28
1부MLOps개념과필요성
또 다른 주요한 리스크 요소는 머신러닝 모델의 성능이 작동 중인 상용 환경에 대단히 민감하
게 영향을 받는다는 점으로, 소프트웨어나 운영체계의 버전도 상용 환경의 요소에 해당한다.
전통적인 소프트웨어 개발 관점에서 보자면, 머신러닝 모델은 사람이 직접 작성하지 않고 기
계가 생성하기 때문에 버그가 있을 가능성이 현저히 떨어진다. 대신 모델들을 다수의 오픈소스
소프트웨어(예를 들면,
scikit
-
learn
,
Python
,
Linux
) 기반으로 개발하기 때문에, 소프트웨
어 버전을 모델이 작동할 상용 환경 및 모델을 검증한 환경과 동일하도록 맞추는 작업은 대단
히 중요하다.
결국, 모델을 상용 환경에 배포하는 작업은 머신러닝 모델 생애주기의 최종 단계는 아니다. 단
지 성능과 정상 작동 여부를 확인하는 시작점이 될 뿐이다. 더 많은 데이터 과학자가 더 많은
머신러닝 모델을 상용 환경에 배포할수록,
MLOps
는 비즈니스에 치명적일 수 있는 잠재적 리
스크를 줄이는 데 더 필수적인 요소가 된다. 모델이 조직 내에서 얼마나 광범위하게 사용되는
지 정확하게 확인하기 위해서는
MLOps
를 기반으로 한 모니터링이 필수적이다.
1.2.3
책임 있는
AI
를 위한
MLOps
머신러닝의 책임 있는
Responsible
사용(일반적으로 책임 있는
AI
로 불린다)이라는 주제에는 두 가
지 영역이 있다.
의도
Intentionality
모델이 목적에 맞게 설계되고 작동하도록 보장하는 것을 의미한다. 여기에는
AI
프로젝트에서
사용하는 ...