Model registry: üretime giden modellerin merkezi kayıt defteri
Model registry, makine öğrenmesi modellerinin sürümlerini, durumunu ve geçmişini merkezi olarak tutan kayıt sistemidir. Neden gerekli, nasıl çalışır?
Model registry nedir?
Model kayıt defteri (model registry), eğitilmiş makine öğrenmesi modellerinin sürümlerini, bu sürümlere ait meta veriyi ve yaşam döngüsü durumunu merkezi bir yerde tutan kayıt sistemidir. Kod için sürüm kontrol sistemi neyse, modeller için de model registry odur.
Kayıt defteri olmadan modeller çoğunlukla dosya paylaşım klasörlerinde ya da kişisel bilgisayarlarda durur; hangi dosyanın hangi veriyle, hangi kodla eğitildiği ve şu an üretimde hangisinin çalıştığı belirsizleşir.
Nasıl çalışır?
Bir eğitim çalışması sonunda model, ürettiği metrikler ve parametrelerle birlikte kayıt defterine eklenir. Her yeni kayıt, aynı model adı altında yeni bir sürüm olur. Sürüme kimin eğittiği, hangi veri ve kodla eğitildiği, değerlendirme sonuçları ve açıklama gibi bilgiler bağlanır.
Sürümler yaşam döngüsü aşamalarından geçer: örneğin deneme, test, üretim ve emekliye ayrılmış. Aşama geçişleri onay gerektirebilir ve her değişiklik kayıt altına alınır. Dağıtım sistemleri modeli aşama ya da takma ad üzerinden bulur; böylece hangi sürümün yayında olduğu tek yerden yönetilir.
Neden gerekli?
İzlenebilirlik: Bir tahminin hangi model sürümünden geldiği sonradan açıklanabilir. Geri dönüş: Yeni sürüm sorun çıkarırsa önceki kararlı sürüme hızlıca dönülebilir. İş birliği: Veri bilimciler, mühendisler ve operasyon ekipleri aynı kaynaktan çalışır. Denetim ve yönetişim: Kimin neyi onayladığı, hangi modelin hangi koşulda yayına alındığı kayıtlıdır.
Bu nedenle model registry, MLOps pratiğinin temel bileşenlerinden biri sayılır; deney takibi, model paketleme ve dağıtım adımlarının arasında köprü kurar.
Kurgusal bir örnek
Örneğin bir ekip müşteri kaybı tahmin modelini her dönem yeniden eğitiyor. Her yeni model kayıt defterine eklenir, değerlendirme sonuçları eşlik eder. Ekip yeni sürümü önce deneme aşamasında canlı veriye yakın bir ortamda sınar, sonuçlar yeterliyse sorumlu kişi onayıyla üretim aşamasına alır.
Bir hafta sonra sapma izleme uyarı verirse, ekip tek adımla bir önceki sürüme geri döner ve kayıt, sorunun hangi sürümde başladığını gösterir.
Sık yapılan hatalar
Yalnızca model dosyasını kaydedip eğitim verisi, kod sürümü ve ortam bilgisini kaydetmemek en yaygın hatadır; sonradan yeniden üretmek mümkün olmaz. Bir diğeri, aşama geçişlerini kuralsız bırakmaktır; test edilmemiş bir sürüm yanlışlıkla üretime alınabilir.
Erişim yetkilerinin düşünülmemesi, açıklama ve değerlendirme kayıtlarının boş bırakılması da kayıt defterini değersiz bir depoya dönüştürür. İyi uygulamada her sürüm için zorunlu alanlar ve onay kuralları tanımlanır.
Mindset programlarında model registry
MLflow ile Model Yönetimi eğitimi deney takibi, tekrarlanabilirlik ve MLflow Model Registry ile yaşam döngüsünü ele alır; MLflow İleri Seviye eğitimi ise registry'nin ileri kullanımı, değerlendirme kayıtları ve dağıtım entegrasyonuna odaklanır. MLOps Mühendisliği Sertifika Programı ve Yapay Zeka için MLOps ve LLMOps Temelleri, registry'yi deney takibi, CI/CD ve model izleme ile birlikte bütün MLOps hattı içinde gösterir; makine öğrenmesi mühendisleri ve platform ekipleri için uygundur.
İlgili Mindset programı
MLflow ile Model Yönetimi
Sık sorulan sorular
Model registry ile model deposu aynı şey mi?
Model deposu yalnızca dosyaları saklar. Model registry ise bunun üzerine sürümleme, meta veri, yaşam döngüsü aşamaları, onay akışı ve izlenebilirlik ekler.
Model registry için MLflow şart mı?
Hayır. MLflow yaygın kullanılan açık kaynak seçeneklerden biridir, ama bulut sağlayıcılarının ve diğer MLOps platformlarının kendi kayıt defterleri de vardır. Seçim; mevcut altyapı, ekip becerisi ve yönetişim ihtiyaçlarına göre yapılır. Kavramlar araçtan bağımsızdır.
Model sürümü ile model aşaması arasındaki fark nedir?
Sürüm, kayıt anında değişmeyen sabit bir model kopyasıdır. Aşama ise bu sürümün yaşam döngüsündeki konumunu gösterir ve zamanla değişir. Aynı sürüm önce deneme, sonra üretim aşamasında olabilir; sürümün içeriği ise aynı kalır.
Küçük bir ekibin model registry'ye ihtiyacı var mı?
Üretime giden ve zamanla yeniden eğitilen modeller varsa küçük ekipler için de faydalıdır. Başlangıçta basit bir kurulum yeterlidir. Tek bir model ve tek bir kişi varsa ihtiyaç daha azdır, ama geri dönüş ve izlenebilirlik sorunları büyüdükçe belirginleşir.