MLOps'ta Model Registry: Modellerin Yaşam Döngüsünü ve Sürüm Kontrolünü Yönetmek

Geleneksel yazılım geliştirme süreçlerinde kod sürümleme için Git ne ise, makine öğrenimi (ML) dünyasında modellerin sürüm kontrolü ve yaşam döngüsü yönetimi için de Model Registry odur. Birçok veri bilimi projesi, eğitilen model dosyalarını (örneğin .pkl, .h5 veya .onnx) yerel disklerde, S3 veri depolarında veya paylaşımlı klasörlerde saklayarak başlar. Ancak bu yaklaşım projeler büyüdükçe sürdürülemez bir karmaşaya yol açar.

Bu yazıda, üretim ortamına taşınan ML modellerinin yaşam döngüsünü yönetmek için neden bir Model Registry sistemine ihtiyaç duyduğumuzu, bu sistemlerin nasıl çalıştığını ve popüler açık kaynaklı araçlardan MLflow ile bu sürecin nasıl pratikleştiğini ele alıyoruz.

Neden Model Registry Kullanmalıyız?

Modelleri dosya sistemlerinde veya bulut depolama alanlarında rastgele isimlendirerek (örneğin model_v2_final_tahmin.pkl) saklamak şu sorunları beraberinde getirir:

Model Registry, tüm bu problemleri çözmek üzere modelleri ve onlara ait metadataları merkezi bir havuzda toplar.

Model Registry Nasıl Çalışır?

Merkezi bir Model Registry yapısının temel bileşenleri şunlardır:

* Kayıtlı Model (Registered Model): Benzersiz bir isme sahip olan ve aynı işi yapan model sürümlerinin genel kümesidir. Örneğin, "talep_tahmin_modeli" adında tek bir kayıtlı model tanımlanır.

* Model Sürümü (Model Version): Her yeni eğitim döngüsünden sonra kayıtlı modele eklenen yeni sürümlerdir (Sürüm 1, Sürüm 2, Sürüm 3 vb.). Her sürüm, kendi eğitim metriklerine ve artefaktlarına (model dosyalarına) bağlıdır.

* Model Aşaması (Model Stage): Model sürümlerine atanan etiketlerdir. Yaygın kullanılan aşamalar: None (Aday sürüm), Staging (Test ortamı), Production (Canlı ortam) ve Archived (Arşivlenmiş/Eski sürüm).

* Metadata ve Yönetim: Modeli kimin eğittiği, ne zaman eğitildiği, hangi doğruluk metriklerine sahip olduğu gibi bilgilerin saklanmasıdır.

---

MLflow ile Pratik Model Yönetimi

MLflow, model yönetimi ve takibi için en yaygın kullanılan açık kaynaklı araçlardan biridir. Aşağıdaki Python kod örneği, bir modelin eğitilip MLflow Model Registry'ye nasıl kaydedileceğini, sürüm geçişlerinin nasıl yapılacağını ve kayıtlı modelin tahmin için nasıl çağrılacağını göstermektedir.

1. Modeli Eğitmek ve Kaydetmek

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# Deney takibini başlat
mlflow.set_tracking_uri("http://localhost:5000")
mlflow.set_experiment("Ev Fiyat Tahmini")

with mlflow.start_run() as run:
    # Sahte veri seti üret ve böl
    X, y = make_regression(n_samples=1000, n_features=10, noise=0.1, random_state=42)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    
    # Model parametreleri
    n_estimators = 100
    max_depth = 5
    
    # Model oluştur ve eğit
    model = RandomForestRegressor(n_estimators=n_estimators, max_depth=max_depth, random_state=42)
    model.fit(X_train, y_train)
    
    # Metrikleri logla
    train_score = model.score(X_train, y_train)
    test_score = model.score(X_test, y_test)
    mlflow.log_param("n_estimators", n_estimators)
    mlflow.log_param("max_depth", max_depth)
    mlflow.log_metric("train_r2", train_score)
    mlflow.log_metric("test_r2", test_score)
    
    # Modeli Model Registry'ye kaydet
    # Model "ev_fiyat_tahmin_modeli" ismiyle kaydedilecek. Eğer bu isimde bir model
    # yoksa oluşturulacak, varsa yeni bir sürüm (Version) olarak eklenecektir.
    mlflow.sklearn.log_model(
        sk_model=model,
        artifact_path="model",
        registered_model_name="ev_fiyat_tahmin_modeli"
    )

2. Model Aşamasını Değiştirmek

Modeli test aşamasına veya canlıya almak için MLflow istemcisi üzerinden sürüm aşaması güncellenir. Bu işlem, CI/CD süreçleri veya doğrulama scriptleri tarafından otomatikleştirilebilir.

from mlflow.tracking import MlflowClient

client = MlflowClient()

# "ev_fiyat_tahmin_modeli" modelinin 1. sürümünü "Staging" (Test) aşamasına taşıyalım
client.transition_model_version_stage(
    name="ev_fiyat_tahmin_modeli",
    version=1,
    stage="Staging",
    archive_existing_versions=False
)

# Testlerden başarıyla geçen model sürümünü "Production" (Canlı) aşamasına taşıyalım
# 'archive_existing_versions=True' seçeneği, canlıdaki eski sürümü otomatik olarak Arşiv aşamasına alır.
client.transition_model_version_stage(
    name="ev_fiyat_tahmin_modeli",
    version=1,
    stage="Production",
    archive_existing_versions=True
)

3. Kayıtlı Modeli Kullanarak Tahmin Yapmak

Uygulama sunucuları veya API servisleri, belirli bir sürüm numarası belirtmek yerine doğrudan güncel canlı modeli (Production aşamasındakini) çekerek tahmin üretebilir. Böylece kod tarafında hiçbir değişiklik yapmadan sadece registry üzerindeki etiketleri değiştirerek yeni modeli canlıya alabilirsiniz.

import mlflow.pyfunc
import pandas as pd

# Production aşamasındaki en güncel modeli URI yardımıyla yükle
model_uri = "models:/ev_fiyat_tahmin_modeli/Production"
loaded_model = mlflow.pyfunc.load_model(model_uri)

# Test verileri ile tahmin üret
sample_data = pd.DataFrame([[0.1] * 10])
predictions = loaded_model.predict(sample_data)
print(f"Tahmin Sonucu: {predictions}")

---

Model Yönetiminde Sık Yapılan Hatalar (Antipatterns)

Model Registry kullanırken düşülmemesi gereken bazı yaygın hatalar şunlardır:

Sonuç

Model Registry, makine öğrenimi modellerinin sadece birer dosya olmaktan çıkıp yazılım mimarisinin güvenilir birer bileşeni haline gelmesini sağlar. Modellerin yaşam döngüsünü kontrol altına almak; sürüm karmaşasını önler, hatalı modellerin canlıya çıkma riskini azaltır ve veri bilimi ile mühendislik ekipleri arasındaki bağı güçlendirir.

---

Kaynaklar

* MLflow Model Registry Dokümantasyonu: https://mlflow.org/docs/latest/model-registry.html

* MLOps Guide - Model Registry Section: https://mlops-guide.github.io/

* DVC Model Registry Reference: https://dvc.org/doc/use-cases/model-registry