DSML, MLOps

DSML 개념

• 데이터 사이언스와 머신러닝을 활용하여 데이터에서 가치를 창출하고 예측모델을 구축하는 프로젝트
• 복잡한 워크플로우, 협업의 어려움, 모델 배포의 어려움, 모델 신뢰성과 지속가능성 문제
• 효율적인 모델관리, 지속적 통합 배포, 모델 모니터링, 유지보수, 향상된 협업을 위해 MLOps

MLOps 개념도, 구성요소, 적용방안

MLOps 개념도

MLOps 구성요소

구분	내용	비고
자동화 파이프라인	데이터준비, 모델훈련/배포과정 자동화로 효율성 증대	개발 및 운영 프로세스
버전 관리	모델 리뷰, 변경 관리, 롤백 절차 수립	VCS 사용
플랫폼 엔지니어링	데이터사이언티스트, 엔지니어, 이해관계자 협업 플랫폼 제공	모델 거버넌스 확립

MLOps 성숙단계

레벨	단계	내용
2	최적화	ML 파이프라인 오케스트레이션, 모델 추적 관리
1	통합	ML 파이프라인 자동화, 지속적 모델 훈련
0	도입	수동 워크플로우로 데이터 사이언티스트와 엔지니어가 별도 작업

MLOps 고려사항

• ISO25029 AI품질속성에 따라 모델의 품질 검증 절차 자동화 필요