머신 러닝 운영(MLOps)
ML 모델 배포 간소화, 워크플로 자동화, 안정성 보장, AI 성공의 효율적 확장 등 MLOps의 강력한 기능을 알아보세요.
머신 러닝 운영(MLOps)은 프로덕션 환경에서 머신 러닝(ML) 모델을 안정적이고 효율적으로 배포하고 유지 관리하는 것을 목표로 하는 일련의 관행입니다. 데브옵스 원칙에서 영감을 얻은 MLOps는 데이터 수집 및 모델 학습에서 배포 및 모니터링에 이르는 전체 AI 모델 수명 주기에 유사한 개념을 적용합니다. 주요 목표는 ML 모델을 연구용 프로토타입에서 강력하고 확장 가능한 프로덕션 애플리케이션으로 전환하는 데 관련된 프로세스를 자동화하고 간소화하는 것입니다. 이를 통해 모델이 초기에 우수한 성능을 발휘할 뿐만 아니라 새로운 데이터를 사용할 수 있게 되어도 시간이 지나도 그 효과를 유지할 수 있습니다.
MLOps 대 관련 개념
MLOps와 관련성이 있지만 별개의 개념으로 구분하는 것이 중요합니다:
- MLOps와 자동화된 머신 러닝: 함께 작동할 수는 있지만 초점이 다릅니다. 자동화된 머신 러닝(AutoML)은 데이터 전처리, 기능 엔지니어링, 하이퍼파라미터 튜닝과 같은 모델 생성 프로세스를 자동화하는 데 중점을 둡니다. 반면에 MLOps는 모델 배포, 모니터링, 거버넌스 등 모델 구축 이후를 포함한 전체 수명 주기를 다룹니다. AutoML은 개발 단계를 가속화하는 더 큰 MLOps 프레임워크 내의 도구로 간주할 수 있습니다.
- 머신러닝과 데브옵스 비교: 머신러닝은 머신러닝의 고유한 요구사항에 맞춘 데브옵스의 전문화입니다. 데브옵스가 지속적 통합 및 지속적 배포(CI/CD)를 통한 소프트웨어 배포 자동화에 중점을 둔다면, MLOps는 데이터 및 모델 파이프라인을 포함하도록 이 패러다임을 확장합니다. 데이터 드리프트, 모델 버전 관리, 지속적인 재교육 필요성 등 기존 소프트웨어 개발에서는 일반적으로 발견되지 않는 문제를 해결합니다.
실제 애플리케이션
MLOps 관행은 프로덕션 환경에서 복잡한 ML 시스템을 관리하는 데 필수적입니다.
- 추천 시스템: 넷플릭스나 스포티파이 같은 기업들은 새로운 사용자 상호 작용 데이터를 기반으로 추천 시스템 모델을 지속적으로 재학습하기 위해 MLOps를 사용합니다. MLOps 파이프라인을 통해 다양한 모델 버전을 A/B 테스트하고, 참여 지표를 모니터링하고, 실적이 저조한 모델을 신속하게 롤백하여 추천을 최신의 개인화된 상태로 유지할 수 있습니다.
- 사기 탐지: 금융 기관은 사기 탐지 모델을 관리하기 위해 MLOps를 배포합니다. 여기에는 새로운 사기 활동 패턴에 대한 거래 데이터 모니터링, 새로운 데이터로 모델 자동 재교육, 실시간 탐지를 위한 짧은 추론 지연 시간 보장, 규정 준수를 위한 감사 추적 유지 등이 포함됩니다. 사기 탐지에 사용될 수 있는 시각적 검사 시스템에 사용되는 Ultralytics YOLO 모델도 엣지 디바이스에 배포 및 모니터링하기 위한 MLOps의 이점을 누릴 수 있습니다.
도구 및 플랫폼
다양한 도구가 MLOps 라이프사이클의 여러 단계를 지원하므로 팀은 효율적이고 확장 가능한 워크플로를 구축할 수 있습니다.
