MLOps 4장 카드뉴스

AI 운영 분야에서 쓰이는 Machine Learning Operations(머신러닝 운영)의 약자로, 모델을 만드는 단계보다 배포·모니터링·재학습을 계속 굴리는 데 무게를 둔 운영 체계입니다. DevOps에서 파생됐지만 코드 외에 데이터와 모델이라는 두 축이 더 붙습니다. 구성요소는 데이터 파이프라인, 피처 스토어, 모델 레지스트리, CI/CD, 모니터링, 데이터 드리프트 감지입니다. Google Cloud는 수작업 단계인 레벨 0부터 파이프라인 자동화 레벨 1, CI/CD 자동화 레벨 2까지 성숙도를 나눕니다 [1].

MLOps는 Machine Learning Operations, 머신러닝 운영의 줄임말입니다. 모델 학습이 레시피를 완성하는 일이라면 MLOps는 그 레시피로 매일 같은 맛을 내는 주방을 운영하는 일입니다. 재료가 바뀌면 맛이 흔들리듯 데이터가 바뀌면 모델 성능도 떨어져요. 그래서 배포 이후를 계속 지켜보고 다시 학습시키는 절차를 갖춰야 합니다.

케이스 1: Uber — 사내 ML 플랫폼으로 데이터·학습·배포·모니터링을 한 줄에 묶은 사례 Uber는 2015년부터 사내 머신러닝 플랫폼 Michelangelo를 구축했고 2017년 9월 공개했습니다 [2]. 데이터 관리, 학습, 평가, 배포, 예측, 예측 모니터링의 6단계를 하나의 워크플로로 표준화했습니다 [2]. 각 팀이 만든 피처를 공유 저장소에 올려 재사용하는 피처 스토어를 함께