완전 자동화된 MLOps 소개

완전 자동화된 MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

산업 현장에서의 MLOps

기업이 머신러닝을 사용할 때의 공통 목표는 무엇일까요?

기업이 ML 시스템을 사용해 내부 프로세스를 강화하거나 고객 대상 서비스를 개선하는 방식을 보여주는 이미지.

기업의 목표는 이익 극대화입니다

곡선을 보여주는 플롯. x축: 머신러닝 프로젝트 수. y축: 프로젝트가 창출한 매출. 곡선은 증가하다가 프로젝트 6개, 약 2,500만의 매출에서 평탄화됩니다. 이후 매출은 다시 증가하지 않고 감소합니다.

전통적 소프트웨어 개발 프로젝트의 예상 비용:

기술 부채 또는 설계 부채:

형편없이 지어진 집 앞에 선 두 엔지니어 그림. 한 명이 말합니다: "왜 창문 하나 추가하는 데 이렇게 오래 걸리는지 모르겠어."

¹ https://vincentdnl.com/drawings/

Machine Learning: "기술 부채의 고금리 신용카드"[1].

숨겨진 기술 부채는 다음과 관련될 수 있습니다:

¹ https://research.google/pubs/pub43146/

ML 시스템의 기술 부채로 인한 이익 감소: $$ $$

두 개의 도표가 각각 하나의 곡선을 보여줍니다. 첫 번째 도표에서는 예상 매출이 2,500만 달러로 계산됩니다. 두 번째 도표에서는 이 매출이 1,000만 달러로 줄어듭니다.

ML 시스템은 복잡해지고 통제가 어려워질 수 있습니다.

ML 시스템에 존재하는 많은 구성 요소를 보여주는 그림. 중앙의 ML 코드는 작은 구성 요소입니다. 그 주위에 구성, 데이터 수집, 데이터 검증, 머신 자원 관리, 서빙 인프라, 모니터링, 분석 도구, 프로세스 관리 도구, 피처 추출이 있습니다.

ML이 기술 부채의 고금리 신용카드라면, MLOps는 이를 갚는 최선의 방법입니다.

MLOps에는 다음이 포함될 수 있습니다:

기술 부채를 최소화하려면

완전 자동화된 MLOps