MLOps 도입 가이드

26

1부MLOps개념과필요성

1.2

리스크를 경감하기 위한

MLOps

상용 배포한 모델이 하나밖에 없는 팀이라 해도

MLOps

는 매우 중요하다. 왜냐하면 모델에 따

라 정도의 차이는 있더라도 지속적인 성능 모니터링과 조정이 운영에 필수적인데,

MLOps

가

바로 이러한 것들을 안전하고 신뢰할 수 있게 수행하도록 보장해주고 머신러닝 모델 활용으로

인한 리스크를 경감해주기 때문이다. 하지만

MLOps

실천 사례를 실현하기 위해서는 비용이

필요하므로, 실천 사례별로 비용 대비 효용성 평가를 수행해야 한다.

1.2.1

리스크 평가

머신러닝 모델의 리스크는 매우 다양하다. 예를 들어 고객에게 마케팅 혜택을 한 달에 한 번 추

천하는 추천엔진의 리스크는 여행 사이트의 가격과 매출을 책임지는 머신러닝 모델의 리스크

보다 낮다. 따라서

MLOps

를 리스크를 경감하기 위한 방안으로써 검토할 때 아래와 같은 사항

을 분석해야 한다.

●

특정기간동안모델을사용할수없는리스크

●

특정표본에대해잘못된예측을반환하는리스크

●

시간이지남에따라모델정확도나공정성이떨어지는리스크

●

모델을유지보수하기위한기술(즉,데이터사이언스관련인재)이손실될리스크

광범위하게 배포되고 조직 외부에서도 사용되는 모델이라면 리스크가 더 크다. [그림

1

-

4

]

에서 볼 수 있듯이 리스크 평가

Risk

Assessment

의 기준은 보통 두 가지로서, 리스크의 발생 확률

probability

과 영향도

impact

다. 이 두 가지 조합이 바로 리스크의 심각도