합니다. 포드는 컨테이너를 시작하고 컨테이너는 정의된 프로그램을 실행합니다.

파이프 라인을 개발 한 후 Kubeflow Pipelines UI에서 파이프 라인을 업로드하고 실행 할 수 있습니다.

Component

Pipeline의 컴포넌트는 하나의 단계를 수행하는 코드가 모여있는 컨테이너 이미지입니다. 이 컴포넌트들은 파이프 라인의 실행 단계에서 각자의 담당 역할을 수행하게 됩니다. 예를 들어 데이터 전처리, 데이터 변환, 모델 학습 등이 있습니다. 컴포넌트는 입력 및 출력에 대한 정의를 포함하고 있습니다.

Graph

그래프는 Kubeflow Pipelines UI에서 파이프 라인의 런타임 실행을 나타내는 그림입니다. 그래프는 파이프 라인의 실행된 단계나 실행중인 단계를 나타냅니다. 화살표는 각 단계로 표시되는 파이프 라인 컴포넌트 간의 상/하위 관계를 나타냅니다.

파이프 라인이 실행되면 그래프를 볼 수 있습니다. 그래프 안의 각 노드는 파이프 라인의 단계를 나타냅니다.

각 노드의 오른쪽 상단에는 상태, 실행 중, 성공, 실패 또는 건너뜀 상태를 나타내는 아이콘이 있습니다. 조건절이 있을 경우에는 노드를 건너 뛸 수 있습니다.

Experiment

Experiment는 파이프 라인을 실행 할 수 있는 작업 공간입니다. experiment 사용하여 파이프 라인의 실행(run)을 논리적 그룹으로 묶을 수 있습니다. Experiments에는 임의의 실행(run)뿐만 아니라 반복 실행(recurring run)도 포함될 수 있습니다.

Run and Recurring Run

Run은 파이프 라인을 한번 실행 하는 것을 의미합니다. Run은 사용자가 시도하는 실행에 대한 정보를 저장하고 있기 때문에, 재현이 가능합니다. Kubeflow Pipelines UI의 세부 정보 페이지를 보면, 실행 진행률을 볼 수 있습니다. 여기에서 실행의 각 단계에 대한 런타임 그래프, 출력 결과 및 로그를 확인 할 수 있습니다.

Recurring run 은 파이프 라인의 반복 실행을 의미합니다. 반복 실행을 위한 설정에는 파이프 라인에서 사용하는 파라미터와 실행 트리거를 위한 파라미터가 포함되어 있습니다.

모든 Experiment 내에서 반복 실행을 시작할 수 있습니다. 반복 실행이 설정되어 있으면, 주기적으로 파이프 라인을 실행하게 됩니다. Kubeflow Pipelines UI에서 반복 실행을 활성화/비활성화 할 수 있습니다. 동시에 실행되는 최대 실행 개수를 제한하기 위해서, 최대 동시 실행 개수를 지정할 수도 있습니다. 최대 동시 실행 개수는, 파이프 라인의 실행 시간이 오래 걸리면서, 자주 실행되게 트리거 되는 경우에 도움이 될 수 있습니다.

Run Trigger

실행 트리거는 주어진 실행 조건에 의해서 새로운 실행을 시작하기 위하여 시스템에 알리는 역할을 합니다. 다음과 같은 유형의 실행 트리거를 사용할 수 있습니다.

  • Periodic: 주기적인 간격 기반의 실행을 위한 트리거입니다. (예 : 3 시간마다 또는 45 분마다).
  • Cron : 실행 예약을 위한 cron 표현식을 사용하는 트리거입니다.

Step

Step은 파이프 라인의 컴포넌트 중 하나를 실행한다는 것을 의미합니다. 복잡한 파이프 라인에서 컴포넌트는 반복적으로 여러 번 실행될 수 있습니다. 그리고 if 같은 조건문을 사용하여, 조건부로 실행될 수 있습니다.

Output Artifact

Output Artifact 는 파이프 라인 컴포넌트에서 생성한 출력물입니다. 이 출력물은 Kubeflow Pipelines UI를 사용하여 이해하기 쉽게 시각화로 렌더링 할 수 있습니다.

파이프 라인 컴포넌트에 아티팩트를 포함시켜서 성능 평가 같은 일을 할 수 있으며, 의사 결정을 위한 자료로 사용할 수도 있습니다. 그리고 파이프 라인의 다양한 컴포넌트들이 어떻게 작동하는 이해하는데 많은 도움을 줄 수도 있습니다. 아티팩트는 일반적인 텍스트 뿐만 아니라, 시각화를 위한 데이터까지 다양하게 존재합니다.

Kubeflow Pipelines 구성 요소

Kubeflow Pipelines은 다음과 같은 구성 요소로 이루어져 있습니다.

  • 실험, 작업 및 실행을 관리하고 추적하기 위한 사용자 인터페이스 (UI)
  • 파이프라인을 관리하는 파이프라인 서비스
  • 파이프라인과 컴포넌트를 정의하고 제어하기 위한 SDK.
  • 머신 러닝 워크 플로우 실행을 위한 컨트롤러.

Kubeflow Pipelines UI(User interface)

Kubeflow Pipelines UI 는 현재 실행 중인 파이프 라인 목록, 파이프 라인 실행 기록, 데이터 아티팩트 목록, 개별 파이프 라인 실행에 대한 디버깅 정보, 개별 파이프 라인 실행에 대한 실행 상태를 표시합니다.

https://www.kubeflow.org/docs/images/pipelines-ui.png

Kubeflow Pipelines UI 에서 다음과 같은 작업을 수행 할 수 있습니다.

  • 압축 파일로 만들어진 파이프 라인을 업로드 할 수 있습니다. 업로드 된 파이프 라인은 다른 사람들과 공유 할 수 있습니다.
  • 파이프 라인의 실행을 그룹화하는 “Experiment“을 생성할 수 있습니다.
  • Experiment 내에서 파이프라인을 실행할 수 있습니다.
  • 파이프 라인 실행의 구성, 그래프 및 출력을 확인할 수 있습니다
  • 반복 실행을 작성하여 실행을 예약할 수 있습니다.

Python SDK

Kubeflow Pipelines SDK는 머신 러닝 워크 플로우를 정의하고, 실행시킬 수 있는 파이썬 패키지 세트입니다.

다음은 SDK의 주요 패키지 입니다.

  • kfp.compiler : 파이프 라인을 컴파일 할 수 있는 기능을 제공하고 있습니다.
  • kfp.component : 파이프 라인 컴포넌트와 상호 작용하기 위한 기능을 제공하고 있습니다.
  • kfp.containers : 컴포넌트 컨테이너 이미지를 빌드하는 기능을 제공하고 있습니다.
  • kfp.Client : Kubeflow Pipelines API 용 Python 클라이언트 라이브러리가 포함되어 있습니다.

Pipeline Service

파이프라인 서비스는 파이프 라인을 생성하고 실행하는 등의 관리 역할을 하고 있습니다. 그리고 Experiment, Run 같은 파이프라인 메타데이터를 메타데이터 저장소에 저장하는 역할도 하고 있습니다.

또한 REST API도 제공하고 있습니다. REST API는 셸 스크립트 또는 다른 시스템에 통합하려는 경우 유용하게 사용할 수 있습니다.

Pipelines 데이터 저장소

Kubeflow Pipelines에는 머신 러닝 파이프 라인에 관련된 데이터 관리하기 위해서 다음과 같은 두 개의 저장소를 가지고 있습니다.

  • Metadata : Experiment, Run 등 Kubeflow Pipelines는 파이프 라인 메타 데이터를 MySQL 데이터베이스에 저장합니다.
  • Artifacts : 파이프라인 패키지, 메트릭, 뷰 등 아티팩트를 Minio 서버에 저장합니다.

Kubeflow Pipelines는 쿠버네티스의 퍼시스턴스 볼륨(PV)을 사용하여 MySQL 데이터베이스와 Minio 서버의 데이터를 저장합니다.

Orchestration Controllers

오케스트레이션 컨트롤러는 머신 러닝 워크 플로우 실행 다시 말해서, 파이프 라인을 완료하는데 필요한 컨테이너들을 실행시키는 역할을 하고 있습니다. 컨테이너들은 쿠버네티스의 포드 형태로 실행됩니다. 현재 Kubeflow Pipelines 에서는 Argo Workflow 를 워크플로우 컨트롤러로 사용하고 있습니다.

댓글 남기기

이메일은 공개되지 않습니다. 필수 입력창은 * 로 표시되어 있습니다