MLOps 도입 가이드

38

1부MLOps개념과필요성

도록 준비하는 것이다. 혹은 데이터 과학자와 밀접하게 협업하여 모델이 상용 환경에서 기대하

지 않는 방향으로 작동하지 않도록, 데이터 전달 과정에 이슈가 생기지 않도록 하는 것이다.

데이터 엔지니어가 머신러닝 모델 생애주기의 중심 역할을 맡아 모델 구축과 모니터링을 뒷받

침하기 때문에

MLOps

를 통한 높은 효율성 향상을 기대할 수 있다. 데이터 엔지니어는 상용

배포된 모든 모델의 성능에 대한 가시성을 확보해야 할 뿐만 아니라 어떠한 이슈라도 해결할

수 있도록 각각의 데이터 파이프라인을 심층적이고 직접적으로 분석할 수 있어야 한다.

이상적으로 보면, 데이터 엔지니어 업무를 최대한 효율적으로 수행하기 위해

MLOps

는 단순

모니터링에 그치지 않고 머신러닝 모델을 조사하고 조정하는 기능을 제공해야 한다.

2.4

소프트웨어 엔지니어

MLOps

에서 기존 소프트웨어 엔지니어들을 배제하기 쉽다. 그러나 이들은 머신러닝에 대해

엔터프라이즈 수준에서 일관된 전략을 구축하도록 요구하므로 더 넓은 조직적 관점에서 볼 때

중요한 전문가들이라 할 수 있다.

소프트웨어 엔지니어는 보통 머신러닝 모델을 구축하지 않지만, 대다수 조직에서는 머신러닝

모델뿐만 아니라 전통적인 소프트웨어와 애플리케이션도 구축한다. 따라서 더 큰 규모의 시스

템 관점에서 소프트웨어와 데이터 과학자가 협력해야 한다. 결국 머신러닝 모델은 독립적 실험

체가 아니기 때문이다. 머신러닝 코딩, 학습, 테스트, 배포가 모두 나머지 소프트웨어에서 사용

중인