MLOps

AI Strategy

Vidhi Chugh

AI strategist and ethicist

운영화

고급 AI 모델을 일상 운영에 도입합니다.

코드와 데이터의 버전 관리

• 실험으로 코드 버전이 여러 개 생성

• 버전 관리 시스템으로 유지

• 데이터 버전

• 신규 데이터 또는 신규 기능

이식성

• ML 프로젝트 환경
  • 학습
  • 검증
  • 운영

 

• 수명주기 전반 일관성 유지

  • 라이브러리
  • 프레임워크
  • 버전

 

생각하기에 좋은 시점!

• 다양한 버전과 의존성 관리

• 즉시 비즈니스 가치에 집중

• 확장성과 아키텍처는 후순위

• 임시 접근은 문제를 유발

데이터 관리 자동화

• 학습 데이터 재준비 노력
• 오류, 변경, 업데이트
• 품질을 위한 데이터 관리 자동화
• 품질 점검과 알림

자동화의 필요성

• 수동 개입 = 지연
  • 모델 성능 저하
  • 오류 분석
  • 교정 조치

 

• 상당한 시간 경과
• 잘못된 예측
• 부정적 결과

코드 리팩터링

 

 

• 핵심 엔지니어링 모범 사례 부족

 

• 초기 코드 리팩터링 필요
  • 상당한 위험
  • 원래 로직 오해 또는 왜곡

효율적 아키텍처의 특징

 

• 신뢰성 있는 시스템에는 노력이 듭니다
• MLOps = 프로세스 표준화와 자동화 파이프라인

 

• 자동화:
  • 재사용 모듈: 데이터 제품, 코드
  • 자동화 테스트 프레임워크
  • 리팩터링 위험 감소

 

효율적 아키텍처의 특징

 

 

• Docker가 모델과 환경을 함께 패키징

• 수동 개입 감소 = 효율적 라이프사이클

• 모델 성능 유지가 어려움

 

• MLOps로 모델 모니터링
  • 모델 폐기 30% 감소
  • 가치 60% 증가

연습해 봅시다!

AI Strategy