MLOps(기계 학습 운영)는 소프트웨어 개발 및 운영을 기계 학습(ML) 모델 개발과 통합하는 일련의 사례이며, ML 수명 주기의 필수적인 부분으로 빠르게 자리잡고 있습니다. MLOps는 ML 시스템을 프로덕션에 자동화하고 최적화하여 해당 시스템의 속도와 안정성을 향상시키기 위한 데이터 과학과 DevOps 전문가 간의 협업 문화로 정의됩니다. MLOps라는 용어는 2017년 Microsoft Azure 및 Google Cloud Platform 팀에서 처음 만들어졌으며 ML 커뮤니티에서 널리 채택되었습니다.
MLOps의 목표는 데이터 과학자가 ML 모델을 프로덕션에 빠르고 효율적으로 배포할 수 있도록 하는 통합되고 자동화된 협업 프로세스를 만드는 것입니다. MLOps는 프로덕션 배포 전에 ML 모델이 거쳐야 하는 반복 및 테스트 주기를 간소화하는 방법을 제공합니다. 이 프로세스는 조직이 전체 ML 모델 개발 주기에 대한 통제력과 가시성을 유지하는 동시에 모델이 프로덕션에서 정확하고 안정적으로 작동하는지 확인하는 데 도움이 됩니다.
MLOps 프로세스는 DevOps에서 사용되는 것과 동일한 원칙을 따릅니다. CI(지속적 통합)는 정기적으로 테스트되고 통합되는 단일 저장소에서 애플리케이션 코드에 대한 변경 사항을 커밋하는 프로세스입니다. 정기적으로 코드를 생성하고 테스트하는 자동화된 프로세스인 지속적인 전달(CD) 새로 구축된 코드 모델이 프로덕션 환경에 자동으로 푸시되도록 보장하는 CD(지속적 배포)가 있습니다.
ML과 DevOps의 조합인 MLOps는 협업, 데이터 관리, 보안, 모니터링, 지표 및 감사도 포함하므로 자동화된 프로세스 그 이상입니다. 이러한 사례는 ML 모델을 프로덕션에 성공적으로 배포하는 데 필수적입니다.
MLOps는 일상적인 작업을 자동화하고, 시스템 가용성과 안정성을 개선하며, 프로덕션에서 모델 성능을 지속적으로 검증함으로써 조직을 돕습니다. 또한 MLOps를 구현하면 MLOps 프로세스가 해당 모델의 유지 관리 및 모니터링을 처리하므로 데이터 과학자가 더 나은 모델을 구축하는 최선의 작업에 집중할 수 있습니다.
요약하면, MLOps는 데이터 과학자가 ML 모델을 지속적으로 모니터링하고 개선하면서 신속하게 ML 모델을 프로덕션에 도입할 수 있도록 하는 DevOps와 ML의 모범 사례를 결합한 것입니다. MLOps는 ML과 DevOps라는 두 분야의 장점을 통합되고 자동화된 프로세스로 가져와 ML 모델의 출시 시간을 크게 단축하는 데 도움이 됩니다.
