반응형
Ⅰ. MLOps의 개요
가. MLOps의 개념
- ML 모델 개발을 위한 데이터 수집, 분석 그리고 모델 학습, 배포 단계의 전체 AI Lifecycle을 최적화하기 위한 시스템
나. MLOps의 필요성
효율성 | - 모델을 더욱 빨리 배포하고 양질의 ML 모델을 지속 제공 가능 |
확장성 | - 많은 수의 모델을 감독, 제어, 관리, 모니터링하고 통합 제공 |
리스크 완화 | - ML 모델 개발 관련 규제 검토와 빠른 대응으로 리스크 완화 |
Ⅱ. MLOps의 주요 구성 요소
구분 | 구성 요소 | 설명 |
데이터 수집 분석 | 탐색적 데이터 분석 | - 데이터 전처리, 데이터 시각화를 통한 탐색 및 분석 |
피처 엔지니어링 | - 데이터 클리닝, 모델 학습에 필요한 피처 추출 | |
모델 학습 | 모델 훈련 및 튜닝 | - 다양한 ML 모델 학습 및 성능 개선 |
모델 검토 | - 모델 버전 추적, 모델 검색 및 공유 | |
모델 서빙 | - 완성 모델 활용 추론, 테스트 및 QA | |
배포 및 관리 | 배포 및 모니터링 | - 모델 배포 및 API 제공, 서비스 모니터링 |
자동 모델 재훈련 | - 신규 데이터 지속 학습으로 모델 성능 향상 |
Ⅲ. MLOps 성숙도 3단계
단계 | 설명 | 특징 |
Manual Process | 데이터 추출, 분석, 모델 학습, 검증 수동 | 배포시 문제 발생 가능성 높음 |
ML pipeline 자동화 | ML 파이프라인 자동화로 모델 지속 학습 | 전체 파이프라인 배포로 학습 자동화 |
CI/CD pipeline 자동화 | 모델 베포까지의 파이프라인 자동화 | 전체 단계별 유닛, 통합 테스트 중요 |
- ML 프로세스의 자동화 수준에 따라 정의한 MLOps 3단계
반응형
'IT 기술 > 인공지능' 카테고리의 다른 글
인공지능 악용 (0) | 2024.12.10 |
---|---|
에이전틱 AI (Agentic AI) (0) | 2024.12.10 |
K-means Clustering과 DBSCAN (0) | 2024.12.10 |
멀티모달 인공지능 (0) | 2024.12.09 |
온디바이스 AI (2) | 2024.12.09 |