Hi Folks, I get interested in the content are you are creating, but I can't read Korean 😞
Is there some way I could help translate it to English? Probably google translate it's not a good solution, I tried using it and some text got strange

https://mlops-for-all.github.io/docs/setup-components/install-components-kf/#cert-manager

현재 issuer 설치시 보이는 출력 메시지는 cert-manager 를 설치합니다. 단계의 출력 메시지이며,

다음과 같이 변경되어야 함

clusterissuer.cert-manager.io/kubeflow-self-signing-issuer created

안녕하세요.

최근 유튜브와 페이스북 커뮤니티 등을 중심으로 MLops 관련 글이 꾸준히 증가하며 올라오는 것을 볼 수 있습니다.

모두의 MLops 문서에서는 현재 실습 환경 구성 및 간단한 활용 정도를 할 수 있게끔 문서를 제공하고 있는데요.

추가로 MLops 실습을 해 볼 수 있는 여러 실전 사례 등을 추가보면 어떨지 문의드립니다.

모두의 mlops 문서를 보다 보니 머신러닝 파이프라인을 다양하게 설계하는 관점에서의 코드가 더 추가되면 mlops 커리어를 준비하는 분들에게 더 많은 도움이 되지 않을까 싶어 추가로 이슈를 남깁니다.

대표적으로 MS Azure에서는 이렇게 MLops 관련 자료를 공개하고 있는데, 기업별 사례 중 쉬운 것들을 하나씩 추가해 나가면 어떨까 싶습니다.

MS Azure

저도 개인적으로 실습 자료를 찾아보면서 토이 프로젝트를 구성해보려고 하는데, 아직 예제가 많이 풍부한 쪽은 아닌 것 같아서, 이렇게 글을 남깁니다.

감사합니다.

v1.0의 영어버전 배포

여기서 보시면 추가적으로 보면 좋을 오픈소스를 정리해서 그림으로 올려주셨는데
오픈소스의 아이콘을 보고 어떤 키워드로 검색을 해야할지 알지 못해서 텍스트로 오픈소스 이름을 적어주신다면 엄청 큰 도움이 될것 같습니다!

어디에다가 전달할까 하다가 이슈로 남깁니다 ㅠ

안녕하세요,

마이너한 이슈이긴 하지만

README 파일에
How to Contribute 링크가 깨졌습니다.

기존 How to Contribute 에서
현재 How to Contribute 으로
변경할 필요가 있을 것 같습니다.

양질의 정보를 관리해주셔서 감사합니다.

버그 리포트, 기능 추가 등의 카테고리에 따른 아슈 템플릿 추가
Discussion 과의 파편화를 막기 위한 사용 방안 논의

1. 에러 재현

12. Component - MLFlow의 Run 파트 코드를 복사 붙여넣기 후, 실행하여 yaml 파일을 생성했습니다.

이후 생성된 yaml 파일을 kubeflow pipeline에 올려 실행하면, 다음과 같은 에러 화면을 마주하게 되었습니다.

ValueError: '' is not in list

13번 내용이 디버깅이라, 이후 내용을 보면서 데이터가 비어있는 것 같아 kubeflow에 올라와 있는 tgz 파일을 csv로 변환해 주피터 노트북에서 확인해봤으나, 데이터가 비어있는 상황은 아닌 것 같았습니다.

정황상 SVM 훈련을 위한 데이터는 존재하는 것 같은데, 해당 에러가 발생하는 부분을 특정할 수가 없어 (svm fit 부분이라 모델 훈련이 진행되는 위치라 짐작되나, 로컬 컴퓨터에서 kfp 설치 후 from kfp.components import InputPath, OutputPath, create_component_from_func가 실행되지 않아 유독 디버깅이 어려워진 것 같습니다.) issue를 남깁니다.

해당 에러를 해결 후, 12. Component - MLFlow의 Run 파트가 수정되어야 한다면, python 코드와 함게 생성된 yaml 내용이 함께 PR되면 좋을 것 같습니다.

• 링크 깨진 것 없는지 확인
• 맞춤법 전체 싹 갈기

Hello!
According to SeldonIO/seldon-core#4513, seldon-core analytics was deprecated for new versions of kubernetes.

I've tested out your documentation regarding the installation of the two monitoring components
as described here,

https://mlops-for-all.github.io/en/docs/setup-components/install-components-pg,

on k3s version Server Version: v1.27.5+k3s1, and I got the same errors as described in SeldonIO/seldon-core#4513, meaning
Error: INSTALLATION FAILED: unable to build kubernetes objects from release manifest: [resource mapping not found for name: "seldon-core-analytics-grafana" namespace: "seldon-system" from "": no matches for kind "PodSecurityPolicy" in version "policy/v1beta1"
I've added also a new issue on the seldon about the Grafana support for new versions of k8s:

SeldonIO/seldon-core#5134

Do you have any updates on the above issues?

Thanks,
Florin

안녕하세요.

모두의 mlops 문서를 첫 실습은 빠르게 수행했고, 이제 2번째 내용을 쭉 읽어보면서 내용을 다져가려는 구독자입니다.

저희가 지금 안내해주신 내용대로면, Ubuntu OS에서 도커를 구성하는데요.

로컬에서 우분투를 파티션해서 구성하는 것도 가능하고, virtual box를 이용해 띄우는 것도 가능하지만 거의 대부분이 맥이나 윈도우를 사용하고 있고, m1 맥북에서는 아직 virtual box 지원이 안되기 때문에, 여러 환경적인 요소들을 감안해 사용자의 로컬 컴퓨터에서 도커를 사용해 ubuntu 환경을 구성하고, 거기에 쿠버네티스를 구성하는 세션을 문서 초반에 추가하는 것이 어떨지 한 번 제안드립니다.

좀 찾아봐야겠지만, 도커에 OS 이미지를 이용해 빌드하고, 그 안에서 다시 도커를 사용해 쿠버네티스를 사용하는 것인데, 문득 떠오른 아이디어라 maintainer 분들과 논의 후, 해당 환경을 구성해서 실습해 보고 싶습니다.

안녕하세요.

모두의 mlops 문서 학습 중에 footer 부분의 Edit this page on Github 링크 클릭 시, 404 에러가 발생해 이슈를 남깁니다.

1. 페이지 링크 클릭 화면

2. 링크 클릭시 404 에러 발생

해당 페이지의 링크가 github에서 제거된 것 같은데, 한 번 확인해주실 수 있는지 문의드리기 위해 issue를 남깁니다.

감사합니다.

안녕하세요!
강의에 필요한 kubflow 컴포넌트들을 설치하고 kubectl port-forward --address [우분투 서버 IP] svc/istio-ingressgateway -n istio-system 8080:80 로 대시보드에 들어와서 주피터랩을 launch하면 다음과 같은 alert가 발생하면서 진행이 되지 않습니다.

[403] Could not find CSRF cookie XSRF-TOKEN in the request. http://[우분투 서버 IP]:8080/jupyter/api/namespaces/kubeflow-user-example-com/notebooks

로컬환경에서 진행하면 문제가 없을 것 같은데 원격서버에서 실습을 하고싶어 꼭 해결하고 싶은데 구글링을 해봐도 해결이 되지 않습니다...
도움을 받을 수 있을까요?
항상 감사드립니다.

안녕하세요.

꾸준히 모두의 mlops 문서를 잘 읽고 실습 중인 사람입니다.

좋은 실습 자료를 제공해주셔서 대단히 감사합니다.

그런데 실습 관련 문의 사항이 있어 이슈를 남기게 되었습니다.

1. 문서 상황 구현 시도

위의 이미지에서처럼 Central Dashboard 접속과 관련한 내용이 모두의 mlops 문서에 있는 것을 확인할 수 있습니다.

해당 문서 링크

여기서 해당 문서 앞에 설명되어 있는 Central Dashboard 접속을 하기 위해서는 kubectl port-forward --address <internal ip> svc/centraldashboard -n kubeflow 8082:80 형태로 접속하게끔 안내가 되어 있었고, 초반에 해당 방법으로 접속하니, 아래와 같은 에러를 발견할 수 있었습니다.

2. 문서 내용 오인으로 CentralDashboard에서 에러 발생

이후, Kubeflow repo에 올라온 버그 리포트를 읽으면서 istio-ingressgateway 설정을 통해 접속하는 방법을 모두의 mlops 문서에서 안내했던 것이 생각이 났고, kubectl port-forward --address <internal ip> svc/istio-ingressgateway -n istio-system 8080:80 로 접속하니 정상적으로 jupyter notebook 생성 화면이 나오는 것을 확인할 수 있었습니다.

3. 에러 상황 해결

그래서 문서를 실습하는 과정에서 다른 분들이 똑같은 상황을 겪을 수 있을 것 같은데, 해당 부분 내용을 조금 수정해서 kubectl port-forward --address <internal ip> svc/istio-ingressgateway -n istio-system 8080:80 로 접근해달라는 내용을 한 줄 추가하면 좋을 것 같은데, 혹시 PR을 보내도 되는지 문의드리고자 합니다.

4. Reference

• Nested menu - "Sorry, // is not a valid page"
• [0.1.6] Deploying argoflow-aws
• Error: "Sorry, /jupyter/ is not a valid page"

1. Notebook
2. Volumes w\ Notebook

1. Kubeflow -> 11. Pipeline Run Result 파트의 Visualization 관련 yaml 파일 내용 추가 문의

안녕하세요.

위의 이미지에 보이는 큐브 플로우의 시각화를 진행할 수 있는 yaml 파일 내용을 모두의mlops 문서에 현재 없어 추가하면 좋을 것 같은데 해당 부분 프로젝트 관리자님이 확인해주시면, 빠르게 PR을 진행하고자 합니다.

하단은 plot_pipeline.yaml 설정 내용입니다.

apiVersion: argoproj.io/v1alpha1
kind: Workflow
metadata:
  generateName: plot-pipeline-
  annotations: {pipelines.kubeflow.org/kfp_sdk_version: 1.8.9, pipelines.kubeflow.org/pipeline_compilation_time: '2
022-01-17T13:31:32.963214',
    pipelines.kubeflow.org/pipeline_spec: '{"name": "plot_pipeline"}'}
  labels: {pipelines.kubeflow.org/kfp_sdk_version: 1.8.9}
spec:
  entrypoint: plot-pipeline
  templates:
  - name: plot-linear
    container:
      args: [--mlpipeline-ui-metadata, /tmp/outputs/mlpipeline_ui_metadata/data]
      command:
      - sh
      - -c
      - (PIP_DISABLE_PIP_VERSION_CHECK=1 python3 -m pip install --quiet --no-warn-script-location
        'matplotlib' || PIP_DISABLE_PIP_VERSION_CHECK=1 python3 -m pip install --quiet
        --no-warn-script-location 'matplotlib' --user) && "$0" "$@"
      - sh
      - -ec
      - |
        program_path=$(mktemp)
        printf "%s" "$0" > "$program_path"
        python3 -u "$program_path" "$@"
      - |
        def _make_parent_dirs_and_return_path(file_path: str):
            import os
            os.makedirs(os.path.dirname(file_path), exist_ok=True)
            return file_path
        def plot_linear(mlpipeline_ui_metadata):
            import base64
            import json
            from io import BytesIO
            import matplotlib.pyplot as plt
            plt.plot([1, 2, 3], [1, 2, 3])
            tmpfile = BytesIO()
            plt.savefig(tmpfile, format="png")
            encoded = base64.b64encode(tmpfile.getvalue()).decode("utf-8")
            html = f"<img src='data:image/png;base64,{encoded}'>"
            metadata = {
                "outputs": [
                    {
                        "type": "web-app",
                        "storage": "inline",
                        "source": html,
                    },
                ],
            }
            with open(mlpipeline_ui_metadata, "w") as html_writer:
                json.dump(metadata, html_writer)

        import argparse
        _parser = argparse.ArgumentParser(prog='Plot linear', description='')
        _parser.add_argument("--mlpipeline-ui-metadata", dest="mlpipeline_ui_metadata", type=_make_parent_dirs_and_return_path, required=True, default=argparse.SUPPRESS)
        _parsed_args = vars(_parser.parse_args())
        _outputs = plot_linear(**_parsed_args)
      image: python:3.7
    outputs:
      artifacts:
      - {name: mlpipeline-ui-metadata, path: /tmp/outputs/mlpipeline_ui_metadata/data}
    metadata:
      labels:
        pipelines.kubeflow.org/kfp_sdk_version: 1.8.9
        pipelines.kubeflow.org/pipeline-sdk-type: kfp
        pipelines.kubeflow.org/enable_caching: "true"
      annotations: {pipelines.kubeflow.org/component_spec: '{"implementation": {"container":
          {"args": ["--mlpipeline-ui-metadata", {"outputPath": "mlpipeline_ui_metadata"}],
          "command": ["sh", "-c", "(PIP_DISABLE_PIP_VERSION_CHECK=1 python3 -m pip
          install --quiet --no-warn-script-location ''matplotlib'' || PIP_DISABLE_PIP_VERSION_CHECK=1
          python3 -m pip install --quiet --no-warn-script-location ''matplotlib''
          --user) && \"$0\" \"$@\"", "sh", "-ec", "program_path=$(mktemp)\nprintf
          \"%s\" \"$0\" > \"$program_path\"\npython3 -u \"$program_path\" \"$@\"\n",
          "def _make_parent_dirs_and_return_path(file_path: str):\n    import os\n    os.makedirs(os.path.dirname(file_path),
          exist_ok=True)\n    return file_path\n\ndef plot_linear(mlpipeline_ui_metadata):\n    import
          base64\n    import json\n    from io import BytesIO\n\n    import matplotlib.pyplot
          as plt\n\n    plt.plot([1, 2, 3], [1, 2, 3])\n\n    tmpfile = BytesIO()\n    plt.savefig(tmpfile,
          format=\"png\")\n    encoded = base64.b64encode(tmpfile.getvalue()).decode(\"utf-8\")\n\n    html
          = f\"<img src=''data:image/png;base64,{encoded}''>\"\n    metadata = {\n        \"outputs\":
          [\n            {\n                \"type\": \"web-app\",\n                \"storage\":
          \"inline\",\n                \"source\": html,\n            },\n        ],\n    }\n    with
          open(mlpipeline_ui_metadata, \"w\") as html_writer:\n        json.dump(metadata,
          html_writer)\n\nimport argparse\n_parser = argparse.ArgumentParser(prog=''Plot
          linear'', description='''')\n_parser.add_argument(\"--mlpipeline-ui-metadata\",
          dest=\"mlpipeline_ui_metadata\", type=_make_parent_dirs_and_return_path,
          required=True, default=argparse.SUPPRESS)\n_parsed_args = vars(_parser.parse_args())\n\n_outputs
          = plot_linear(**_parsed_args)\n"], "image": "python:3.7"}}, "name": "Plot
          linear", "outputs": [{"name": "mlpipeline_ui_metadata", "type": "UI_Metadata"}]}',
        pipelines.kubeflow.org/component_ref: '{}'}
  - name: plot-pipeline
    dag:
      tasks:
      - {name: plot-linear, template: plot-linear}
  arguments:
    parameters: []
  serviceAccountName: pipeline-runner

2. Kubeflow -> 8. Component InputPath / OutputPath 부분 오타 커밋 진행 문의

1번 내용 추가와 함께 간단한 오타를 큐브플로우 챕터 8에서 발견해 함께 수정 PR을 보내고 싶은데, 확인해주시면 감사하겠습니다.

문서 링크: https://mlops-for-all.github.io/docs/introduction/levels/

안녕하세요, 먼저 MLOps 입문자를 위해 해당 문서를 만들어주셔서 감사합니다.
다름이 아니고 Levels of MLOps 문서쪽을 읽다가 이상한점이 발견되어 문의드립니다.

현재 해당 문서의 Google MLOps level2 아키텍쳐 그림을 봤을 때
5번, 모델 서빙 Prediction server의 CD가 2단계에 그려져 있습니다.

하지만 실제 구글의 공식 문서를 봤을 때 해당 Model Serving에 대한 CD는 MLOps level 1에서 이뤄지고 있고 이가 혼동을 발생시킬 것 같아 이슈를 남깁니다.

구글 공식 문서 자료(원본)

모델의 지속적 배포: 프로덕션 단계의 ML 파이프라인은 새 데이터로 학습된 새 모델에 예측 서비스를 지속적으로 배포합니다. 학습 및 검증된 모델을 온라인 예측용 예측 서비스로 제공하는 모델 배포 단계가 자동화됩니다.
https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ko#mlops_level_1_ml_pipeline_automation

혹시 이에 대해 제가 PR을 만들어 수정해도 괜찮을까요?

1. https://mlops-for-all.github.io/contributors/jongseob-jeon/

2. https://mlops-for-all.github.io/contributors/youngcheol-jang/

3. https://mlops-for-all.github.io/contributors/jaeyeon-kim/

4. https://mlops-for-all.github.io/contributors/jongsun-shinn/

5. https://mlops-for-all.github.io/contributors/youngdon-tae/

안녕하세요.

모두의 MLops 실습을 수행 중인 개발자입니다.

이제 모두의 MLops 1회독을 거의 진행 완료했고, 배포 단계에 접했습니다.

배포 단계에서 한 가지 궁금한 점이 있어 문의드립니다.

위와 같이 노드 주소 값을 설정 중인데요.

해당 값의 주소 값을 설정할 때, 클라우드 환경이라면 클라우드에서 제공하고 있는 internal ip (또는 private ip) 로 대체해도 되는지 궁금합니다.

아마 여태까지 모두의 mlops 문서를 실습할 때의 정황상 192.168.x.x 사설 주소를 클라우드에서 설정할 때, 클라우드 자체에서 제공하던 internal ip로 대체서 사용을 했었는데, 제가 네트워크 지식이 짧다보니, 해당 부분을 문의드리게 됩니다.

추가로, 만약 사설 주소로 설정해도 된다면, 위의 이미지 내용에 대해 클라우드 상의 주소 값 설정 내용에 대한 부분을 PR 해도 되는지 함께 문의드립니다.

감사합니다.