MLOps

MLOps 또는 ML Ops는 머신러닝 모델을 실가동 환경에 안정적이고 효율적으로 ^[1]도입하고 유지하는 것을 목적으로 하는 일련의 프랙티스입니다.이 단어는 "머신 러닝"과 소프트웨어 분야의 DevOps의 지속적인 개발 관행의 합성어입니다.기계 학습 모델은 분리된 실험 시스템에서 테스트 및 개발됩니다.알고리즘을 실행할 준비가 되면 Data Scientists, DevOps 및 Machine Learning 엔지니어 간에 MLOps가 실행되어 알고리즘을 실제 시스템으로 ^[2]이행합니다.DevOps 또는 DataOps 접근 방식과 마찬가지로 MLOps는 비즈니스 및 규제 요건에 초점을 맞추면서 자동화 및 프로덕션 모델의 품질을 향상시키려 합니다.MLOps는 베스트 프랙티스로 시작되었지만 ML 라이프 사이클 관리에 대한 독립적인 접근법으로 서서히 발전하고 있습니다.MLOps는 모델 생성(소프트웨어 개발 라이프 사이클, 지속적인 통합/연속 제공), 조정 및 도입부터 상태, 진단, 거버넌스 및 비즈니스 메트릭에 이르기까지 전체 라이프사이클에 적용됩니다.Gartner에 따르면 MLOps는 Model Ops의 서브셋입니다.MLOps는 ML 모델의 운영화에 초점을 맞추고 ModelOps는 모든 유형의 AI ^[3]모델의 운영화를 다룹니다.

역사

애플리케이션에서의 머신 러닝의 지속적인 사용에 관한 과제는 2015년 ^[4]논문에서 강조되었다.

머신러닝의 예측 성장에는 2017년부터 2018년까지, 그리고 2018년부터 ^[5]2020년까지 ML 파일럿과 구현이 약 2배로 증가했습니다.

보고서에 따르면 기업 AI 이니셔티브의 과반수(최대 88%)가 테스트^{[citation needed]} 단계를 넘어서기 위해 노력하고 있습니다.그러나 실제로 AI와 기계 학습을 생산에 투입한 조직은 3~15%의 수익률이 증가했다.^[6]

MLOps 시장은 2019년에 232억 달러로 추정되며,^[7] 빠른 채택으로 인해 2025년에는 1260억 달러에 이를 것으로 예상됩니다.

아키텍처

머신 러닝 시스템은 데이터 수집, 데이터 처리, 기능 엔지니어링, 데이터 라벨링, 모델 설계, 모델 훈련 및 최적화, 엔드포인트 배치, 엔드포인트 모니터링 등 8가지 범주로 분류할 수 있습니다.기계학습 라이프사이클의 각 단계는 자체 시스템에 구축되지만 상호 연결이 필요합니다.이는 기업이 조직 내에서 기계 학습을 확장하기 위해 필요한 최소한의 시스템입니다.

목표들

기업 전체에서 ML을 성공적으로 구현하는 MLOps 시스템을 통해 달성하고자 하는 목표는 다음과 같습니다.^[8]

• 도입 및 자동화^[9]
• 모형 및 예측의^[10] 재현성
• 진단^[10]
• 거버넌스 및 법령 준수^[11]
• 확장성^[12]
• 콜라보레이션^[13]
• 비즈니스^[14] 용도
• 감시 및 관리^[15]

MLOps와 같은 표준 프랙티스는 전술한 각 영역을 고려하여 기업이 워크플로우를 최적화하고 구현 중에 발생하는 문제를 방지하는 데 도움이 됩니다.

MLOps 시스템의 공통 아키텍처에는 모델을 구성하는 데이터 과학 플랫폼과 계산을 수행하는 분석 엔진이 포함되며,^[8] MLOps 도구는 시스템 간의 기계 학습 모델, 데이터 및 결과 이동을 조정합니다.

「 」를 참조해 주세요.

• Gartner에 따르면 ModelOps는 ModelOps의 서브셋입니다.MLOps는 ML 모델의 운영화에 초점을 맞추고 ModelOps는 모든 유형의 AI ^[3]모델의 운영화를 다룹니다.
• AIOps는 IT 및 운영에서 AI(ML)를 사용하는 것과 비슷하지만 다른 개념입니다.

레퍼런스