자동화

프로덕션을 위한 Machine Learning 모델 개발

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

ML 자동화 소개

  • 자동화는 ML 파이프라인의 신뢰성과 효율성을 보장합니다
  • 사람 오류 위험 감소
  • 개발·배포 프로세스 간소화
  • 네 가지 핵심 MLOps 원칙:
    • 지속적 통합(CI)
    • 지속적 배포(CD)
    • 지속적 학습(CT)
    • 지속적 모니터링(CM)
프로덕션을 위한 Machine Learning 모델 개발

자동화의 네 가지 원칙

지속적 통합(CI) 코드 변경을 주기적으로 공유 저장소에 통합 코딩

지속적 배포(CD) 코드 변경을 자동으로 빌드·테스트·배포 패키지

지속적 학습(CT) 신규 데이터로 모델을 지속 학습·업데이트

두뇌

지속적 모니터링(CM) 모델 성능과 정확도를 지속적으로 모니터링 모니터

프로덕션을 위한 Machine Learning 모델 개발

지속적 통합과 배포

지속적 통합(CI)

  • 항상 동작하는 코드 상태 보장
  • 사람 오류 위험 감소
  • 이슈 조기 감지

지속적 배포(CD)

  • 빠르고 일관된 모델 배포
  • 프로덕션 투입까지 시간 단축
  • 사람 오류 위험 감소

CI/CD 도구: Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

프로덕션을 위한 Machine Learning 모델 개발

지속적 학습과 모니터링

지속적 학습(CT)

  • 모델 정확도 유지 및 최신화 보장
  • 모델 성능 저하 위험 감소
  • 재학습 시간 단축

지속적 모니터링(CM)

  • 모델 성능 저하 위험 감소
  • 전체 정확도 향상
  • 일관되고 신뢰할 수 있는 ML 지표 제공
  • 이슈 조기 발견

모니터

프로덕션을 위한 Machine Learning 모델 개발

대규모 ML 자동화 예시

  1. CI: 모델 코드가 Git에 커밋됩니다.

  2. CD: Jenkins 같은 CI/CD 도구로 빌드·테스트합니다. 통과 시 배포합니다.

    • 모델을 직렬화합니다.
    • Docker로 의존성을 설정합니다.
    • Docker 이미지를 배포합니다.

  3. CM: 모델 성능을 지속적으로 모니터링합니다.

    • 모니터링 결과로 모델 의사결정을 합니다.
    • CM 도구: Prometheus, Grafana

  4. CT: 신규 데이터로 모델을 학습합니다.

  5. 새 코드를 작성/모델을 업데이트하고 1단계로 돌아갑니다.

프로덕션을 위한 Machine Learning 모델 개발

Laten we oefenen!

프로덕션을 위한 Machine Learning 모델 개발

Preparing Video For Download...