MLOps 도입 가이드

37

2장 MLOps이해관계자들

스트를 통해 더 나은 모델을 선정하고 그 모델을 손쉽게 배포할 수 있는 유연성을 제공해야

한다.

투명성은

MLOps

에서 가장 중요한 주제이고, 데이터 과학자에게도 핵심 요구사항이다. 데이

터 파이프라인(누가 모델을 구축했든 상관없다)을 분석하고 빠르게 평가 및 조정할 수 있는 기

능이 반드시 필요하다. 또한 빠르고 간편하고 안전한 상용 배포를 위한 자동화된 모델 패키징

및 전달도 투명성에 있어 중요한 부분이다. 이러한 투명성을 바탕으로 데이터 과학자와 소프트

웨어 엔지니어,

DevOps

팀이 서로를 신뢰할 수 있다.

투명성과 함께

MLOps

에서 중요한 또 다른 주제는 순수한 효율성이다. 특히 이 요소는 데이터

과학자의 요구사항을 달성하기 위해 중요하다. 엔터프라이즈 환경에서 민첩성과 속도는 중요

하다.

DevOps

에서도,

MLOps

에서도 중요하다. 물론 데이터 과학자가 임시 방편으로 순발력

있게 모델을 배포, 테스트, 모니터링할 수도 있다. 그러나 머신러닝 모델 하나를 배포할 때마다

처음부터 끝까지 새로 작업해야 하므로 엄청난 시간을 소모할 수밖에 없고, 임시 방편은 조직

을 위한 확장성 있는 머신러닝 프로세스에 적용할 수 없다.

2.3

데이터 엔지니어

데이터 파이프라인은 머신러닝 모델 생애주기의 핵심이며, 데이터 엔지니어가 그 중심에 있다.

데이터 파이프라인은 추상적이고 복잡하기 때문에 데이터 엔지니어는

MLOps

를 활용하여 높

은 효율성을 얻을 수 있다.

큰 조직이라면 머신러닝 모델을 활용하는 애플리케이션 ...