MLOps 도입 가이드

100

2부MLOps적용방법

일반적으로 더 많은 데이터로 모델을 재학습시키면 모델은 점차 개선되고 문제는 사라진다. 하

지만 시간이 필요하다. 이러한 수렴 과정을 거치기 전에 성능은 다소 떨어지지만 덜 복잡한 모

델을 활용하여 자주 변화하는 환경에서도 일관성을 유지할 수 있다.

5.7.2

모델 간 상호작용

모델 간의 복잡한 상호작용은 아마도 가장 다루기 어려운 리스크 원인일 것이다. 이런 종류의

이슈는

MLOps

시스템에서 다뤄야 하는 중요한 영역으로, 머신러닝 모델이 보급될수록 더 심

각해질 것이다. 확실히 모델을 추가할수록 조직에서 다뤄야 할 복잡도가 증가하는데, 문제는

모델의 개수에 비례하여 복잡도가 증가하는 게 아니라는 점이다.

2

개의 모델을 배포하면 각 모

델의 복잡도 합만큼만 복잡도가 생기는 것이 아니라, 둘 사이의 잠재적 상호작용으로 인한 요

소도 중첩된다.

게다가 지역 단위로 볼 때는 모델 간의 상호작용을 어떻게 설계하였는가에 따라, 조직 단위로

볼 때는 모델에 대한 거버넌스를 어떻게 관리하는가에 따라 복잡도의 총합이 결정된다. 모델을

연쇄적으로 활용(어떤 모델의 결과 값을 다른 모델의 입력값으로 사용)하면 복잡도가 훨씬 더

증가하고 전혀 예상치 못한 결과가 생성될 수 있다. 반면, 모델을 독립적·병렬적으로 사용

하면 각 모델이 작고 설명 가능해져 거대한 머신러닝 시스템을 지속 가능하게 유지보수할 수

있다.

우선, 모델 간의 명시적인 상호작용을 제거하면 복잡도 상승이 선형

linear

에 가까워진다. 그런데

실제로는 모델 ...