MLOps 도입 가이드

30

1부MLOps개념과필요성

●

다시학습한모델이이전버전보다나은지여부를확인하라.그리고더나은모델을상용에배포하라.

●

모델성능이상용환경에서저하되지않도록하라.매일혹은매월정기적으로확인하라.

1.4

마치며

MLOps

의 핵심 기능은

3

장에서 상세히 다룬다. 이번 장의 핵심은 앞에서 언급한 실천 사례들

이 선택 사항이 아니라는 점이다. 데이터 사이언스와 머신러닝을 엔터프라이즈 수준까지 효율

적으로 확대하기 위해 필수적일 뿐만 아니라 비즈니스를 위험에 빠뜨리지 않기 위해서도 필수

적이다. 적절한

MLOps

실천 사례를 갖추지 않고 데이터 사이언스를 적용한다면, 모델의 품

질과 지속성에 문제가 발생할 것이다. 혹은 비즈니스에 실제로 부정적인 결과를 일으키는 모델

(예를 들어, 회사의 의사결정을 왜곡하는 예측을 하는 모델)을 도입하게 될 수도 있다.

또한 조직의 상위에서 볼 때

MLOps

는 머신러닝에 대한 투명한 전략에 있어 핵심적이다. 데이

터 과학자뿐만 아니라 상위 관리자와

C

레벨 임원도 어떤 머신러닝 모델이 상용 환경에 배포되

어 있고 비즈니스에 어떤 영향을 미치는지 이해해야 한다. 또한 머신러닝 모델 이면의 전체 데

이터 파이프라인을 이해할 수 있는 능력도 반드시 갖추어야 한다(즉, 미가공/원시 데이터부터

최종 결과까지 전 단계를 모두 파악하고 있어야 함을 뜻한다).

MLOps

를 활용하면 이러한 수

준의 투명성과 책무를 확보할 수 있다.