MLOps 도입 가이드

36

1부MLOps개념과필요성

고 싶어 안달난 데이터 과학자라 하더라도 몇 주 동안 고통스럽게 문제를 정의하고 범위를 설

정해야 한다. 게다가 데이터 과학자는 물리적으로 혹은 문화적으로 비즈니스의 핵심부나 직무

전문가와 분리되기 일쑤라, 조직 내부에 접근할 수 없어 이들의 협력을 쉽게 끌어낼 수 없다.

견고한

MLOps

시스템을 활용하면 이러한 어려움을 해결할 수 있다.

첫 번째 어려움을 해결하고 나면, 조직에 따라서 데이터 엔지니어나 분석가에게 데이터 취합,

준비, 검토를 요청해야 한다. 때에 따라 데이터 과학자 본인이 이런 일들을 처리해야 할 수도

있다. 어느 경우든 모델을 개발, 테스트, 최적화 및 배포하는 일은 데이터 과학자의 몫이다.

배포한 후, 데이터 과학자는 모델 품질을 감사하여 최초의 비즈니스 질의 혹은 요구사항을 모

델이 만족시키고 있는지 지속적으로 확인해야 한다. 많은 조직에서 다음과 같은 의문을 갖는

다. 데이터 과학자는 본인이 개발한 모델만 모니터링해야 하는가? 아니면 모든 모델을 모니터

링해야 하는가? 전자라면 담당자가 퇴직했을 때는 어떻게 되겠는가? 후자라면 훌륭한

MLOps

실천 사례를 구축해야만 긴급 상황이 발생했을 때 모니터링하는 사람이 빠르게 조치를 취할 수

있다. 모델을 구축한 사람이 없어도

MLOps

가 프로세스를 ...