TF 2.0 is out! Get hands-on practice at TF World, Oct 28-31. Use code TF20 for 20% off select passes. Register now
TensorFlow Extended(TFX)는 프로덕션 ML 파이프라인을 배포하기 위한 엔드 투 엔드 플랫폼입니다

연구에서 프로덕션으로 모델을 이동할 준비가 되면 TFX를 사용하여 프로덕션 파이프라인을 만들고 관리하세요.

가이드 보기

가이드에서는 완벽한 엔드 투 엔드 예제와 함께 TFX를 사용하는 방법을 보여줍니다.

가이드 보기

가이드는 TFX의 개념과 구성요소에 관해 설명합니다.

작동 방식

단일 모델 학습보다 더 나아갈 준비가 되었거나 직접 만든 뛰어난 모델을 프로덕션 환경으로 이전하여 활용할 준비가 된 경우, TFX를 사용하여 전체 ML 파이프라인을 구축할 수 있습니다.

TFX 파이프라인은 확장 가능한 고성능 머신러닝 작업에 맞게 특별히 설계된 ML 파이프라인을 구현하는 일련의 구성요소입니다. 여기에는 모델링, 학습, 추론 제공, 온라인, 네이티브 모바일 및 자바스크립트 타겟용 배포 관리가 포함됩니다. 자세히 알아보려면 TFX 사용자 가이드를 읽어보세요.

파이프라인 구성요소는 개별적으로도 사용 가능한 TFX 라이브러리를 사용하여 빌드됩니다. 다음은 이러한 기본 라이브러리의 개요입니다.

TensorFlow Data Validation

TensorFlow Data Validation(TFDV)은 개발자가 대규모 ML 데이터를 이해하고 검증하고 모니터링할 수 있도록 도와줍니다. TFDV는 매일 Google에서 1페타바이트의 데이터를 분석 및 확인하는 데 사용되며, TFX 사용자가 ML 파이프라인의 상태를 유지하도록 지원하는 데에서도 그 효과가 입증되었습니다.

TensorFlow Transform

실제 데이터세트에 머신러닝을 적용할 경우 데이터를 적절한 형식으로 전처리하는 데 많은 노력이 필요합니다. 여기에는 형식 간 변환, 텍스트 토큰화와 형태소 분석, 어휘 형성, 정규화와 같은 다양한 수치 연산 등이 포함됩니다. 이 모든 것을 tf.Transform으로 할 수 있습니다.

TensorFlow Model Analysis

개발자는 TensorFlow Model Analysis(TFMA)를 사용하여 모델의 평가 측정항목을 계산하고 시각화할 수 있습니다. 머신러닝(ML) 개발자는 ML 모델을 배포하기 전에 모델 성능을 평가하여, 특정 품질 임계값을 충족하는지와 모든 관련 데이터 슬라이스에 예상대로 작동하는지를 확인해야 합니다. 예를 들어, 모델이 전체 평가 데이터세트에 관해서는 허용 가능한 AUC를 보이지만 특정 슬라이스에서는 성능이 떨어질 수 있습니다. TFMA는 개발자에게 모델 성능을 깊이 이해하는 데 도움이 되는 도구를 제공합니다.

TensorFlow Serving

머신러닝(ML) 서비스 시스템은 (롤백 옵션이 있는 모델 업데이트용) 모델 버전 관리 및 여러 (A/B 테스팅을 통한 실험용) 모델을 지원하는 한편, 동시 모델이 지연 시간이 짧은 하드웨어 가속기(GPU 및 TPU)에서 높은 처리량을 달성하도록 보장해야 합니다. TensorFlow Serving은 Google에서 초당 수천만 번의 추론을 처리하는 성능이 입증되었습니다.

일반적인 문제에 대한 해결책

프로젝트에 도움이 되는 단계별 가이드를 탐색하세요.

중급
TensorFlow Transform을 사용하여 데이터 전처리

이 예에서는 인구 조사 데이터가 포함된 널리 사용되는 데이터세트를 처리하고, 분류를 수행하도록 모델을 학습시키게 됩니다. 이 과정에서 tf.Transform을 사용하여 데이터를 변환할 것입니다.

중급
TensorFlow Serving으로 TensorFlow 모델을 학습시키고 제공하기

이 가이드는 운동화 및 셔츠와 같은 의류 이미지를 분류하는 신경망 모델을 학습시키고, 학습된 모델을 저장한 다음, TensorFlow Serving을 사용하여 제공합니다. TensorFlow의 모델링 및 학습보다는 TensorFlow Serving에 중점을 둡니다.

중급
TensorFlow Data Validation을 통한 데이터 랭글링

이 예제 colab 노트북은 TensorFlow Data Validation(TFDV)을 사용하여 데이터세트를 조사하고 시각화하는 방법을 보여줍니다. 여기에는 자세한 통계를 보고, 스키마를 추론하고, 이상을 확인 및 수정하고, 데이터 세트의 추이와 왜곡을 확인하는 작업이 포함됩니다.

News & announcements

See updates to help you with your work, and subscribe to our monthly TensorFlow newsletter to get the latest announcements sent directly to your inbox.

2019년 6월 26일 
실제 프로덕션 현장의 머신러닝

TensorFlow Extended란 무엇이며 ML 파이프라인에 어떻게 도움이 될까요? TFX의 주요 개념과 모든 요소가 어떻게 서로 맞물리는지, Google이 TFX를 비즈니스에 어떻게 활용하는지 자세히 알아보세요.

2019년 6월 26일 
프로덕션 머신러닝을 위한 Apache Beam: TensorFlow Extended

TFX에서 Beam을 활용하는 방식과 Beam을 선택한 이유 등 ML 파이프라인에 Beam을 적용한 Google의 경험에 관해 알아보세요.

2019년 5월 24일 
연구부터 프로덕션까지 지원되는 TFX 파이프라인과 ML 메타데이터

다양한 기성 요소를 사용해 완전한 TFX ML 파이프라인을 만들고, 높은 수준의 Python API로 여러 일반적인 ML 사용 사례에 맞춰 파이프라인을 설정하며, Apache Airflow나 Kubeflow 등 원하는 조정 시스템에서 파이프라인을 실행하는 방법을 알아보세요.

2019년 5월 8일 
ML 파이프라인과 모델 이해(I/O '19)

이 동영상에서는 TFX팀이 무대에 올라 TFX 파이프라인 구현에 관해 이야기하고 모델 이해와 관련된 최근 주제를 논의합니다.

커뮤니티 참여

TensorFlow 커뮤니티에 참여하는 더 많은 방법을 살펴보세요.