잘되는 머신러닝 팀엔 이유가 있다

364

Part 2

엔지니어링

는 보통 더 깊은 근본적인 문제들을 시사하는 신호입니다. 첫 번째 문제는 팀 구조와 관련이

있습니다. 팀이 제대로 구성되지 않았고, 배포, 통합, 고객 경험, 보안과 같은 중요한 역량이

부족합니다. 빠르게 움직이려면, 팀은 이러한 핵심 역량을 갖추고 있거나, 보안과 같은 횡단

적인 역량을 위한 지원 팀의 도움을 받아야 합니다. 이는

11

장에서 더 자세히 탐구할 것입니

다. 이렇게 하면 팀이 다른 팀에 의존하지 않고 자율적으로 운영할 수 있습니다.

두 번째 문제는 문화와 관련이 있습니다. ‘

X

는 다른 사람의 문제다’라는 사고방식입니다. 우

리는 종종 팀 간 경계에서 ‘다른 사람의 문제’라는 사고방식을 감지하는데, 이는 구조와 문화

두 가지 문제가 상호 강화되는 경우가 많다는 것을 나타냅니다. 이 사고방식은 협업을 저해

하고, 문제를 해결하지 않은 채로 남겨두는 환경을 조성하여 비효율적인

MLOps

프로세스

를 초래하고,

ML

모델의 품질과 신뢰성을 저하시킬 수 있습니다. 이는

DevOps

사고방식과

상반됩니다.

DevOps

는 [그림

9

-

3

]에서 보는 것처럼 개발과 운영 간의 벽을 허물고, 이제는

ML

과 운영 간의 벽을 허물어

ML

전문가와 운영 전문가가 어려운 문제

(

ML

모델의 자동화

된 품질 보증 )

를 해결하고 신뢰할 수 있는

ML

시스템을 제품화하는 것을 목표로 합니다.

이 시점에서 여러분은

MLOps

의 기본 원칙을 이해하고, 이 네 가지

MLOps

의 격차

(자동 테

스트의 부족, 드문 배포, 낭비되는 ...