MLOps 도입 가이드

91

5장 상용화준비

않은 영향을 끼칠 수 있다. 모델의 복잡도를 낮추거나 매우 복잡한 모델을 압축하면 머신러닝

모델을 운영할 때 필요한 인프라 비용을 낮출 수 있다.

모든 응용 프로그램에 딥러닝이 필요한 건 아니며, 머신러닝조차 필요하지 않을 수 있다. 상용

환경에서 복잡도를 억제하는 관례에 따라, 달성 가능한 수준이 어느 정도인지 확인할 때에나

복잡한 모델이 필요하다. 상용화 모델이 단순할수록 운영 리스크, 처리 성능, 비용 측면에서 충

분한 이점을 얻을 수 있다. 간단한 모델의 성능이 복잡한 모델로 시험하여 확인한 수준에 가깝

다면 더할 나위 없이 바람직한 솔루션이라고 볼 수 있다.

5.2

모델 리스크 평가

이상적인

MLOps

시스템에서 검증을 어떻게 해야 하는지 확인하기 전에, 검증 목표를 고려해

야 한다.

4

장에서 다룬 바와 같이, 모델은 현실을 모방하려 하지만 완벽하지 않다. 구현에 버그

가 있을 수 있고 실행하는 환경에도 오류가 있을 수 있다. 상용 환경에서 모델이 현실 세계에

간접적으로 끼치는 영향은 파악할 수 없다. 하지만 복잡한 시스템에서는 별 중요해 보이지 않

는 톱니바퀴도 엄청난 영향을 끼칠 수 있다.

5.2.1

모델 검증의 목적

상용 환경에서 모델이 끼칠 리스크를 예측하여 최소화하는 방향으로 설계하고 검증하는 것이

어느 정도는 가능하다. 이 작업이 반드시 필요하다는 점은 굳이 말할 필요도 없다. 조직이 커질

수록 비의도적 오작동이나 악의적 공격에 머신러닝을 활용하는 대다수 응용 프로그램이 노출

될 수 있다. 또한 이러한 ...