MLOps (머신러닝 오퍼레이션 자동화)

최근, 머신러닝에 대해서 이것저것 서칭을 하다가 MLOps에 관한 키워드가 많이 보여서 한번 알아보았다.

 

한 프로젝트 안에서 코드를 짜서 머신러닝을 돌려서 테스트를 해보는 것은 물론 중요한 부분이다. 하지만 이것이 실제로 어떻게 실생활에서 적용이 되고, 어떤 식으로 서비스가 이루어지는지 크게 보면 사소한 부분이라고 볼 수 있다고 한다.

머신러닝의 큰 그림

• MLOps는 ML + Ops를 합친 용어로 머신러닝 모델 개발과 머신러닝 운영 Workflow의 간극을 줄이기 위한 분야이다.

 

• 크게 Model Development와 Model Prediction으로 나누는 관점으로 볼 수 있다.

• MLOps의 목표는 
  1.  머신러닝 모델 개발과 머신러닝 모델 운영에서 사용되는 문제의 반복을 최소화 하면서 비즈니스 가치를 창출하는 것
  2.  모델링에 집중할 수 있도록 안정된 인프라를 구축하고 자동으로 운영하는 것
  3.  빠른 시간에 적은 Risk로 Production까지 진행할 수 있도록 기술적 마찰을 줄이는 것
• MLOps의 중요한 원칙은
  1.  Reprodcibiltiy(재현성) 
     1. Research 단계에서 만든 모델이 production 환경에도 재현되어야 한다.
     2. 데이터도 유사한 분포를 가져야 한다.
  2. Orchestration(오케스트레이션)
     1. 서비스의 자동화된 설정, 관리, 조정 등
     2. 만약 예측하려는 요청이 많은 경우 내부적으로 서버를 증설해야 한다.
• 데이터 직군들의 Task
  • Data Scientist : 모델 개발
  • Data Engineer : 데이터 파이프라인 개발
  • MLOps Engineer : 모델, 데이터 파이프라인 및 Production 부분 담당

이상 간단하게 MLOps를 알아보았다. ML쪽을 연구하는 학생으로, MLOps에 대해서 더 알아볼 생각이다. 

https://zzsza.github.io/mlops/2018/12/28/mlops/ 이분의 글을 많이 참고하였고, 더 깊고 많은 정보가 있는 블로그이다.