CI/CD 단계

여러분은 개인화 콘텐츠를 위한 AI 기반 추천 시스템을 개발한 회사에서 일하는 데이터 과학자와 개발자로 구성된 팀의 일원이라고 가정해 보세요. 이 시스템은 이미 프로덕션에 배포되어 있으며, 사용자의 선호도와 탐색 기록을 바탕으로 관련 기사, 동영상 등 미디어를 찾아 주고 있어요. 시스템의 효과와 최신성을 유지하려면 추천 시스템에서 사용하는 Machine Learning 모델을 지속적으로 업데이트해야 합니다.

회사는 모델의 개발, 학습, 배포를 간소화하기 위해 CI/CD(Continuous Integration/Continuous Deployment) 프로세스를 사용하고 있습니다. 여러분의 임무는 모델이 이미 프로덕션에 있다는 점을 염두에 두고, CI/CD 사이클에 포함된 단계를 따라 모델이 최신 상태를 유지하고 성능이 최적화되도록 하는 것입니다.

이 연습은 강의의 일부입니다

프로덕션을 위한 Machine Learning 모델 개발

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

프로덕션을 위한 Machine Learning 모델 개발

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 장에서는 연구·개발 단계의 Machine Learning 모델을 프로덕션 환경으로 이전하는 데 필요한 기술과 지식을 익히게 됩니다. 연구용 프로토타입을 신뢰할 수 있고 확장 가능하며 유지 관리 가능한 시스템으로 전환하는 과정을 배우게 됩니다.

Exercise 1: MLOps 마인드셋 받아들이기 Exercise 2: MLOps의 핵심 측면은 무엇인가요?Exercise 3: 기술 부채란 무엇인가요?Exercise 4: 유지 보수가 쉬운 ML 코드 작성하기 Exercise 5: 버전 관리 Exercise 6: 코드 구성 Exercise 7: 효과적인 ML 문서 작성 Exercise 8: 라벨링 방법은 왜 문서화해야 할까요?Exercise 9: MLOps 모범 사례

이 장에서는 Machine Learning에서 재현 가능성이 왜 중요한지, 그리고 시간이 지나도 모델의 재현 가능성과 신뢰성을 어떻게 보장할 수 있는지 학습합니다. 모델의 재현 가능성을 확보하기 위해 활용할 수 있는 다양한 기법과 모범 사례를 살펴봅니다.

Exercise 1: 재현 가능한 실험 설계하기 Exercise 2: ML 재현 가능성 Exercise 3: 재현 가능성과 신뢰성을 위한 핵심 요소 식별 Exercise 4: 신뢰성 요소 분류하기 Exercise 5: 재현성 요소와 문서화 모범 사례 분류하기 Exercise 6: 특성 엔지니어링 Exercise 7: Feature Engineering의 목표와 기법 분류하기 Exercise 8: 데이터 조작 및 변환 기법 식별하기 Exercise 9: Feature selection Exercise 10: 데이터와 모델 버전 관리 Exercise 11: Model store Exercise 12: 학습 데이터 버전 관리 Exercise 13: 재현 가능성 보장하기

3장에서는 Machine Learning 모델을 프로덕션 환경에 배포할 때 마주치는 다양한 과제를 다룹니다. 프로덕션에서 ML 모델을 배포하는 여러 접근 방식과, 프로덕션 환경에서 ML 모델을 모니터링하고 유지 관리하는 전략을 배우게 됩니다.

Exercise 1: ML 모델 패키징 Exercise 2: 직렬화와 컨테이너화의 목표 Exercise 3: 모델 패키징 순서 Exercise 4: 확장성 Exercise 5: 스케일링 Exercise 6: 모델 복잡도 Exercise 7: 확장 기법 분류하기 Exercise 8: 자동화 Exercise 9: 지속적 전달의 장점 Exercise 10: CI/CD 단계

현재 연습

Exercise 11: ML 모델을 프로덕션에 배포하기

마지막 장에서는 Machine Learning 파이프라인을 다양한 방식으로 테스트하고 기대한 대로 동작하는지 확인하는 방법을 배웁니다. ML 파이프라인 테스트의 중요성을 이해하고, 파이프라인을 테스트하고 검증하는 기법을 익히게 됩니다.

Exercise 1: 모델 신뢰성 Exercise 2: ML 파이프라인 준비도와 정체 테스트 전략 분류하기 Exercise 3: Machine Learning 파이프라인에서 모델 노후화 해결하기 Exercise 4: 데이터 테스트하기 Exercise 5: 올바른 테스트 선택하기 Exercise 6: 일관성 점검 Exercise 7: 모델 테스트하기 Exercise 8: 고객 생애 가치 예측 Exercise 9: 공정성 분류하기 Exercise 10: Machine Learning 파이프라인 테스트 Exercise 11: 축하합니다!