MLOps 도입 가이드

85

4장 모델개발

패키지의 버전이 조금만 달라져도 예측하기 힘든 방향으로 결과가 변경될 수 있다. 또한 데이

터 과학자는 실행 환경이 반복 가능하도록 확인해야 한다. 머신러닝이 진화하는 속도를 감안할

때, 계산 환경을 저장하는 방법도 필요할 수 있다.

다행히도 버전 관리와 재현 가능성에 관계된 문서화는 일부 자동화되어 있고, 설계 및 배포와

관련된 통합 플랫폼을 활용하여 구조화된 정보 전달을 보장할 수 있어 재현 가능성을 위한 비

용은 급속히 줄어들고 있다.

물론 버전 관리와 재현 가능성이 모델 개발에서 가장 중요한 부분은 아니다. 그러나 감사를 포

함하여 거버넌스가 중요한 실제 조직에서 진행하는 머신러닝 작업 중 매우 중요한 부분이다.

4.7

마치며

모델 개발은

MLOps

에서 가장 중요하고 결정적인 단계다. 이번 단계에서 다룬 여러 기술적 의

문에 대한 해답은 머신러닝 모델 생애주기 전체에 걸친

MLOps

의 모든 면과 관련 있다. 따라

서 공개, 투명성, 협력은 장기적인 성공에 핵심 요소가 된다.

모델 개발 단계는 데이터 과학자 같은 직군이 가장 많이 관여하는 부분으로,

MLOps

가 없던

시기에는 머신러닝 관련 작업의 전체라 해도 과언이 아니었다.