모델옵스(ModelOps) / ①

문제2) 모델옵스(ModelOps)

답)

 

 

1.기계학습과 생명주기의 효율적 관리, ModelOps의 개요

가. ModelOps의 정의

• 기계학습 모델과 운영(operation)을 결합한 용어로 기계학습(ML) 모델의 거버넌스와 생명 주기 관리를 효과적으로 관리하고 운용하는데 초점을 맞춘 방법론

 

나. ModelOps의 등장배경

학습모델 자동화	모델을 학습하고 배포하는 과정은 대부분 전문가의 수작업에 의존하여 자동화 필요
Mash Up	데이터옵스(DataOps), 데브옵스(DevOps)와 결합하여 기존 서비스에 기계학습(ML) 기능을 쉽게 연동 가능

 

2. ModelOps의 개념도와 기술요소

가. ModelOps의 개념도

ModelOps는 AI모델이 생성되는 방식에 관계없이 비즈니스를 효과적으로 관리

 

나. ModelOps의 프로세스 및 기술요소

구분	항목	설명
프로세스	1) Discovery	데이터 과학자, 분석가, 비즈니스 사용자가 선택한 소프트웨어를 사용하여 가설을 테스트하고 모델을 실험하고 구축
	2) Governance	Discovery Environment에서의 모든 검증된 모델은 비즈니스 규칙 및 결정과 마찬가지로 모델 Repository에 저장(GitLab, GitHub 등)
	3)Deployment	CI/CD를 통해 자동화 파이프라인을 생성. Repository에 저장된 모델, 비즈니스 규칙 및 결정은 코드 Repository 에 저장된 정보와 결합되어 모델을 프로덕션에 원활하게 배포
기능	운영 자동화	모델 유형, 개발 방법, 모델 실행 위치에 관계없이 모델 운영의 모든 측면을 자동화
	생명주기 관리	규제, 규정 준수, 위험관리 등 생산모델의 모든 측면 관리
	AI 가속화 및 확장	엔터프라이즈 기능을 MLOps 도구의 효율성과 결합
모델의 성능은 통계 및 비즈니스 KPI를 기반으로 추적되고 거버넌스 환경에 저장

 

3. ModelOps와 MLOps의 비교

구분	ModelOps	MLOps
대상	Enterprise	데이터 사이언스 플랫폼
사용자	Enterprise operation	Data scientist
목적	생산모델에 대한 엔터프라이즈 거버넌스 및 운영	ML 모델의 신속한 실험 및 배포
ModelOps 를 효과적으로 적용하기 위해, 프로세스의 표준화 및 자동화 필요

---

 

공감과 댓글은 아이티신비에게 큰 힘이 됩니다.

블로그 글이 유용하다면 블로그를 구독해주세요.♥