기계학습 운영화(MLOps)

문제2) 최근 데이터사이언스와 기계학습이 융합된 DSML(Data Science & Machine Learning) 프로젝트가 확산되고 있다. 성공적인 DSML 프로젝트를 수행하기 위해 아래 항목을 설명하시오.

1) DSML 프로젝트 수명주기

2) 기계학습 운영화(Machine Learning Operationalizations/Operations: MLOps)

답)

 

1. 인공지능에 대한 기대와 현실, DSML(Data Science & Machine Learning) 프로젝트 문제점

DSML을 이용하여 기업의 가치를 극대화 하고자 하지만 경영진과의 의견 충돌, 조직의 거부, 시스템 장애,인력난 등으로 인해 80~90% 이상 DSML 프로젝트가 실패를 겪고 있음

 

2. DSML(Data Science & Machine Learning) 프로젝트 수명주기 설명

가. 데이터과학과 기계학습 융합, DSML(Data Science & Machine Learning) 프로젝트

 

구분	상세 설명
정의	기업 또는 공공의 방대한 빅데이터를 활용하여 인공지능 기술을 융합해 고객이나 기업 전반의 전략적 이익을 극대화하기 위한 프로젝트 또는 솔루션
이슈 배경	4차 산업 혁명의 핵심 기술인 인공지능과 빅데이터 성숙화 기업과 IT의 전략적 변화 모색 필요 클라우드 및 오픈소스 등을 활용한 다양한 기술의 성공사례 제시

나. DSML(Data Science & Machine Learning) 프로젝트 수명 주기 설명

 

수명주기	상세 설명
프로젝트 계획 수립 및 착수	DSML 기술을 적용하여 비즈니스 가치 창출을 위한 통찰을 얻을 수 있도록 준비
데이터 준비 및 학습 환경 구축	기계 학습에 활용할 수 있는 비즈니스 데이터를 수집/정제/관리하는 데이터 과학영역
모델 학습/튜닝, 스캐 폴딩(Scaffolding)	비즈니스 실행을 위한 데이터 의존적 모델을 개발하는 기계학습 영역 머신 러닝에 학습을 위한 적절한 도움을 제공함으로써, 다음 단계에 올라갈 수 있도록 적절한 환경을 제공
모델 배포 및 생산 모니터링	이를 생산 현장에 적용하여 솔루션 시스템을 구성하고 운영하도록 지원하는 기계 학습 운영 영역
DSML 프로젝트 단계 별 문제점을 해결하기 위해 MLOps 개념 등장

 

 

3. DSML 프로젝트 성공을 위한 솔루션, 기계학습 운영화(MLOps) 설명

가. 머신러닝 오퍼레이션 자동화, MLOps 개념

구분	상세 설명
정의	데이터 과학 및 기계 학습 솔루션 개발의 전체 수명주기에서 안정적으로 서비스를 제공하면서도 신속하고 유연한 개발을 추구하는 문화/기술/인프라의 개념적 결합
목표	개발, 통합, 테스트, 운영, 모니터링 파이프라인을 운영 Infrastructure 유연한 적용 DSML 프로젝트 파이프라인의 Continuous Integration, Continuous Training, Continuous Delivery 학습 데이터와 모델, 운영 데이터의 통합적인 관리

나. 기계 학습 운영화(MLOps) 프로세스 설명

 

기계 학습 운영화 프로세스
Experiment	데이터 소스와 데이터 소스에서 생성된 데이터 세트 개발자나 Data scientist가 ML code를 repository에 push
DEV	사용 내역(history)과 특성(attributes)이 태깅된 AI 모델 레파지토리 라이프사이클을 통해 데이터 세트, 모델과 실험을 관리하는 자동 ML 파이프라인
OPS	모니터링을 통해 지속적인 검증 및 장애/정확성 확인
MLOps 프로세스를 성공적으로 기업에 적용하기 위해선 단계별 구축 전략이 필요

 

 

4. 기계학습 운영화(MLOps) 단계별 적용 전략

 

MLOps 초기단계에는 전체적인 과정을 수동화하면서 프레임을 구축 후 1수준에서는 파이프라인을 자동화, 2수준에서는 배포단계까지 자동화 구축 전략을 수행

 

 

---

 

공감과 댓글은 아이티신비에게 큰 힘이 됩니다.

블로그 글이 유용하다면 블로그를 구독해주세요.♥