모니터링과 경보

MLOps 배포와 라이프사이클링

Nemanja Radojkovic

Senior Machine Learning Engineer

통계적 검증

다음과 같을 수 있습니다:

• 너무 민감함
• 정보가 부족함

 

위험

• 경보 과다
• "경보 피로"
• 중요한 경보를 놓침

이력에서 학습하기

사고 처리 후 => 근본 원인과 해결 절차 기록

Google 사례[1]:

• 10년간 사고를 기록·분석
• > 2/3는 ML 관련 아님!

¹ How ML Breaks: A Decade of Outages for One Large ML Pipeline, https://www.usenix.org/conference/opml20/presentation/papasian

연습해 봅시다!

MLOps 배포와 라이프사이클링