이 레슨과 관련된 학습 키워드
인공지능(AI) — 기계가 생각하는 법 → MLOps & 실전 배포 — 모델을 세상에 내보내기 → 실험 관리 — 재현 가능한 ML 워크플로우 → 실험 추적
A motivational overview of the MLOps course — what MLOps is, why it matters, and the roadmap from experiment tracking to automated deployment.
엠엘옵스란 뭘까요?
Machine Learning Operations의 줄임말이에요.
모델을 실제 서비스에 배포하고 운영하는 기술이죠.
데브옵스를 아시나요?
소프트웨어를 빠르고 안정적으로 배포하는 문화죠.
엠엘옵스는 거기에 머신러닝을 더한 거예요.
그림 위쪽을 보세요. 데브옵스는 코드, 빌드, 테스트, 배포, 모니터 다섯 단계예요.
아래쪽 엠엘옵스를 보면 단계가 더 많아요.
데이터 수집부터 피처 엔지니어링, 학습, 평가, 배포, 모니터링까지요.
주피터 노트북에서 정확도 95% 달성했다고 끝이 아닙니다.
그건 시작에 불과해요.
에이피아이 서빙, 데이터 파이프라인, 모니터링, 씨아이씨디까지 해야 합니다.
구글 에이아이 팀의 경험을 보세요. 모델을 만드는 건 전체 작업의 5%에 불과해요.
나머지 95%가 바로 엠엘옵스의 영역이에요.
그림 가운데 빨간 점선 화살표를 보세요. 리트레인 루프라고 써있죠?
이게 데브옵스에는 없는 엠엘옵스만의 특징이에요.
모델은 시간이 지나면 성능이 떨어지거든요.
그래서 데이터가 바뀌면 자동으로 다시 학습시켜야 해요.
아래 비교표를 보면 차이가 명확해요.
데브옵스는 씨아이씨디 두 단계, 엠엘옵스는 씨티까지 세 단계예요.
한마디로, 노트북 속 실험을 실제 비즈니스 가치를 만드는 서비스로 바꾸는 다리입니다.
선생님: 엠엘옵스가 왜 필요한지 감이 오나요? 모델만 잘 만들면 끝일까요?
학생: 아뇨, 모델 만드는 건 전체의 5%라고 하셨잖아요. 나머지 95%가 더 중요한 거 같아요.
선생님: 맞아요. 그러면 데브옵스와 엠엘옵스의 가장 큰 차이가 뭘까요?
학생: 엠엘옵스에는 씨티, 그러니까 자동 재학습이 있잖아요. 모델 성능이 떨어지면 다시 학습시키는 거요.
선생님: 정확해요! 소프트웨어는 배포하면 코드가 안 변하지만, 엠엘 모델은 데이터가 바뀌면 성능이 달라지니까요.