MLOps

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