MLOps 도입 가이드

40

1부MLOps개념과필요성

머신러닝 모델 생애주기 관점에서, 모델 리스크 관리자는 기업의 전체 리스크 감소를 목적으로

모델의 결과물에 대한 분석뿐만 아니라 머신러닝 모델의 초기 목표와 비즈니스 질문을 분석하

는 데에도 중요한 역할을 할 수 있다. 또한 직무 전문가와 함께 머신러닝 모델 생애주기 초기에

투입되어 자동화된 머신러닝 기반 방법론이 리스크를 내포하거나 유발하지 않도록 할 수 있다.

또한 모델 리스크 관리자는 모니터링을 수행하여 상용 환경에 모델을 배포한 후 리스크가 발생

하지 않도록 한다. 모델 리스크 관리자는 모델 개발 이후부터 모델 배포 전까지의 단계에 위치

하여 내/외부 요구사항 준수를 보장한다.

모델 리스크 관리자 및 관련 팀의 업무는 워낙 수작업이라

MLOps

를 활용하면 상당한 효율성

을 얻을 수 있다. 또한 모델 리스크 관리자 간에 서로 다른 도구를 사용하는 경우가 많아, 이 도

구를 표준화하면 감사 및 리스크 관리 수행 속도를 크게 향상시킬 수 있다.

MLOps

에서 특별히 필요로 하는 부분은 모든 모델에 대한 견고한 리포팅 도구다. 성능에 대한

상세한 내용뿐 아니라 데이터 출처도 확인할 수 있어야 한다. 자동화된 리포팅 도구를 활용하

게 되면 모델 리스크 관리자 및 감사 팀은 더 효율적으로 업무를 수행할 수 있다.

2.7

머신러닝 아키텍트

전통적인 데이터 아키텍트의 역할은 기업 전체의 아키텍처를 이해하고 비즈니스 전반에 걸친

데이터 요구사항을 만족하는지 확인하는 것이다. 일반적으로 데이터가 어떻게 저장되고 소모 ...