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.

MLOps 마인드셋 받아들이기

MLOps의 핵심 측면은 무엇인가요?

기술 부채란 무엇인가요?

유지 보수가 쉬운 ML 코드 작성하기

버전 관리

코드 구성

효과적인 ML 문서 작성

라벨링 방법은 왜 문서화해야 할까요?

Options

ML Documentation

유지보수 가능한 코드 작성

MLOps 모범 사례

연구 단계에서 프로덕션으로 전환하기

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.

재현 가능한 실험 설계하기

ML 재현 가능성

재현 가능성과 신뢰성을 위한 핵심 요소 식별

신뢰성 요소 분류하기

재현성 요소와 문서화 모범 사례 분류하기

특성 엔지니어링

Feature Engineering의 목표와 기법 분류하기

데이터 조작 및 변환 기법 식별하기

Feature selection

데이터와 모델 버전 관리

Model store

학습 데이터 버전 관리

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.

ML 모델 패키징

직렬화와 컨테이너화의 목표

모델 패키징 순서

확장성

스케일링

모델 복잡도

확장 기법 분류하기

자동화

지속적 전달의 장점

CI/CD 단계

ML 모델을 프로덕션에 배포하기

프로덕션 환경에서의 ML

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.

모델 신뢰성

ML 파이프라인 준비도와 정체 테스트 전략 분류하기

Machine Learning 파이프라인에서 모델 노후화 해결하기

데이터 테스트하기

올바른 테스트 선택하기

일관성 점검

모델 테스트하기

고객 생애 가치 예측

공정성 분류하기

Machine Learning 파이프라인 테스트

축하합니다!

ML 파이프라인 테스트

오늘날의 많은 Machine Learning 관련 콘텐츠는 모델 학습과 하이퍼파라미터 튜닝에 집중하지만, 실험용 모델의 90%는 프로덕션에 배포되지 못합니다. 대부분 처음부터 지속 가능한 방식으로 설계되지 않았기 때문이에요. 이 과정에서는 관점을 Machine Learning 엔지니어링에서 MLOps(Machine Learning Operations)로 전환하면, 모델을 최대한의 잠재력으로 학습하고, 문서화하고, 유지 관리하고, 확장할 수 있다는 점을 살펴봅니다.

오늘날 머신 러닝 관련 콘텐츠의 대부분은 모델 학습과 매개변수 튜닝에 초점을 맞추지만, 실험용 모델의 90%는 결국 운영 환경에 배포되지 못합니다. 주된 이유는 오래 사용할 수 있도록 설계되지 않았기 때문입니다. 이 강의에서는 머신 러닝 엔지니어링 마인드셋에서 MLOps(Machine Learning Operations) 마인드셋으로 전환하면 모델을 최대한의 잠재력까지 학습, 문서화, 유지 관리, 확장할 수 있는 방법을 살펴보게 됩니다.
쉽게 실험하고 문서화하세요
ML 모델을 실험하는 것은 종종 즐겁지만 시간이 많이 걸릴 수 있습니다. 여기에서는 이 과정을 가속화하면서 자신과 팀원을 위한 문서를 작성하는 동시에, 파이프라인에서의 향후 작업을 훨씬 수월하게 만들 수 있도록 재현 가능한 실험을 설계하는 방법을 배우게 됩니다.
프로덕션용 MLOps 모델 구축
프로덕션에서 모델이 최대한 오래 유지될 수 있도록 모델과 환경을 패키징하고 직렬화하는 모범 사례를 배우게 됩니다.
ML 파이프라인을 확장하고 자동화하세요
모델과 데이터 복잡성, 그리고 연속형 자동화를 고려하면, 모델을 프로덕션 환경에 맞게 확장하고 순식간에 모니터링 및 배포할 수 있습니다.

이 강의를 완료하면, 프로덕션에 바로 적용할 수 있는 머신 러닝 모델을 설계하고 개발하며, 시간이 지남에 따라 이를 연속형으로 개선할 수 있게 됩니다.

MLOps Concepts

Supervised Learning with scikit-learn

MLOps 사고방식으로 전환하여 머신러닝 모델을 최대한 활용하고 관리하세요.

프로덕션을 위한 Machine Learning 모델 개발

MLOps 관점으로 전환하여 머신 러닝 모델을 학습, 문서화, 유지관리하고 확장해 최대 역량을 발휘하도록 하세요.

MLOps 기초

Data Scientist, Entrepreneur, and Author

MLOps 마인드셋 도입

MLOps

ML 실험

실험에서 운영까지

대부분의 ML 실험이 실패하는 이유

기술 부채

연습해 봅시다!

연구 단계에서 프로덕션으로 전환하기 - MLOps 마인드셋 받아들이기

MLOps 마인드셋 받아들이기

Create Your Free Account